今年 9 月，Linkloud 与出海同学会SEAMATE再次在全球最大的 SaaS 盛会 SaaStr Annual 期间举办了一期题为“Go Global, Be Global”的线下沙龙。这次活动吸引了超过 200 位当地SaaS及AI创业者、从业者和对全球化市场感兴趣的同学，以及数十家正在进行全球化探索的出海企业家和创业者参与其中。
本次活动也获得了盛大集团、AsianFin、Palo Alto Community等组织的大力支持。
我们设计了三场主题Panel，与大家主要讨论了以下几个话题，包括：
SaaStr Annual上的最大收获，尤其 AI Summit后的观后感？
为什么结合 AI，SaaS 在全球如何服务超大型平台或客户？
为什么美国和日本市场得到了 AI 与 SaaS 公司的青睐？
AI 进入商业化的上半场，对 SaaS 是重振还是冲击？
新一代创业者如何在红海市场寻找切入点和 PMF？
我们对核心内容做了笔记整理，希望对你能有帮助，Enjoy～
Panel 1
SaaS 2024 全球创投观察
陈璧葵，MCVentures 合伙人
Chiamin Lai，日本 UB Ventures 合伙人
许高，Plaud.ai 创始人
陈璧葵｜MCVentures，General Partner
今年最喜欢的 AI 产品/公司：LanceDB（也是大葵老师的被投公司！）
该公司主要做 AI Infra 产品，为多模态数据设计的开源向量数据库。 互联网行业的发展，让客户对数据的管理和使用需求逐步增加，每 3-5 年就有新的技术革新和场景变化。 LanceDB 典型客户比如 Midjourney，核心价值是帮助这类拥有大量用户和数据的平台级企业提高资金使用效率、更有效管理数据、跑模型。
传统企业级软件和 SaaS 的差别是什么？
获客方面：传统企业级软件（Oracle等）获客几乎必须要销售，成本高；SaaS 产品的一大优势是可以 Self-serve。 只要涉及定制，交付成本就会很高，所以 SaaS 能服务到传统软件无法服务的客户；SaaS 要更加专注在传统软件无法覆盖的地方。 为什么今年更关注 Vertical SaaS，看到哪些好的机会？
什么样的机会最值得去做： 选择某些行业快速增长的方向。 找传统软件无法覆盖、SaaS 又有成本优势的方向去做。 自己投了建筑方面的 SaaS 项目，如成本、工期管理等。 建筑是传统行业，有软件但不好用。 痛点是以前的信息在不同地方，很难做到精准做工期规划。
Chiamin Lai｜UB Ventures（日本），General Partner
Vertical SaaS 有很大的发展潜力，不约而同成为投资人关注重点！ 要和行业运营做深度对接，完成一个环节后，产品发展速度可以很快。 做 Vertical SaaS 的获客成本会相对较低，尤其是后续产品。 日本 Vertical SaaS 的留存非常好：很多公司的年流失率低于 1%，客户不会走，也不想换系统。 例如投资的建築公司开发的SaaS服务可以通过用户携带的360度摄像头，自动创建全景现场视图。
这种技术使得项目管理团队能够远程查看整个建筑现场的情况，从而提高业务效率和管理质量
日本 SaaS 行业的特点： 付费意愿、留存率等情况和美国相似，不会像有些国内客户因为低价更换。 付费意愿高，大部分公司选择年付，也可以预付一部分费用。 如果说美国 SaaS 市场发展到 100 分，日本目前是 40 分，还有很大空间。 中国团队去日本的机会挑战：
软硬结合的 AI 产品非常适合中国团队，通过 AI 可以将中国的供应链优势放大。
最好要有本地化团队，会讲日文。同时，受中美关系影响，应尽量把公司包装为日本/国际化公司，即要更加重视本地化，只要产品足够好，这也不会是太大障碍。
许高，Plaud.ai，创始人CEO
公司业务介绍：
通过可穿戴的 AI 智能硬件，收集现实生活中的音频数据，再通过 AI 处理。 理念是：AI as a Service，Connect AI with Real Life。 目前全球有接近 25 万用户，主要包括 3 类人群画像： 产品经理、企业高管。 销售（尤其是 Field sales）。 专业人士如银行家、咨询、医生等。 为什么作为硬件公司来SaaStr？ 现场很多公司非常重视数据，与 PLAUD 有潜在协同，PLAUD 可以作为他们收集数据的入口。 让更多人了解，希望做成世界级公司。 SaaStr的收获：遇到很多在寻找解决方案的公司，可以与他们的产品通过 API 集成。 牙医软件：在治疗患者时收集对话，再集成到医疗相关文档中。 建筑工厂管理：建筑经理要与工人、材料商等沟通很多细节问题，通过 PLAUD 可以收集相关数据。 销售行业：跟踪整个销售流程。 Plaud 在日本市场的表现也非常好： 占公司总营收的 25%！第一大行业是建筑，主要用于工期管理等（一块砖颜色错误都会导致项目延期，所以要记录对话细节）。 垂直 vs 通用： 方向选择与团队禀赋有关，要自洽。 如果无法在开始融到很多钱，就应该先做 Vertical，先保证活下来；从 Vertical 切入也有很大机会。
