文 | 牛透社

过去，企业买下软件，还要安排人把工作做完。如今，客户开始要求软件接下这份工作，并且只对最终的业务结果买单。

到2026年秋季，这已不再是趋势预测，而是残酷的市场现实。当通用大模型的调用门槛降至冰点，客户预算正彻底抛弃“堆砌功能”和“按席位付费”。

IDC指出，超过40%的企业应用已通过智能体自动化增强能力，软件供应商必须转向以执行动作、产出结果来衡量价值。

这种变化正在动摇SaaS习以为常的规则，也意味着一个核心断言的全面确立：SaaS的竞争标准正从“功能是否丰富”全面转向“能否通过智能体完成任务、闭环场景并交付业务结果”。

率先完成Agent化的企业，已在研发成本、交付效率和商业增长上形成降维打击，引领企业软件正式进入“Agent时刻”。

在2026 云栖大会 SaaS 论坛开场演讲中，阿里云智能集团公共云事业部副总裁、SaaS 业务总经理郑园提出了一个判断：“软件是 AI 运行的环境。”客户数据、订单数据、财务数据、业务流程、权限模型与合规框架都沉淀在软件里，只有进入这些生产系统，AI 才真正有机会从一个外部工具变成业务执行者。

商业模式也随之改变。郑园认为，席位的天花板是客户的员工数，而工作量的天花板是让 AI 干的活的数量。

当 Agent 开始承担过去由人完成的工作，员工数量不再天然决定软件收入的上限，软件能够完成多少任务、交付多少结果，开始成为新的计价基础。

然而，从Demo演示到规模化交付业务结果，中间隔着巨大的工程鸿沟。

面向这一轮变革，阿里云已构建起由Qwen大模型、千问AI平台（模型服务）、Qoder研发工具、Agent Harness工程体系及通用智能体生态构成的AI全栈支撑，覆盖产品开发、运行治理与生态分发。

这些能力如何与 SaaS 厂商的行业积累结合，让 Agent 进入真实业务并形成收入，是观察这轮企业软件变革的一个切口。

01 告别“卖功能”：SaaS 的新准绳是交付业务结果

一套招聘软件，过去可以用简历库、面试管理、人才测评等模块说明自己的价值。

如今，客户更想知道，它能帮自己找到多少合适的人。产品形态的重构已经发生，任务型智能体正加速进入企业应用，人力资源、客服和办公成为率先落地的场景。

在北森展示的招聘流程中，HR提出“招一个后端开发工程师”的需求，几个Agent便开始分工：AI招聘官完善岗位画像、生成职位标准，AI寻聘官搜索人才、沟通并获取简历，AI面试官进行初面评估。面试安排和候选人答疑也有Agent参与，HR把关复试、录用和Offer等关键节点。

招聘软件从记录、管理流程，进一步参与执行。能推荐多少合适的候选人、减少多少人工处理，成为客户检验产品效果的依据。

流程能否推进，还取决于人才判断是否可靠。

北森将人才科学中的能力标准、评估方法与HR业务数据结合，用于领域模型训练和专业技能设计。长期积累的岗位知识和评估经验，由此进入Agent的工作过程，也成为专业软件建立差异化的基础。

Agent正在接手过去需要用户逐项操作的工作。软件能做什么、做到哪一步，开始影响客户的采购判断。

在电商场景里，这种变化已经进入日常客服工作。

买家询问商品、催促发货、反馈售后问题，客服往往需要查询多个系统才能处理。传统机器人即使给出了回答，后续工作仍可能留给人工。

探域基于阿里云百炼构建的客服智能体，可以按照商家的服务策略，查订单、查物流、打备注、创建工单，将买家的诉求继续处理下去。

探域还为智能体加入了记忆能力。

买家的购买意向、购物习惯和咨询经历，可以供后续接待使用；商家的商品知识和服务经验，则通过知识库和场景策略参与回复与执行。

商家更关心，Agent能否解决买家的问题、促成订单。客服的价值，也从回复质量延伸到了成交效果。这种变化已经开始进入规模化运行阶段。

探迹科技披露，探域智能体日均 Token 消耗量已超过 1800 亿，目前已在电商等场景承担大量客服接待工作。如此规模的持续调用，至少说明 Agent 已经不再停留在零散问答和试用阶段，而是在真实业务流程中持续工作。

合合信息的Data Agent则从被动查询走向主动分析，参与分析任务的判断与推进。数据产品的交付由此延伸到查询之后，进一步提供业务可用的分析结果。

衡量SaaS价值的标准已从功能数量转向任务完成率、调用量及业务结果。产品收费方式也随之调整。

阿里云智能公共云事业部娄恒在分享中梳理了一条演进路径：按席位和模块收费，逐步延伸到按调用、按结果单元收费，乃至分享增量收益。软件承担的工作越多，厂商越有机会围绕业务效果定价。

不过，新的收费方式仍需适应企业的采购习惯。

Salesforce在2025年的定价公告中引述451 Research的判断：多数企业仍偏好许可证模式，同时对结果定价的兴趣正在上升。效果付费之外，客户也需要可预测的预算。

