过去几十年,软件行业的好生意,建立在一个稳定前提上:写代码贵,复制代码便宜。
一家公司花几年做出一套产品,再卖给成千上万的客户。研发成本被规模摊薄,边际复制成本接近于零,客户越多,毛利率越高。SaaS公司的高估值,也建立在这本账上:功能做得越完整,客户越难离开,竞争者越难追上。
这本账过去最稳的一端,是复制成本;昂贵的一端,是「功能的首次实现」。高毛利来自前者,护城河来自后者。你先投入人和时间把功能堆出来,后来者要追上,也要付出接近的成本。
AI coding开始动摇的,就是这本账的昂贵一端。它不会让完整软件交付成本归零——测试、安全、合规、数据迁移、运维和责任主体仍然存在。但它大幅缩短了从「想法」到「可用版本」之间的时间和距离。
OpenAI联合创始人、前特斯拉AI负责人Andrej Karpathy的工作流变化,提供了一个前沿样本。他在No Priors的访谈里说,自己从80%手写代码、20%交给agent,在很短时间里翻转成20%自己写、80%交给agent。他的工作变成给多个agent下指令、拆任务、看结果、继续调度。代码还是有人写,只不过写的那个角色换了。AngelList创始人纳瓦尔从投资端看到了同样的信号:如果一家公司的优势只是会做别人不会做的软件功能,这个优势正在被coding agent削弱。这不是对所有软件公司的判决。程序员不会因此消失,SaaS也不会一夜崩塌。
真正在变化的是一件更安静的事:代码越来越便宜,只靠功能本身赚钱的软件公司,会更难维持过去的估值和利润率。
代码变便宜,先改变功能的价格
软件公司过去常用来证明自己价值的方式,是「我先把这些功能做出来了」。
在开发昂贵的时候,这句话有足够的分量。一个审批流、一个报表系统、一个库存工具,看起来不复杂,但客户自己做不划算,找外包要排期,内部工程团队也未必愿意接。于是通用软件公司就把这些需求提前产品化,再用订阅方式复制卖给大量客户。
AI coding改变的,是这个等式里「做不划算」的部分。功能仍然有价值,但它不再天然构成护城河。一个竞争对手可以更快拼出类似产品。一个客户内部团队可以用AI先做出原型,再决定是否购买。一个非工程师也可以让agent生成一个够用的轻工具——虽然目前这类工具主要还局限在原型和轻量场景,距离生产级软件还有距离。
被压价最快的,是标准化、低风险的轻量功能:表单、简单CRM、基础工作流、个人效率工具,以及大量小型企业内部工具。它们过去成立,是因为开发很贵。即使产品不完全适合客户,客户也很难为了一个具体流程专门组织开发。
现在,选择变多了。
一个小团队不一定要购买一套笨重系统,而是让AI根据自己的流程生成一个轻工具。运营人员不一定等工程团队排期,而是让agent写一个数据处理脚本。产品经理可以先做一个能跑的原型,再决定是否投入完整开发。
这些工具不一定安全,不一定能规模化,也不一定适合核心业务。它们更多是「够用就行」的软件:解决一个具体问题,生命周期可能很短,质量也未必达到企业级标准。但它们足以吃掉一部分过去属于通用软件的需求。
最先感到这种压力的,是功能型SaaS。这里指的是那些主要靠标准功能收费、但缺少独特数据、网络效应、合规门槛和高迁移成本的软件。它们过去的核心资产,是比Excel更专业,比大系统更轻便,比客户自研更便宜。
当客户自研变得便宜,这个中间位置就会变得越来越挤。
当然,这个挤压在不同场景的速度完全不同。越是低风险、标准化的轻量功能,替代来得越快;越是涉及合规、安全审计和生产环境责任的场景,功能型SaaS的位置还能维持更久。但方向已经出现。
谁被压价,谁还能保住定价权
代码变便宜这件事,不会平均地压在所有人头上。有些环节先受冲击,有些反而会因此更值钱。这个压力会沿着几条线传导。先到岗位,再到公司,最后改变整个行业的资产结构。
