很多小软件公司都在担心同一件事：大模型越来越强，写代码、做页面、生成报表都越来越快，传统的软件定制还有多少生意可做？

但企业 AI 真开始往业务系统里走以后，情况可能没有想象中那么悲观。

公开网络上的大模型越来越便宜，调用 API 也越来越方便。可一旦碰到客户资料、合同、订单、库存、财务和生产数据，企业马上会换一套标准。模型能不能回答问题只是起点，数据能不能离开内网、断网以后还能不能运行、不同部门能看到什么、AI 做过哪些操作、出了问题能不能追溯，这些条件才决定系统能不能上线。

大模型进不了企业内网，并不意味着企业没有 AI 需求。恰恰相反，它把一个标准化的模型服务，重新变成了一项需要业务理解、系统集成和长期维护的工程。

这正是小软件公司熟悉的战场。

公网上卖的是模型，内网里交付的是一套系统

普通用户使用大模型时，打开聊天窗口，输入问题，得到答案，事情基本就结束了。

企业不会这么简单。

比如一家销售公司想做 AI 销售助手。演示阶段可以把客户资料、历史订单和产品文档放进知识库，让模型回答“这个客户最近买过什么”“下个月可能需要哪些商品”。

可一旦进入生产环境，问题马上就多了。

普通销售只能查看自己负责的客户，部门负责人可以看整个部门，总经理才能看到全公司的经营数据；成本、毛利、账期和客户底价还要单独控制。AI 可以生成跟进建议，但能不能直接修改客户等级、创建订单或者发送报价，又是另一套权限。

如果系统发生错误，还要知道它读取了哪些资料、调用了什么接口、生成了什么结果，后续能不能回放和复核。

到了这一步，企业买的已经不只是模型能力，而是一套包含权限、数据、流程、日志和责任边界的业务系统。

公开市场上的模型可以按 Token 收费，进入企业内网以后，却通常要连同硬件、数据治理、系统集成、验收和运维一起按项目计价。

企业真正缺的不是模型，而是“把模型接进去的人”

现在已经有很多开源模型，也有大量成熟的云端 API。多数小软件公司既没有必要，也没有能力重新训练一个基础模型。

但企业内部存在另一批更具体的工作：

旧 ERP 和 CRM 的接口怎么接，散落在数据库、Excel、PDF 和员工电脑里的资料怎么整理，知识库里的五个制度版本该保留哪一个，销售、财务、客服和管理层的权限怎么隔离，AI 生成的建议如何进入原有审批流程，出现错误以后由谁复核。

这些事情很难靠一个标准化 AI 产品全部解决。

因为每家企业的数据结构不同，组织权限不同，业务流程也不同。有的公司订单在 ERP 里，客户跟进还停留在微信和 Excel；有的公司已经有 CRM，却没有形成客户归属和部门权限；还有一些企业用了十几年的老系统，连完整接口文档都找不到。

模型厂商可以提供“大脑”，但不会替每一家企业重新梳理订单、库存、客户、审批和售后流程。

过去小软件公司靠这些行业细节做 ERP、CRM 和进销存，接下来依然可以靠这些经验把 AI 接进企业。

小软件公司的机会，不是卖一台昂贵的一体机

看到私有化部署，有些公司很容易把方向理解成卖服务器、装模型或者代理一体机。

这类生意当然存在，但未必适合大多数小团队。硬件竞争看采购渠道，基础模型竞争看资金和算力，小软件公司很难在这些地方建立优势。

更现实的机会藏在部署之后。

给旧系统增加 AI 能力

很多企业不会为了 AI 推翻正在使用的 ERP、CRM、OA 和进销存。它们更可能先增加几个有明确收益的功能，例如客户复购提醒、销售跟进建议、售后知识问答、订单图片识别、合同信息提取和经营报表分析。