产品能力向前走了一步，商业规则也要跟上。

02 Agentic Coding时代：SaaS研发竞争升级为组织级重构

客户把任务交给Agent之后，软件公司自己的研发流程，也开始接受同样的改造。

过去几年，AI Coding主要帮助程序员补全代码、生成函数、排查错误。但需求上线还要经过评审、排期、测试和验收，编码提速未必能缩短整个交付周期。

Qoder产品解决方案架构师团队负责人宁晓民将AI编程的演进分为辅助、协同和自主编程三个阶段。进入Agentic Coding阶段，AI开始承接完整的研发任务，工作范围延伸至需求理解、测试、代码审查和交付。

金蝶的实践印证了这一跃迁。

今年3月，金蝶规模化引入阿里云Qoder席位，目前超60%的代码由AI生成入库，研发节奏从“一年两版”直接跃升至每周迭代发版。工程师角色随之发生质变，从逐行编码转向定义问题、调度智能体和审查结果。

Qoder团队自身的实践，则展示了一套不同的开发节奏。

据宁晓民介绍，一个五人团队用七天完成了一个Agent应用的开发。团队先确定产品边界、拆解模块、编写规格说明，再将任务交给Agent。遇到新需求或缺陷，就补充说明、发起任务，由工程师审查、合并并验证结果。

工程师的精力更多投入到任务定义和结果验收，部分调研、编码、测试与审查工作则并行推进。缩短交付周期的机会，既来自代码生成提速，也来自环节之间等待时间的减少。

Google Cloud的DORA团队在2025年研究中也指出，AI会放大组织已有的优势和弱点。要获得更好的投资回报，需要同时改进支撑研发的组织体系。这为工具普及与整体交付提效之间的落差提供了一个解释。

需求如何进入团队，任务如何拆分，上下文由谁维护，哪些结果可以自动通过，哪些必须由人确认，都需要重新安排。

宁晓民将工程师的新职责概括为定义规范、管理智能体、确认结果。人的判断需要更早进入任务定义，并贯穿执行过程。

对于SaaS公司，研发竞争正在由个人提效进入组织级重构。

衡量这场改造的收益，要看同样的团队能够响应多少客户需求、每次交付需要多少时间，以及返工和维护成本是否随之下降。

03 模型之外的深水区：Harness 决定智能体的商业化生死

Agent连续执行任务时，一处需求歧义或遗漏的业务规则，可能影响后续多次操作。等到验收时才发现，返工就不再局限于最初出错的地方。

智能体从Demo走向规模化应用，需要模型之外的Harness工程体系，即明确执行范围，记录任务进度，在过程中验证结果、纠正偏差，让Agent能够持续、受控地工作。

Agent 真正进入研发和业务流程后，难题很快从“能不能做”变成“能不能持续做对”。

一些率先将 Agent 放进生产流程的企业，已经遇到了相似的问题。

首先是执行速度和审查能力之间的失衡。AI 可以快速生成代码、测试用例和业务操作结果，但如果每一步仍然依赖人工逐项检查，审查很容易成为新的瓶颈。Agent 提高了前端执行效率，后端的验证能力也必须同步提高。

多 Agent 协作带来的问题更复杂。

不同 Agent 可以分别承担需求分析、开发、测试和执行，但只要需求定义、业务规则和验收标准没有进入同一套运行机制，各环节即使分别完成了任务，最后的结果仍可能出现偏差。

一些看起来很小的遗漏，也会在自动化流程中被放大。

比如，一条业务规则如果只存在于前端提示、某份文档或者员工经验里，没有进入后端校验，页面可以正常运行，部分测试也可以通过，但真正执行任务时，这条规则仍可能被绕过去。

这也是 Harness 开始成为企业级 Agent 核心工程能力的原因。

它要解决的，是如何把需求、规则、上下文、权限、执行和验收组织进同一套体系，让 Agent 的工作过程可以被约束、验证和追溯。

金蝶正在把这套思路进一步放进企业智能体的运行体系。

Neuters在金蝶灵基的架构中，Harness 负责管理任务的指令与状态，记录已经完成、正在进行和等待执行的环节；同时覆盖任务从启动到结束的生命周期，并通过范围和权限控制，限定 Agent 能够访问和修改的数据。

对于执行结果，系统还要求保留可追溯、可验证的证据。

金蝶中国产品研发中心副总经理宋凯将大模型比作“发动机”，Harness 则承担“方向盘与刹车”的作用。

模型可以不断升级，企业里的流程、知识、权限和治理规则却需要保持相对稳定。

金蝶因此在 Harness 之外，引入多模型路由、Agent 协同、企业本体、MCP 网关、安全内核和效果评估等机制，将快速变化的模型能力，与相对稳定的企业业务体系解耦。

