深度剖析AI编程:AI将以不同的方式改变8个软件市场
Dave Griffith原文链接：https://davegriffith.substack.com/p/eight-software-markets-ai-that-will克里斯·洛伊最近发表了一篇题为 《工业软件的崛起》 的深思熟虑的文章 ，文中提出了关于AI编程工具将对软件生产的质量和数量产生何种影响的关键问题。他借鉴了杰文斯悖论——一个阐述市场如何改变生产成本的经济学理论——并指出其与农业、纺织业乃至印刷业市场变化的历史相似之处。他将这类软件称为“工业软件”，并预测软件产量将会增加，但质量会下降。洛伊将软件视为一种经历统一变革的单一商品，但事实并非如此。软件至少在八个不同的市场中生产，每个市场都有不同的限制条件，不同的需求弹性，以及与AI编程实际改变的因素之间不同的关系。预测“软件”的未来走向，就像预测“交通运输”的未来走向一样——集装箱运输的未来走向与自行车通勤的未来走向截然不同。（另外，任何把“工业化”当作贬义词的人都应该去赶着骡子耕地几天。工业化养活了数十亿人，使他们摆脱了繁重的体力劳动。对前工业时代手工艺生产的浪漫化，只有在那些从未大规模从事过此类生产的人才会有这种令人怀疑的普遍看法。）对于每个软件市场，我们需要问： 目前制约生产的是什么，以及AI编程如何改变这种制约？如果制约因素是执行技能，人工智能能提供很大帮助。如果制约因素是领域知识，人工智能的帮助就有限了。如果制约因素是组织政治或监管审批，人工智能可能完全无济于事，甚至可能使情况变得更糟。杰文斯悖论——即资源利用效率的提高会导致总消费量的增加——只适用于需求弹性较大的情况，用经济学术语来说就是“人们总是想要更多”。当汽车燃油效率提高后，行驶里程和总燃油消耗量都增加了，因为人们之前由于成本原因而减少了出行。但如果需求缺乏弹性，这种情况就不会发生。无论清洁饮用水的价格多么便宜，你每天能喝的水量也是有限的。当需求受到生产成本以外的因素制约时，降低生产成本并不会增加产量，它只会改变剩余产品的分配对象。每个运维团队都有一个本该开发成应用程序的电子表格。每个部门都有一个“以后再说”的项目，却因为开发人员的时间都分配给了能带来收益的工作而从未被优先考虑。那些有用但并非迫在眉睫的内部工具积压数量庞大，而且大多不为人所关注——它们存在于从未安排的功能请求中，存在于人人抱怨的变通方案中，存在于从未真正整合的信息源中。- 当前制约因素：开发人员的时间成本很高，而且通常会优先用于产品开发。
- 杰文斯理论的实用性：非常适用，潜在需求巨大且真实存在。
- 质量期望：分叉—— 快速见效的项目注重氛围营造，而关键路径则保持谨慎。
这就是“一次性软件”真正发挥作用的地方。如果运维仪表盘崩溃了，你可以重新生成它，顺便让机器人添加一些额外的健康检查和自动诊断功能。数据导出脚本不需要维护十年，只需要能用到第二季度的市场营销活动结束即可。这套内部工具只有三个人用，重建速度比编写文档的速度还要快。这里有趣的动态在于政治层面，而非技术层面。IT 部门历来将软件开发作为权力基础，当任何人都能开发出可用的工具时，这种控制力就会削弱。可以预见，权力之争将以安全或性能问题为幌子爆发。这里聚集了相当一部分专业开发人员，也是“工业软件”框架最适用的地方。如果说哪个市场最有可能出现杰文斯式的爆发式增长，那无疑是竞争压力最大的市场吧？- 当前制约因素：竞争、人才获取、产品上市时间——但市场规模相对固定。
- AI的影响：迭代速度更快，但竞争对手也拥有相同的工具，会演变为红皇后竞赛的动态。
- 杰文斯理论的适用性：较弱，CRM软件市场增长并非仅仅因为CRM系统的开发成本降低。
- 质量期望：人们更注重功能速度而非正确性，“先发布，我们再修复”的观念愈演愈烈。作为平衡，AI驱动的设计自动化以及用户对“苹果式”易用性的追求，可能会改善用户体验。