这种改造不需要一开始就建设庞大的“企业 AI 平台”，但需要有人理解旧系统的数据结构和业务规则。

帮企业整理能被 AI 使用的数据

企业资料多，不代表知识库就能直接使用。

同一个产品可能有多个名称，一项售后政策可能同时存在于 PDF、聊天记录和员工经验里，制度文件也可能新旧版本混在一起。把所有资料上传，只会让模型更容易答错。

资料分类、版本管理、有效期、审核人、部门权限和引用来源，这些工作看起来不如模型演示亮眼，却直接决定 AI 能不能稳定使用。

给 Agent 补上权限和责任边界

一个只能查询资料的助手，风险相对有限。等它开始创建任务、发送消息、修改客户状态甚至写入订单，权限控制就必须进入每一次工具调用。

哪些操作只给建议，哪些需要人工确认，哪些账号可以执行，失败以后怎么回滚，调用记录保存多久，都要落进系统设计里。

这里需要的不只是提示词工程师，还需要做过登录认证、租户隔离、数据权限、审批流和操作日志的工程团队。

把一次性交付变成长期服务

模型会更新，企业数据也会持续变化。知识库需要维护，提示词和检索策略需要调整，业务规则会增加，权限也会跟着组织结构变化。

企业 AI 很难像一个普通软件模块那样，交付以后几年不动。它更接近持续运营的系统，需要定期评估回答质量、处理异常样本、补充数据并调整流程。

小软件公司可以把收入从单纯的开发费，逐步扩展到 AI 体检、系统改造、知识库治理、模型接入和年度运维。

如果你也在关注小软件公司怎么穿过这一轮 AI 变化，可以顺手点个赞，让平台多推荐一些企业 AI 和真实项目落地的内容。

小团队反而更容易从一个具体问题开始

大厂擅长建设平台、采购硬件和承接大型项目，小团队的优势在于离客户更近，也更容易深入一个具体业务环节。

一家汽配销售企业未必需要一个无所不能的 Agent，它可能更需要识别客户发来的订单图片，匹配商品编号，再根据客户历史采购周期提醒销售跟进。

一家生产企业也不一定马上建设 AI 中台，先把设备故障记录、维修手册和工单系统接起来，减少老师傅反复回答问题，已经能产生实际价值。

这类项目规模不一定很大，却更容易算清投入和收益，也适合小软件公司逐步复用。

做完第一个客户以后，可以沉淀知识库结构、权限模型、日志模块、模型路由和评估工具；再进入同类客户时，就不必每次从零开始。

小软件公司的产品化，也许不会从做出一个通用大模型开始，而是从把这些重复出现的企业 AI 工程能力沉淀下来开始。

也不是所有企业都要把模型锁进机房

涉及公开信息、普通文案、市场资料整理时，云端模型往往更便宜，能力也更强。数据敏感度不高的小企业，没有必要为了“私有化”三个字采购昂贵硬件。

更合理的方案可能是混合架构：公开任务使用云模型，客户、合同、财务等敏感数据留在企业边界内；简单任务交给本地小模型，复杂但允许脱敏的任务再调用外部能力。

小软件公司的价值不是劝所有客户买服务器，而是帮客户判断哪些数据不能出去，哪些任务适合本地完成，哪些能力使用云服务更划算。

这也是企业愿意为之付费的地方。客户需要的不是一个最贵的模型，而是一套风险可控、成本能够承受、业务确实有人使用的方案。

以前帮企业做系统，接下来还要帮系统接上 AI

基础模型越便宜，单纯调用模型就越难形成长期壁垒。

但企业的数据不会自动整理，旧系统不会自动开放接口，部门权限不会自动继承给 Agent，模型产生的错误也不会自己进入复核流程。

这些工作不够性感，却离企业付款最近。

AI 不会让所有传统软件项目消失，它更可能把项目的重心从“再做一套页面和表单”，推向数据治理、系统连接、流程改造和智能能力运营。

对小软件公司来说，机会未必是造一个更大的模型，而是把已经足够好用的模型，安全地搬进客户的订单、库存、销售、售后和经营流程里，并且对结果负责。

大模型办完“入网手续”的那一刻，属于小软件公司的工作才刚刚开始。

有企业数字化、AI Agent 或旧系统改造经验的朋友，也欢迎分享你看到的变化。后面我会继续聊小软件公司如何把知识库、CRM、ERP 和 AI 做成能收费、能交付、能长期维护的服务。