探域的客服智能体要按商家策略回复客户咨询和物流问题，北森的招聘Agent要遵守组织权限，Data Agent要准确理解数据口径。

任务能执行到哪一步、哪些操作需要确认，都应在系统中有明确安排。

Harness中的上下文和记忆，为Agent提供业务规则、历史信息与当前进度；工具连接业务系统，并通过权限机制限定操作范围。

执行循环根据每一步的返回结果继续推进，遇到异常时重试、调整或转交人工。评估与治理贯穿其中，检查结果并保留可追溯的记录。

这些机制还要跟着业务更新。

需求变了，规则、测试和权限需要同步调整；故障解决了，处理经验也要留下来，供后续任务复用。软件厂商长期积累的交付经验，由此逐步进入Agent的运行体系。

“做出一个Agent演示并不难，难的是让它在真实业务中长期稳定运行。”郑园指出。

阿里云通过全栈能力支撑这一过程。

Qwen与千问AI平台提供模型服务和智能体开发能力，Qoder参与研发构建，Agent Harness支撑运行、评估与治理。SaaS厂商在此基础上，将行业知识、客户流程和验收标准落实到产品中。

随着客户增加，人工排查和维护的投入能否得到控制，将直接影响Agent产品的利润。工程能力越能复用，厂商就越有条件降低交付成本，让业务增长带来实际收益。

04 入口重排：集成与被集成重塑SaaS增长飞轮

用户开始通过通用Agent办理业务，专业软件触达客户的路径也在变化。

过去，SaaS厂商吸引客户注册、试用和采购，再通过增购模块、增加使用人数扩大收入。如今，用户可以直接向Agent提出需求，由它调用专业软件完成任务。厂商仍在提供服务，用户却未必需要打开它的产品界面。

崔牛会创始人崔强在论坛上提出，当通用 Agent 开始承接用户意图，系统真正的使用者也在发生迁移。

过去是人直接操作软件，未来越来越多的任务可能由 Agent 发起，再调用 SaaS、API 或 Skills 完成。对专业 SaaS 来说，关键不在于是否还占据前台入口，而在于是否掌握难以替代的行业知识、企业事实和专业执行能力。

正如崔强所说：“处在中间并不可怕，可替换才可怕。”

SaaS因此有了两条可以同时推进的增长路径。

• 一条是继续做深自己的产品。探域将客服接入电商服务流程，北森把多个Agent组织成招聘专家团，都在用更完整的任务交付扩大产品价值。另一条是将专业能力开放给通用Agent。通过工具接口、MCP服务或专家套件，厂商可以进入客户已经使用的工作环境，获得自有产品之外的服务机会。

恒生聚源与阿里云的合作就属于后一条路径。

金融数据的使用有很强的专业要求。一个指标对应什么口径，涉及哪些表和字段，计算结果如何追溯，都影响分析能否成立。

恒生聚源在GAOS金融智能体数据操作系统中，将这些数据、语义和计算能力组织起来，再通过MCP等标准接口供上层Agent调用。

在其展示的千问办公WarrenQ金融版方案中，Qwen的通用智能体能力与聚源的金融数据底座结合，面向投研、投顾、合规、风控等工作场景，并支持通过定制部署接入机构自有数据与流程。金融从业者可以在统一工作台中发起任务，由Agent调度相应的数据与专业工具。

这为聚源增加了一种交付方式。

一次办公任务中的金融问数、指标计算或资料分析，都可能成为专业服务被调用的机会。通用入口扩大触达的同时，垂直厂商仍然承担数据口径、计算和结果追溯等专业工作。

娄恒将这类变化概括为Headless SaaS。

厂商把核心能力封装为API、MCP服务、CLI工具或Skill，供第三方Agent调用。用户无需进入原有界面，也能使用其中的数据和业务功能。

IDC也指出，Agent化应用将更多依托协作生态，向模块化、可互操作的架构发展。专业软件因此有机会进入更多工作场景，通过被调用获得客户。

但接入生态只是第一步。

服务能否稳定交付、如何计费、客户关系由谁维护、问题由谁负责，都需要合作双方明确。调用机会能否变成收入，最终还要看这些商业安排能否落地。

对垂直厂商而言，自有产品与生态合作可以并行。

已有客户继续在专业系统中完成复杂工作，通用Agent则带来新的任务入口。行业知识、业务数据和交付经验，可以通过两种方式服务客户。

阿里云的通用智能体生态，将全栈布局延伸到了获客与分发。

模型、开发平台、研发工具与Harness工程体系支撑产品构建和持续运行，生态则为专业能力打开更多业务入口。

这套布局将SaaS转型所需的共性能力沉淀为基础设施，厂商得以把更多资源投入行业知识、业务流程和客户需求，让多年积累的专业能力，通过Agent承担更多工作、获得新的收入。

当竞争深入交付成本、运行质量和客户触达，全栈能力的价值才会充分显现。

阿里云能否推动更多SaaS企业跨过这道门槛，将决定这轮转型能走多远。企业软件的“Agent时刻”，最终要由一批能够持续交付业务结果的软件公司来确立。

关注公众号：拾黑（shiheibook）了解更多

[广告]赞助链接：

四季很好，只要有你，文娱排行榜：https://www.yaopaiming.com/
让资讯触达的更精准有趣：https://www.0xu.cn/