Writer获2亿美元融资，助企业节省90%AI成本

不得不说，企业客户对AI的采用意愿，现在是真的高涨。IDC的《2023-2024全球企业高管调查报告》里有个数据挺说明问题：超过一半的高管认为生成式AI是未来投资的重中之重，87%的高管至少已经在探索相关应用场景了。

至于企业AI的技术架构，行业内也基本达成了共识：威力强劲的AI模型，配上图技术加持的RAG（检索增强生成），再加上智能体搭建和安全护栏，这就是个标准配置。但问题也随之而来——企业在实际应用AI时，几乎90%的时间和成本都砸在了基础设施和这些核心架构的搭建上。这时候，人们自然会想：有没有一个平台，能把这些繁琐的准备工作都打包处理好，直接提供强大的AI能力呢？

其实已经有些平台在尝试满足这种需求了，比如我们之前聊过的Glean和Sierra。它们走的是垂直路线，Glean专注企业AI搜索，Sierra则一心扑在对话式客户体验上。不过，最近一家叫Writer的创业公司拿到了大额融资，它走的是全栈路线——自己搞AI模型，也把全套企业AI应用基础设施都搭好了，尤其在成本和安全性上做了不少文章。

这家公司刚拿下了由Premji Invest、Radical Ventures和ICONIQ Growth共同领投的2亿美元C轮融资，Salesforce Ventures、Adobe Ventures、B Capital、Citi Ventures、IBM Ventures和Workday Ventures也都跟投了。算下来，Writer的累计融资额已经到了3.26亿美元，估值也超过了19亿美元。按照他们的规划，到2024年年底，光是300多家客户贡献的年度经常性收入，就能冲到约5000万美元。

连续创业者打造的全栈AI应用平台

Writer是May Habib（CEO）和Waseem AlShikh（CTO）在2020年创立的。两人早在2013年就联手创办过一家公司，最早做机器翻译，后来慢慢发展成一个能把各种内容本地化的软件平台。那段创业经历让他们早早地就开始自己动手构建机器翻译模型。等到Transformer模型一出来，两人立刻意识到这东西潜力巨大，于是再度联手，搞出了Writer。

有了第一次创业的经验打底，他们这次坚定地押注并自己构建Transformer模型。先从文本处理入手，专注在营销领域，然后慢慢扩展到支持、销售、运营、人力资源和财务这些团队。到现在，他们已经拥有了自己的基础模型和行业模型家族，搭起了一个全栈的企业AI平台。

Salesforce的产品副总裁Patrick Stokes对它的评价是：“把大模型变成可靠的业务工具，背后需要大量的工程工作。Writer提供了一个精细的AI驱动方案，不仅效果好、部署方便，还极大地加速了我们在Salesforce的工作流程。我们不只是投资方，也是它的客户。”

ICONIQ Growth的合伙人Doug Pepper也认为：“我们相信，面向企业的生成式AI正处在一个拐点上，而Writer凭借其全栈且安全的平台，真正兑现了AI的巨大承诺。”

企业爱用AI，但应用方式还在初级阶段

2024年，AI领域的投融资热度就没降下来过。根据海外投资机构Accel的报告，生成式AI初创企业今年拿到的风投资金，预计会占到整个云技术领域的40%。PitchBook的数据也显示，光是在2024年上半年，针对生成式AI初创企业的投资就超过了39亿美元（这还不算OpenAI那笔66亿美元的融资）。

企业AI正是这波热潮里的重要部分，而支撑它的，是企业对AI相当高的采用意愿。IDC的调查数据我们前面提到了，这背后是企业在实打实地投入。不过话说回来，企业对生成式AI的采用还处在比较初级的探索阶段。很多企业发现，光是拿内部行业数据配上GPT模型，根本解决不了那些复杂的操作和用例。要让AI真正帮企业完成复杂的业务操作，就得搭建企业智能体。这一下，RAG技术、数据收集与清理、工作流程构建等一堆复杂工作就全冒出来了。而实际上，这部分工作占了让AI“实用化”所花时间和成本的90%。举个例子，以前想把AI嵌入到企业的工作流里，员工有时得花好几个小时，在各种各样的格式之间来回倒腾同一份内容。

Writer这类企业AI平台，核心思路就是开发能完成企业关键任务的高级AI系统，而不是只盯着基础模型，或者搞一些只能解决有限问题的现成应用。

训练自有模型，平台更安全，成本也更低

要构建能搞定企业关键任务的高级AI系统，行业内已经摸索出一套基本的技术架构共识：强大的AI模型，加上图技术加持的RAG，再加上Agent搭建和安全护栏。原因很简单，企业AI既要应对现实中的各种复杂场景，又得保证安全性、可靠性和适应性。

Writer平台的核心，就是他们自己训练的Palmyra系列模型。在这个基础上，还配备了基于图的RAG、可定制的AI防护措施，以及一套无代码和代码开发工具。在这些核心组件之上，Writer提供了一个灵活的应用层，包括聊天机器人、预构建应用和一些可组合的UI选项，能服务好企业内部各个职能部门的需求。此外，Writer还搭建了集成和API生态系统，把Writer的能力渗透到员工工作的各种场景中。