先说岗位。
最先被压价的,是执行性工作。AI最擅长处理的任务,恰好是可拆解、可描述、可验证的那类:写CRUD、补测试、改样式、接接口、修小bug。初级工程师和低附加值外包过去大量承接这类工作。当agent可以完成其中一部分,这些岗位的议价权会下降。
但高级工程师未必跟着一起贬值。
代码生成越多,判断代码是否正确、是否解决了真正的问题、是否会在生产环境出事,反而更重要。打一个比方:AI像一台高速印刷机,能极快地印出文本,但决定印什么、校对内容、为出版物负责的编辑,不会因为印刷变快就不需要了。能定义问题、拆解任务、评审结果、理解业务约束、对上线负责的人,价值会上升,而不是下降。
再说公司。
功能型SaaS首当其冲,上一章已经展开过。这里补充一个更具体的画像:最尴尬的可能是一批中型水平SaaS公司。它们不像底层平台那样掌握入口,也不像垂直行业软件那样有深业务壁垒。它们的护城河过去就是功能领先和客户惯性。当功能领先的有效期缩短,客户惯性也会随之松动。
相比之下,能做复杂业务改造、系统集成、合规交付和长期运维的公司仍然有价值。这些工作的核心不是写代码,而是理解客户的业务问题、监管环境和组织流程。AI可以成为这些公司的杠杆,但很难直接替代它们。
最后说底层资产,这是最根本的一层。
当功能可以被快速生成,定价权就会从功能本身迁移到更难复制的东西上。哪些东西难复制?
数据。医疗影像、金融交易记录、企业流程数据、工业设备运行日志、法律文书、用户行为——这些来自长期业务积累,不是几轮prompt能造出来的。拥有独特数据的公司,在AI时代反而会被重新估值。
网络效应。一个团队协作工具可以被快速生成,但它不能自动复制一个组织几年沉淀下来的沟通记录和工作习惯。一个社交应用可以被快速生成,但用户的关系链搬不走。用户越多产品越好用的生意,护城河不在代码里。
监管和合规。医疗信息系统、核心银行系统、政务系统——能生成一个功能类似的界面,和代码被允许上线、通过安全审计、承担法律责任,是完全不同的事情。
模型能力。当越来越多软件建立在大模型之上,模型提供商会占据类似操作系统的位置——上层应用都要调用底层能力,提供商可以收取能力费用,也可能逐渐掌握新的工作入口。
粗略地看,软件行业会重新分层:越靠近标准功能,越容易被压价;越靠近数据、网络、模型和真实业务流程,越能保住定价权。
但这里还有一个容易被忽视的变量。
代码变便宜会释放大量过去不值得开发的需求。一个临时数据看板、一个只服务某个流程的自动化脚本、一个小团队内部工具——这些过去因为开发成本太高而没被满足的需求,现在有了释放通道。按照历史规律,工具变便宜,使用变广泛,市场总量应该扩大。
而这些新增的使用量,未必会以传统app的形式出现。
Karpathy描述过一个例子:他用一个agent控制家里的灯光、空调、窗帘、泳池,过去需要六个不同的app。现在这些app变得多余了——设备只需要暴露API,由agent统一理解意图并完成调用。对用户来说,他不需要六个app,只需要一个能调动六个能力的入口。Agent可以直接调用API、操作界面、组合服务、生成临时工具。用户完成了任务,却未必打开任何一个传统意义上的软件,也未必为此支付订阅费。软件使用量上升,不一定等于传统软件公司的收入上升。一部分收入会流向模型公司,一部分流向掌握入口的平台,一部分流向拥有真实数据的公司。还有一部分需求,会被内部工具和agent工作流吸收,不再以传统SaaS订阅的形式出现。软件行业不是变小,是分化变得更剧烈。
标准功能和代码实现会先失去稀缺性。行业价值会向更难复制的东西迁移——数据、网络、分发、合规、业务理解,以及对结果负责的能力。