AI重塑软件业：人人皆可成为构建者的新时代

一条推文引发的思考

近日，一位科技从业者在Twitter上抛出了一组看似矛盾却又彼此关联的预测。这些观点乍看之下相互冲突——比如"SaaS已死"与"SaaS公司仍在赚取巨额利润"——但作者却表示自己"同时相信这一切"。这种"既A又非A"的判断，恰恰折射出当下AI浪潮下软件行业正在经历的深刻转型：旧秩序尚未瓦解，新范式已然萌芽。

本文将逐一拆解这些预测背后的逻辑，尝试勾勒出一幅AI时代软件开发与消费的新图景。

构建者的民主化：AI让人人都能造软件

作者的第一个判断是"更多人成为构建者（能够真正做出东西）"，并且"更多的个人软件将会出现"。这是AI编程工具带来的最直接变革。

从写代码到描述需求

过去，将一个想法变成可运行的软件需要跨越巨大的技术门槛：编程语言、框架、部署、调试……而如今，随着AI编程助手的成熟，普通人只需用自然语言描述需求，就能生成可用的应用程序。这意味着"构建能力"不再是程序员的专属，而是逐渐向设计师、产品经理甚至完全没有技术背景的人开放。

当前AI编程助手的代表包括GitHub Copilot、Cursor、Replit Agent以及Claude等大语言模型驱动的代码生成工具。这些工具基于Transformer架构的大语言模型（LLM），通过在海量开源代码和技术文档上预训练，获得了理解自然语言需求并将其转化为可执行代码的能力。Transformer架构由Google在2017年的论文《Attention Is All You Need》中提出，其核心创新——自注意力机制（self-attention）——使模型能够捕捉代码中远距离的依赖关系，这对理解函数调用链、变量作用域等编程概念至关重要。正是这一架构突破，使得从GPT系列到Claude系列的模型在代码生成任务上表现卓越。

从技术演进看，AI编程经历了从代码补全（autocomplete）到对话式编程（chat-based coding）再到完全自主的智能体编程（agentic coding）三个阶段。第一阶段以2021年GitHub Copilot的发布为标志，本质上是"高级自动补全"——根据上下文预测下一行代码；第二阶段以ChatGPT和Claude的对话界面为代表，开发者可以用自然语言描述需求、讨论方案、逐步迭代；第三阶段则是当前最前沿的方向，AI不再等待人类指令，而是自主规划执行路径。最新一代工具如Devin、OpenHands等已经能够自主规划任务、搜索文档、编写测试并迭代修复bug，将"从需求到可运行软件"的完整链路压缩到分钟级别。

个人软件的复兴

当创造软件的成本无限趋近于零时，一个自然的结果就是"个人软件"的爆发。人们不再依赖通用型产品去凑合解决自己的独特需求，而是可以为自己量身定制工具——一个只服务于自己的待办清单、一个符合个人工作流的笔记系统、一个自动化处理特定任务的脚本。软件正从"大众商品"回归"个人手工艺"。

个人软件的理念可以追溯到Alan Kay在施乐PARC时代提出的"个人计算"愿景——每个人都应该能够创造自己的计算工具。Kay在1970年代构想的Dynabook概念，设想了一个人人都能编程的世界，计算机不仅是消费内容的设备，更是创造的媒介。但在过去几十年中，由于技术门槛过高，软件行业走向了大规模标准化产品的路径——少数公司为数亿用户提供统一的解决方案，用户只能在预设选项中做选择。

如今这一理念正在复兴：Notion创始人Ivan Zhao曾提出"software as a Lego set"的概念，而AI编程工具则更进一步，让用户甚至不需要理解"积木块"的拼装逻辑，只需描述最终形态。这种从mass production回归artisanal craft的趋势，在技术圈被称为"bespoke software"或"disposable software"运动——软件可以是一次性的、为特定场景定制的、用完即弃的，因为重新生成一个的成本几乎为零。Simon Willison等开发者倡导者已经在实践这种理念，他们将AI生成的小工具称为"throwaway scripts"——不需要维护、不需要文档，解决当下问题后即可丢弃，需要时再重新生成一个更好的版本。