Palmyra系列大模型主要有两个差异化特点：成本低，以及安全性和透明度高。

举个例子，Writer发布了一个几乎完全基于合成数据训练的模型——Palmyra X 004。据他们自己说，开发这个模型的成本只要70万美元。听起来不算低？但要知道，类似规模的OpenAI模型，开发成本估计高达460万美元，GPT-4更是超过1亿美元。这么一对比，差距就出来了。这个新模型在工具调用方面也实现了很高的准确性和可靠性，而这正是执行复杂操作和工作流程的关键能力。

另外，Writer还强调，他们的模型是基于未受版权保护的商业写作材料进行训练的，这就避免了版权方面的一些不确定性。透明度上，客户可以清楚地检查模型的代码、功能和训练数据，这些模型也绝不会用客户的数据去训练。

Writer的创始人May Habib对此的解释是：“对我们来说，自己构建大语言模型非常重要。这样一来，我们的模型可以由客户自行托管，而且是开放、透明、可审计的，而不是一个黑箱。”

目前，Palmyra系列已经有超过18个模型，其中还包括针对金融和医疗场景的Palmyra-Fin和Palmyra-Med模型。Palmyra-Med在斯坦福HELM和PubMedQA等多个医疗基准测试中，表现得比GPT-4和Claude 3.5这些通用闭源模型更准确，而且使用成本还更低。它追求的不是天马行空的创意，而是实打实的准确性。

基于图的RAG，最主要的好处是允许企业客户把模型和自己的业务数据源连起来，这样能显著提升模型在做研究、事实核查和回答问题时的能力。同时，它也是构建Agent的核心技术之一，没了它，Agent就难以真正深入到企业客户的工作和业务流程中去。

AI防护方面，Writer也做了不少工作，核心就是保障企业AI的安全性、数据隐私和合规性。他们的AI严格遵守SOC 2 Type II、GDPR、CCPA、HIPAA和PCI等一系列安全和隐私合规标准。确保不管是人工生成的内容，还是AI生成的内容，都符合法规要求、准确无误、包容性强，并且贴合品牌定位。

在AI部署方式上，他们既支持企业的私有云部署，也提供在AWS和GCP上的多租户和单租户部署选项。

行业拓展与产品发展相辅相成，拿下顶级客户

在客户开发上，Writer的策略很有意思——客户行业的拓展和产品功能的演进是互相促进的。一开始，它只是企业写作工具，主要服务营销团队。后来，业务慢慢拓展到了支持、销售、运营、人力资源和财务等内部部门，再后来，又延伸到了金融、医疗这些对准确率和安全性要求极高的行业。产品本身也水到渠成地变成了一个全栈的企业AI应用平台。

如今，Writer在全球有数百家大型企业客户。它的AI应用和AI智能体，能够在不同系统和团队之间，规划和执行相当复杂的企业工作流程。客户名单里不乏Mars、Qualcomm、Salesforce和Uber这样的财富500强公司，像Vanguard、Accenture、L’Oréal（欧莱雅）和Intuit这些行业领头羊，也都是他们的长期客户。

Writer自己表示，他们已经为客户节省了数百万小时的生产力，客户平均获得了9倍的投资回报率。按他们的规划，到2024年年底，300多家客户将贡献约5000万美元的年度经常性收入。

具体用例也很有意思：Uber用Writer生成对常见客服问题的回答；Qualcomm的法律团队用它管理数百个商标，并分析市场趋势；Dropbox则依赖Writer来生成SEO博客，并对现有内容进行校对。在2023年，他们的收入增长了10倍，净收入留存率超过了150%。

企业AI创业的两条主线：控成本、攻高价值领域

结合Writer以及Glean和Sierra的例子，我们能很清楚地看到，企业希望AI具备低成本、可控的属性，并且希望它能深入自己的业务和工作流，去解决那些复杂的问题。这个“低成本”不仅仅是运营成本，更是部署和扩展的成本。

但这三家公司其实都带点定制化的味道，不算传统的SaaS模式。大家之前普遍觉得，定制化会让企业服务类公司很难赚到钱。上一波AI浪潮里，很多发展得不错的公司，最后也卡在了这个难题上。

对于AI公司来说，模型训练是成本的大头。Writer的策略是先把模型本身的成本降下来，然后通过训练和微调一些行业模型，来实现半定制化——这样做能提升通用性，进一步压低成本。

对于中国市场的企业AI创业者来说，有个利好值得注意：企业AI的难度，很大程度上在于场景理解、产品化能力以及工程能力，比如搞定复杂问题的RAG技术、Agent搭建、AI基础设施部署等。而这些东西，恰恰是中国创业者和工程师们的强项。

另一个好消息是模型成本也在降。无论是用海外（比如Llama）还是国内（比如Qwen）的开源模型，或者对大的基座模型进行行业数据微调和增强推理能力的后训练，成本相对都在可控范围内。

至于进入市场，中国显然有巨大的市场和丰富的应用场景。而且，因为企业AI能解决的问题，比传统SaaS解决的要更难、也更有价值，所以这个潜在市场可能比我们想象的还要大。中国的创业者们完全可以借鉴Writer的客户策略：先找个容易切入的领域作为入口，把产品打磨好，然后再朝着利润更丰厚的“肥水田”发起进攻。