KeyFrame內部研究專用

OpenAI突然掀桌!ChatGPT开始取代传统软件入口,微软、Salesforce、Adobe谁最危险?#OpenAI #ChatGPT #AI软件股

Alan聊财经·7月13日週一·10 min中文

三句話摘要

OpenAI ChatGPT Work從「模型供應商」升級為「企業工作入口」,對傳統軟件公司(微軟、Salesforce、Adobe)的商業模式與定價權構成結構性威脅。 OpenAI 真正搶奪的不是 PPT 或表格功能本身,而是企業員工每天首先打開的那個入口,以及基於此入口的定價權和商業控制權。 商業模式轉變:OpenAI 不再只賣發動機給微軟、Salesforce,而是想「自己造車、直接接乘客、決定路線」,把自己定位為企業員工每天首先打開的入口。這意味著工作流程從「員工主動打開各軟件」變成「員工對 ChatGPT 下一句指令,再由它調度後台軟件」。

重點整理

重點
  • 1

    商業模式轉變:OpenAI 不再只賣發動機給微軟、Salesforce,而是想「自己造車、直接接乘客、決定路線」,把自己定位為企業員工每天首先打開的入口。這意味著工作流程從「員工主動打開各軟件」變成「員工對 ChatGPT 下一句指令,再由它調度後台軟件」。

  • 2

    傳統軟件面臨的隱形危機:系統不會被完全取代,但會被推到後台。Salesforce 的客戶資料還在、業務流程仍要靠它執行,但員工登入次數遞減,因為所有操作都透過 ChatGPT 中介。品牌活著,定價權卻慢慢蒸發。

  • 3

    座位計費模式失效:Salesforce 過去按員工數賣座位,但當 AI 代理代替人工完成工作時,企業還需要那麼多座位嗎?公司已開始嘗試按對話量和任務數計費,反映出這一困境。

  • 4

    不同公司的防守策略各異:微軟靠企業生態深度、Salesforce 靠客戶數據與業務流程、Adobe 靠專業編輯與品牌一致性、ServiceNow 靠企業執行與治理能力。他們都不會消失,但都面臨用戶習慣轉移帶來的收費模式危機。

實用技巧與重點

乾貨
  • OpenAI 新定位:工作入口而非技術供應商
  • 工作流程變化
  • 舊模式:打開 Salesforce → Excel → PowerPoint → Outlook → 郵件 → 文件
  • 新模式:對 ChatGPT 說「分析季度銷售、找出業績放緩原因、做預測、整理會議 PPT」
  • 傳統軟件核心資產
  • 微軟:Office 全家桶、Azure、企業權限/安全/合規
  • Salesforce:CRM、客戶資料、銷售機會、多年工作流程
  • Adobe:專業創作、品牌一致性、商業版權控制
  • ServiceNow:工單管理、權限審計、企業執行、責任追蹤
  • Salesforce 收費試驗:從座位計費轉向按對話使用量和任務數計費
  • 投資觀察三指標
  • 員工首先打開的入口是否從原軟件轉向 ChatGPT/Co-Pilot
  • 傳統軟件座位收入減速、AI 收入能否補償
  • 外部 AI 調用企業數據時原軟件公司是否續收費

結論

結論

OpenAI 真正搶奪的不是 PPT 或表格功能本身,而是企業員工每天首先打開的那個入口,以及基於此入口的定價權和商業控制權。

完整解析

詳細

OpenAI 這次要做的不只是推出更強的辦公工具,而是從產業結構根本上重新定義「工作入口」的擁有權。過去微軟、Salesforce 等軟件公司站在前台直接收錢,OpenAI 在後台提供 AI 能力。現在 OpenAI 不滿足於賣發動機,想穿上圍裙走進前廳,直接接收企業員工的工作指令。

這個轉變看似技術升級,實質卻是對軟件行業最值錢部分的搶奪。傳統企業員工的工作日充滿碎片化操作:打開 Salesforce 查客戶、切換到 Excel 整理數據、再跑去 PowerPoint 做匯報,中途翻郵件、找文件、催同事。ChatGPT Work 的承諾很簡單——只要一句話「幫我分析季度銷售情況、找出業績放緩原因、重新做預測、整理成明天開會用的 PPT、順便搭一個給老板看的網頁」——ChatGPT 自己去調用 Salesforce 的客戶資料、Excel 的表格、PowerPoint 的模板,最後把結果交給員工。

微軟面臨的是微妙的長期對立。短期看,ChatGPT Work 離不開 Office 生態、Azure 雲端和企業權限系統,微軟明顯受益。但長期來看,微軟希望員工打開 Co-Pilot 後留在 Word/Excel/PowerPoint 完成工作,而 OpenAI 卻希望員工打開 ChatGPT 後再由它決定是否需要文檔或表格。兩家公司都想成為企業員工每天首先打開的入口,這個位置太值錢了,商業夥伴最後還是得坐下來算賬。

Salesforce 的危機更尖銳。傳統上企業按員工數購買 Salesforce 座位,按 CRM 使用量付費。但當 AI 代理開始代替人力完成日常工作時,企業還需要那麼多座位嗎?更尷尬的是「系統仍在運行、品牌卻被推到後台」的局面。Salesforce 的客戶資料還在、業務流程仍要靠它執行、數據仍然重要,但員工越來越少直接打開 Salesforce,因為所有操作都透過 ChatGPT 中介。這比被徹底取代更難受。系統沒死,定價權卻在蒸發。Salesforce 已開始嘗試按對話使用量和任務數收費,反映出對座位計費時代終結的自知。

Adobe 面臨另一種壓力。ChatGPT 可以生成網頁、演示文稿和營銷素材,普通創作工作會變得更便宜更快。但 Adobe 的防線是「精細編輯、品牌一致性、商業版權控制」——如果企業願意為最後那部分專業控制與大型內容生產流程繼續付費,Adobe 就能守住高價值客戶。ServiceNow 則守在最後一道防線。ChatGPT 可以理解「老板想做什麼」,但 ServiceNow 要證明的是「最後把事情安全辦成、保留審計紀錄、追蹤責任,仍須經過我」。如果這個位置守住,ServiceNow 會成為 AI 時代的執行層——用戶看不見他,但所有重要動作都要通過他。

這場競爭本質上是對三層價值的爭奪。過去軟件行業靠功能多寡和座位數量收費,未來功能越來越容易被 AI 包裝,座位數也可能因 AI 代理而下降。真正值錢的會變成三樣:企業員工首先向誰發出指令(控制入口)、關鍵動作必須經過誰(控制流程)、工作完成後誰有資格收費(控制收益)。這三層位置決定了未來的權力分布。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。