软件工程的形态之变：岗位重构而非消失

有意思的是，作者并未预言"程序员消失"，反而认为"软件工程会变得截然不同，但会成为一个极其热门的职业"。这是一个颇具洞察力的判断。

AI时代工程师的新角色

技术变革的历史反复证明：自动化通常不会消灭岗位，而是重塑岗位的内涵。当AI能够处理大量样板代码、常规调试和重复性工作后，人类工程师的价值将上移——转向系统设计、架构决策、需求理解、以及对AI产出结果的审核与编排。

这种"价值上移"的模式在软件行业并非首次出现。1960年代从汇编语言到高级语言（COBOL、Fortran）的跃迁，1990年代从手动内存管理到垃圾回收语言（Java）的转变，2010年代从自建基础设施到云服务的迁移——每一次抽象层的提升都让工程师从底层细节中解放出来，转而关注更高层次的问题。AI编程工具代表了最新一次抽象层跃迁：工程师从"如何实现"转向"实现什么"和"为什么实现"。

更进一步，作者提出"软件维护将只是让智能体在循环中运行"（agents in a loop）。这里的"智能体在循环中运行"指的是一种新型软件运维范式。传统的DevOps依赖人类工程师通过监控面板发现问题、诊断根因、编写修复代码并部署。而在agent-in-the-loop模式中，AI智能体持续监控系统状态，当检测到异常（性能下降、错误率上升、用户反馈）时，自动执行诊断、生成修复补丁、运行测试套件并完成部署。

这与当前流行的SRE（Site Reliability Engineering）实践形成对比。SRE由Google在2003年前后发展出来，其核心理念是用软件工程方法解决运维问题——通过SLI/SLO（服务水平指标/目标）量化系统健康度，用error budget管理发布风险，用自动化toil reduction减少人工重复操作。但SRE的核心仍是人类制定规则和响应告警，而agent loop则将决策权更多下放给AI。这一模式的先驱实践可以在GitHub的Copilot Autofix（自动修复安全漏洞）和Amazon的自动化修复管道中看到雏形，Google的内部工具也已经能够自动生成代码变更来响应某些类型的系统告警。

这意味着未来大量的运维、修复、迭代工作可能交由自主智能体持续执行，而人类构建者则扮演"监督者"和"指挥者"的角色。当创造软件的门槛降低、需求爆发，能够驾驭这套新工具链的人反而会变得炙手可热——这正是"软件工程成为热门职业"的底层逻辑。

"SaaS已死"与"SaaS仍在赚钱"的悖论解析

这组预测中最引人争议的，无疑是"SaaS已死"和"SaaS及其他公司仍将赚取惊人利润，并持续数年"的并置。

长期趋势与短期现实的叠加

这看似矛盾，实则是把"长期终局"与"短期现实"叠加在一起。从长期看，当个人和小团队都能用AI快速构建定制化软件时，那些以订阅费形式售卖标准化功能的SaaS产品，其护城河将被逐步侵蚀——用户为什么要为一个通用工具付月费，当他们可以让AI生成一个更贴合自己的版本？

SaaS（Software as a Service）模式自2000年代初Salesforce开创以来，已成为企业软件的主导商业模式。1999年，Marc Benioff创立Salesforce时打出"No Software"的口号，挑战传统的本地部署（on-premise）模式，开启了软件交付方式的革命。其核心逻辑是：开发商承担开发和运维成本，用户按月/年订阅付费，换取持续更新和维护。这一模式之所以在过去二十年大获成功，是因为它建立在几个关键假设之上——软件开发成本高昂（构建一个合格的CRM需要数百万美元和数年时间）、用户缺乏自建能力（企业没有足够的工程师团队）、数据迁移成本创造锁定效应（切换供应商意味着丢失历史数据和学习成本）。

当AI将开发成本压缩到接近零时，第一个假设崩塌；当普通用户也能构建定制工具时，第二个假设动摇。剩下的数据锁定和生态集成，虽然短期内仍然有效，但也面临着开放标准和AI数据迁移工具的挑战。值得注意的是，SaaS模式的另一个隐含假设是"持续维护需要持续付费"——但如果AI智能体能以近乎零成本维护个人定制软件，这一逻辑也将被削弱。