Panel 2
如何做一款国际化的企业服务产品？
薛理玮，Ptmind 联合创始人
Teddy，AfterShip 创始人 CEO
徐磊，LanceDB 联合创始人 CTO
薛理玮，Ptmind（日本），联合创始人
产品简介：主要用于数据分析、数字营销，目前深耕日本市场，市场占有率很高。
参加 SaaStr 的感受：
会上相较于 PLG 话题，关于销售、客户成功的有价值内容更多。
只把产品做好并不够，拿到客户人与人之间的关系也很重要。
Ptmind 发展历程：
当时团队 Base 日本，看到大家对数据产品有需求和期待。
数据产生最多的地方是 Web，但这些数据没有被很好的用起来，用户看不懂，所以可以做可视化、热图等所见即所得的产品。
起步时从“热图”这个单点入手，如果一开始就做 All in One 可能会很难，现在已经发展为 All in One 平台。
在日本市场如何做推广：
日本获客与美国相似，也可以通过 Twitter、Google 等渠道触达客户。
和博主合作写文章获取流量即 SEO，也是常见的线上获客方式。
线下获客方式主要是展会，通过展会进行宣传、试用。
日本市场概况：
大部分企业 IT 水平比较低，学新产品的意愿也不高。
要找代理商、服务商一起服务甲方、推动甲方用产品。
一开始切入的产品如果门槛太高，可能会比较难。
相对来说，日本市场通过 PLG 切入的难度较大。
产品同质化竞争的问题：
在美国各个领域都有很多玩家，而日本相对好一些。
应对策略：要做细分（重要的说三次！）
全球有很多相似的产品，但如果看日本市场玩家就会少很多，还可以再切企业级客户或 SMB 客户，或者再从快销品/B2B 等细分行业切入，不同领域都有不同需求和价值。
在日本不同公司的喜好差异很大：有的喜欢更多人和服务；有的喜欢用很多独立 SaaS，通过 API 链接在一起；有的喜欢某种特定 UI。曝光产品信息时要多表达自己的追求和愿景，愿者上钩。
公司目前 Inbound 线索更多，有试用版，先让客户用起来，之后会与客户探讨更多实操问题。
Teddy，AfterShip, 创始人CEO
产品简介：独立站电商工具，通过自动化优化每个环节，帮助客户增加销售、降低运营成本。
大客户的挑战：
做十万美元以上的企业级客户，最大的问题不是产品，而是合规等，第二大问题是有没有本地团队。
这些都能解决的话，前面打磨产品时间可能会非常长，PMF 周期也非常长。
大部分创始人开始时会碰到一系列很痛的问题需要解决，然后一步步走向成功；很少有创始人是第一天就想好如何做大企业客户；做大企业客户更要有耐心。
同质化竞争下如何把公司带入下阶段：
做产品不要只从一个维度去思考，例如买苹果不一定是因为硬件，还会是因为数据、生态等很多维度。
做 SaaS 其实是 B to B to C，例如电商领域，大部分问题来自 C 端，如果把每个最终用户都服务好，并让每个员工都用起来，就会很有价值。
徐磊，LanceDB, 联合创始人CTO
产品简介：LanceDB 是一个为多模态数据设计的开源向量数据库。
对超大体量客户如何平衡需求优先级：
如果一个功能可以服务十个比较大的客户，那会是一个高优先级功能。
如果客户的痛点特别明确，那么哪怕只能解决 90%的问题，客户也会愿意付费，这时产品的议价能力会比较强。
一个重要的点是功能点必须可复用，不能是定制化功能。
关于开源：
开源产品的客户总量非常大。
开源社区更多会针对最终开发者，要重产品易用性和上手速度，与企业级客户双管齐下。
同质化竞争问题：
先问客户对当前方案满意和不满意的点，满意的点就可以略过，不满意的点可能就是很好的机会。
要不断与客户沟通挖掘他们的痛点。
Panel 3
AI & Agent 正在如何改造企业服务？
谢欣，飞书 CEO
Zack，Nexa AI 联合创始人兼 CTO
李珎，Replit Agent 项目创始人
谢欣，飞书, CEO
飞书在过去两年 AI 方面的探索：
飞书并没有原生 AI，去年发布的智能伙伴想法很单纯：全球 AI 都很热，大家觉得可以在产品里放一个强大的、什么都能干的 AI 助手。但实际发现这个想法实现起来很困难。去年 4 月微软发布 Copilot，大家认为什么东西都要变，但实际是什么都没变。
今年不再强调无所不能的助手，知道 AI 能做的事情是有限的，要拆解到 AI 能做得好的事情。