但从短期到中期看，现有的SaaS巨头拥有庞大的用户基础、数据积累、集成生态和品牌信任，这些资产不会在一夜之间蒸发。Gartner估计全球SaaS市场2024年规模约2320亿美元，这些营收不会一夜蒸发，但增长曲线可能开始弯折。更重要的是，企业采购决策具有极强的惯性——合规审核、供应商管理、员工培训等因素使得大型组织的工具切换周期通常以年计。它们仍将在相当长的时间内维持高额营收。换句话说，"死亡"是趋势性的，而"赚钱"是惯性的。两者并存，恰恰描述了一个正在缓慢换挡的转型期。

面向智能体的互联网：底层交互逻辑重构

作者还预言"互联网将只属于智能体和独特设计的个人项目"。这是对互联网底层交互逻辑的大胆重构。

内容消费者的更替

今天的互联网主要为人类访问而设计——网页布局、SEO、广告投放，都围绕人的注意力构建。但如果未来大量的信息检索、比价、预订、汇总工作交由AI智能体代劳，那么互联网的"读者"将从人类变为机器。这将催生一个专为智能体优化的Web层：结构化数据、API优先、机器可读的协议。

当前互联网的技术栈——HTML/CSS渲染、JavaScript交互、Cookie追踪——本质上是为人类浏览器体验设计的。搜索引擎优化（SEO）是这一范式的典型产物：网站为了获取Google排名而优化内容结构，本质上是在竞争人类注意力的分发。面向智能体的新Web层则需要完全不同的技术基础设施：结构化数据格式（如JSON-LD、Schema.org标记，使信息具有明确的语义而非依赖视觉排版）、标准化API接口（RESTful或GraphQL，允许智能体直接查询数据而非"阅读"网页）、机器可读的权限和认证协议（如OAuth for agents，让智能体能够代表用户安全地访问服务）、以及定价和交易的自动化协商机制（智能体之间自动比价、议价、完成支付）。

Anthropic推出的Model Context Protocol（MCP）和OpenAI的function calling机制，可以被视为这一演进的早期信号。MCP定义了一套标准化的方式，让AI模型能够发现和调用外部工具与数据源，类似于给智能体提供了一个"通用插座"标准。Cloudflare等基础设施公司也已开始提供"AI bot管理"工具，帮助网站区分和服务AI访问者——这暗示着一个未来：网站可能需要同时维护两套界面，一套给人看，一套给机器读。

同时，供人类直接体验的部分则会走向另一个极端——高度个性化、富有创意、带有强烈个人印记的"独特设计项目"。当信息检索的功利性需求被智能体消化后，人们主动访问网站的动机将转向审美体验、情感连接和创意欣赏。互联网可能分裂为两层：一层是高效、无形、由智能体驱动的功能层；另一层是充满个性与审美的人文层。这种"双轨互联网"的架构，可能是未来十年Web演进的核心主题。

AI生成内容成为常态后的新规则

"没有人知道也没有人在意什么是AI生成的"——这个判断触及了当下热议的"AI内容标注"话题。作者的观点相当务实：随着AI生成内容成为默认状态，人们对"这是不是AI做的"这个问题会逐渐失去兴趣，正如今天没人会追问一份文档是用哪款文字处理器写的。

关于AI生成内容是否需要标注，全球正在形成不同的监管路径。欧盟AI法案（EU AI Act）于2024年正式生效，要求AI生成的内容（包括深度伪造）必须被明确标识，违者面临高额罚款；美国各州立法参差不齐，加州和纽约在推进相关法案，但联邦层面尚无统一立法；中国的《生成式人工智能服务管理暂行办法》也有标识要求，且对服务提供者施加了较严格的内容审查义务。

但在实践中，检测AI生成内容的技术（如水印、统计检测）面临持续的猫鼠博弈。OpenAI曾推出AI文本检测工具但因准确率过低而下线；数字水印技术（如Google DeepMind的SynthID）虽然在图像和音频领域取得进展，但在文本领域仍面临被轻易去除的挑战。随着模型输出质量提升和人类编辑介入，AI与人类创作的边界越来越模糊。作者的"没人在意"预测反映了一种技术现实主义：当AI辅助成为默认创作流程的一部分（如同拼写检查和语法纠正已经是的那样），强制区分AI与人类贡献可能既不可行也不有意义。

个人品牌的重新崛起

有趣的是，作者同时认为"个人品牌会变得更加重要"。当内容生产变得极其廉价、AI产出的东西趋于同质化时，稀缺的反而是可信度、独特视角和个人信誉。人们将不再关注"内容是怎么做出来的"，而是关注"这是谁做的"。信任和品牌，成为信息过载时代的新货币。

这一逻辑与注意力经济学的核心命题一脉相承。Herbert Simon早在1971年就指出："信息的丰富意味着注意力的匮乏"——当信息供给远超消费能力时，稀缺的不再是内容本身，而是筛选内容的过滤器。Michael Goldhaber在1990年代进一步将注意力理论化为一种经济资源，认为在信息过剩的世界里，获取和维持注意力是核心竞争。个人品牌本质上就是一种信任过滤器——它告诉受众"这个人过去的输出一直有价值，所以未来的输出也值得关注"。这种机制在学术界（引用网络和h-index）、新闻业（记者署名和声誉）、以及社交媒体（粉丝关系）中早已存在，但在AI使内容生产成本归零的世界里，这种信号机制的价值将被急剧放大——因为生产端不再有任何门槛来自然过滤低质量内容，唯一可靠的质量信号就是创作者的历史声誉。

生产力释放后的连锁反应：创造力大爆发

最后两个预测形成了一个正向循环："当智能体帮我们做事、我们有了更多时间，我们就会用智能体去做更多的事"，以及"更多有创造力的人会涌现"。

这其实是对"AI替代人类"焦虑的一种反驳。历史上每一次生产力工具的飞跃——从蒸汽机到计算机——最终释放的时间并没有让人类闲下来，而是被用于创造更多、更复杂、更有价值的东西。经济学家将这种现象称为"杰文斯悖论"（Jevons Paradox）的创造力版本。杰文斯悖论最初由英国经济学家William Stanley Jevons在1865年提出，他观察到蒸汽机效率的提升并未减少煤炭总消耗，反而因为使用成本下降而大幅增加了需求。将这一逻辑应用到创造力领域：当某种资源（此处为构建能力）的使用效率大幅提升时，其总消耗量反而增加而非减少，因为降低的门槛激活了此前被压抑的需求。

历史案例充分印证了这一规律：1980年代桌面出版（Desktop Publishing）的普及并未减少设计师需求，反而催生了整个数字设计产业——当Aldus PageMaker和后来的Adobe InDesign让排版不再需要专业印刷工人时，需要设计的出版物数量爆炸式增长；数码摄影将拍照边际成本降至零后，全球每天产生的照片从胶片时代的数百万张激增到智能手机时代的数十亿张，同时专业摄影师的需求并未消失，反而催生了商业摄影、内容创作等新职业类别；YouTube降低了视频发布门槛后，专业内容创作者的数量和收入都大幅增长，2023年YouTube创作者基金向创作者支付超过700亿美元。

当构建的门槛被AI大幅降低，那些原本因技术壁垒而被埋没的创意者，终于有机会将脑中的想法变为现实。同样，当AI让软件构建成为一种"识字"级别的通用能力时，可以预期创意产出的规模将呈指数级增长。正如识字率的普及催生了文学的黄金时代，编程民主化可能催生一个软件创意的黄金时代。创造力的供给，可能迎来一次前所未有的爆发。

结语：一个自洽的矛盾体

把这十几条预测串联起来，我们会发现它们并非彼此打架，而是共同描绘了一个处于剧烈变迁中的行业：旧的商业模式在惯性中延续，新的构建范式在边缘生长；程序员的工作被重塑而非消灭；互联网被智能体和个性化项目重新瓜分；内容的来源不再重要，而人的信誉愈发珍贵。

这些判断能否全部应验尚未可知，但它们提供了一个极具启发性的思考框架——在AI重塑软件行业的过程中，最大的确定性或许就是：构建将变得空前容易，而这将改变几乎所有人。