目前使用反馈最好的是智能会议纪要：转录+总结，准确度、可用性都很高；另外把 AI 能力嵌到产品中，如自动回复、识别评论反馈、识别合同类别等。
与大企业相比，小企业在 AI 创新方面有哪些优势：
小企业反而优势多，例如 Open AI 最初就是一家小企业做起，现在变大之后反倒可能不如一些“小企业”如 Anthropic。
大企业有很多现实问题，如要考虑得很周全、合规，不能直接拿另一家模型生成的东西来训练。
大企业如苹果做产品的理念一直是希望超越用户预期，但现在用户预期太高，导致苹果发新产品比较困难。
AI 如何改变工作流：
去年做 AI 功能是把各种流程“塞到” AI 里，效果并不好；现在是把 AI 融合到各种流程里，效果有很大提升；要先以现有功能为主，之后才会有颠覆，即“把流程塞到 AI 里”。
目前用户预期实在太高，都认为 AI 会替代人，这些预期和产品实现有较大距离。
商业化模式上的挑战与建议：
AI 和软件产品在撬动用户付费上是一样的，用户觉得有价值才会付费。目前飞书如智能会议纪要已经做得很好，但还没有向用户收费，未来当产品是用户必需时会去做收费。
目前 AI 写代码的产品最容易收钱，因为有确定性价值，并且程序员普遍薪水比较高。
“有它也行，没它差别不大”的产品不太能收到钱，难收费是因为产品不够好，与 AI 无关。
可以采用订阅费和按用量付费相结合的模式，参考员工发工资：基本薪资+奖金。
收费困难的问题：
能否赚钱取决于行业的成熟程度，大模型从收入角度目前经历了几波：
第一波：GPU 硬件；
第二波：提供算力、云的公司；
第三波：应用层，如辅助编程、外语学习、陪伴类等。
C 端比 B 端早一点，因为 C 端所有知识都在模型里；B 端的企业内部数据在模型中并没有，才出现 RAG 等，并且目前数据权限问题还没有很好的解决。
如果这个领域整体不成熟，赚钱就会比较难。
Zack，Nexa AI, 联合创始人兼 CTO
产品简介：为企业提供端侧 AI 模型与端侧 AI 解决方案。
在端侧建 AI Agent 的原因：
端侧能实现对隐私的保护。
端侧能更好的服务对延迟性有更高要求的场景。
在多模态场景，很难把语音等信息实时传到云端，并分析结果。
主要应用场景：
有 AI 需求的硬件公司，如可穿戴设备有图像、语音交互需求等，一般用户使用方法和场景比较固定。
有很强隐私需求的应用，如医疗、法律等。
产品现状：
端侧要求模型幻觉低、格式规范，这些方面 Nexa 有很大优势。
目前在端侧运行的模型小于 10B。
产品还需要提高的点：
长文本处理端侧性能受限，目前已经有论文发表提出双 Decoder 架构，会比 7B 快 5 倍。
还需要提高多模态能力。
关于 Hugging Face：
作为开源公司目前财务已经打平，赋能开发者是很好的模式。
Nexa 协同开发模型中也会使用 Hugging face，分享数据需要很好的云服务，如果使用 AWS 等迁移会很难。
李珎，Replit, AI Agent项目创始人
产品简介：Replit 是一个基于浏览器的 IDE，允许用户在多种编程语言中编写、运行和分享代码，9月中发布了第一款 AI coding agent 产品。
Agent 产品发布情况：
上周发布后大量用户涌入，主要是对编程有兴趣但比较“小白”的用户。全球软件工程师的数量是 3000 万，几乎所有人都有能力通过 AI 构建软件，Replit 可以赋能大家构建软件。
关于 Agent 的思考：
Agent 是历史上第一种“特殊按钮”，用户点击后会在 10-20 分钟后响应，并且给一个不确定的结果，相比之下以前的按钮：很快响应、结果准确。
编程类 Agent 只有性能足够好，才能满足用户构建复杂软件的需求。
未来可以构建简单易用的 Agent，在手机上即可用。
Replit Agent 目前的水平：
现在只达到 50 分，但是用户目前对产品的预期很高；
虽然 Agent 可以做很多事，如构建网站、帮客户找 PMF、帮不会编程的人做项目，但对企业来说，需要结合企业内部的 SOP 做开发、集成内部 API，产品目前在这些场景还不完善，也还不能做很复杂的框架。
商业化模式上的思考：
Replit 考虑过订阅和按用量结合，目前首先在做订阅，有额度限制（有些客户会一天用光一个月的额度）；在这个过程中有一部分客户将项目部署在 Replit，相当于云收费。
用户愿意为创造的价值付费；在内部工具领域，AI Agent 可能会以不一样的形式切入，当更多小企业能创造自己的内部工具，付费意愿可能会发生变化。
付费意愿最强的是通过 Agent 能大幅降低成本的客户。
Agent 可以定制，在运行的过程中，会有大量用户参与并提供训练数据；Salesforce、Workday 今天不会被取代，但在 Agent 成熟之后可能会发生变化，让我们拭目以待！
往期推荐