企业级 SaaS 市场并非受制于软件开发成本，而是受制于客户获取成本、转换成本以及企业适应变化的速度。正因如此，该领域的主要销售模式是“先占领市场，再逐步扩张”。降低生产成本并不会扩大市场，只会加剧现有企业之间的军备竞赛。AI编程真正改变的是竞争格局。现有企业迭代速度更快，但挑战者也能做到。“我们拥有更多工程师”的护城河不再那么牢固。这究竟会导致整合（大公司吸收生产力提升）还是碎片化（小众企业崛起），目前尚不明朗。更令人困惑的是，开发AI模型和工具的公司本身也是各种类型的 SaaS 企业，因此同样的竞争格局也在 SaaS 领域上演。在摄影术出现之前，几乎没人创作图像。创作图像的唯一途径是绘画，而绘画需要大量的训练、精湛的技艺，通常还需要精英阶层的赞助。摄影术出现后，人人都在不断地创作图像。快照、家庭相册、自拍——这些都不是“专业”的图像创作，也都没有取代专业作品（精英阶层的墙上仍然挂着绘画，而不是照片）。这是一个以前不存在的全新类别。我们完全可以预期，AI编程将会带来类似的民主化进程。- 当前制约因素：技能门槛高。你需要懂编程，并且能够访问构建和部署产品所需的所有基础设施。
- AI的影响：壁垒被打破。非程序员也能够自己开发软件了。
- 杰文斯理论的适用性：绝对适合。这个市场现在几乎不存在，但即将爆发式增长。
- 质量期望：无关紧要。如果我的个人脚本出错，我会重新生成它。
这是通俗软件（vernacular software）——由非程序员编写供个人使用的软件，不指望维护、共享或持久性。它相当于计算机版的购物清单或日记。我需要自己编写一个网络爬虫程序来及时更新我感兴趣领域在 arXiv、NBER 和其他一些数据库中发表的科学论文吗？可能不需要。但编写一个这样的程序只花了二十分钟，所以我为什么不做呢？我记得是用 TypeScript 写的，但也可能记错了。我写这段文字的时候，我的妻子（可爱的布伦达）正坐在我旁边，让Claude用 Python 编写一个脚本，为她的一本书的再版创建索引和目录。我们当时正坐在阿鲁巴附近的一艘船上，一边喝着桑格利亚酒。布伦达有很多很棒的技能和兴趣，从窑烧玻璃到骑马再到养蜂，但她绝对不擅长软件开发。我们目前还没有合适的词汇来描述这种现象。“氛围编程（Vibe coding）”这个词听起来很轻蔑，坦白说也很糟糕。“提示词驱动式开发”则显得过于生硬，而且可能很快就无法准确描述软件开发的机制了。但无论我们如何称呼它，它终将到来，并且代表着软件创造参与者群体的真正扩展。小型软件开发将成为人们的日常工作。可以预见，未来将会出现类似海盗电台、80年代独立杂志的兴起，或是嘻哈音乐在脱衣舞俱乐部萌芽时期那样的过渡景象，充满了创造新可能性的喜悦。我有时自诩为“野性学者”，逃离了常春藤环绕的校园，追求“金钱”、“宜居之地”和“尚可的精神状态”。因此，我见过的学术软件也足够多，足以了解其基本水平：几乎无一例外都糟糕透顶。这些软件出自一群可怜兮兮的研究生之手 ，他们本是生物学或物理学专家，却在上学期不得不勉强学了点 Python，仿佛他们遇到的难题还不够多似的。这些程序的优化目标是“完成论文”，而不是“让其他人也能运行它”。文档不过是那些在截止日期前勉强存活下来的评论而已。这些软件是由那些急需软件却又完全不懂高质量软件是什么，也不知道如何制作高质量软件的人编写的。- 当前制约因素：劳动力严重短缺。研究人员没有接受过开发人员的培训，也没有相应的激励机制；软件只是实现目标的手段。
- AI的影响：科学家可以专注于科学研究，让AI处理质量控制。
- 杰文斯理论的适用性：适用，存在大量未开发的分析工具、模拟和可视化工具。
- 质量期望：有所改善，因为地板水平的质量差得令人尴尬，而且往往低得令人失望。
这或许是AI编程优势最显著的市场领域。代码标准化程度越高，可复现性就越好；如果机器人能够承担起使源代码易于访问和重用的工作，那将是巨大的福音。研究人员可以探索更多不同的分析方法。而那些苦恼的研究生也能专注于科研本身，而不是调试 gplot 的参数。一个有趣的问题是，这究竟是有助于还是会加剧可复现性危机。代码可复现性越高越好。但自动化分析越多，研究人员的自由度就越大，p 值操纵的可能性就越大，“我反复运行直到成功”的情况也就越普遍。工具本身是中立的，但令人遗憾的是，激励机制仍然不尽如人意。希望AI能够识别并批判方法论问题，从而在一定程度上平衡这种现象。游戏行业早已习惯了程序生成。Roguelike 游戏、程序生成的关卡、AI 驱动的 NPC——几十年来，游戏行业一直在探索“让电脑创造内容”的理念。AI 编程只不过是将这种理念扩展到了代码本身而已。- 当前制约因素：内容制作成本（美术、剧本、音效、关卡设计）与代码成本相当。
- AI的影响：适用于整个流程，而不仅仅是代码。独立游戏开发可能迎来爆发式增长。
- 杰文斯理论的适用性：非常适用。人类对新游戏的渴望似乎永无止境。
- 质量期望：长尾游戏数量大幅增加。游戏数量更多，大部分平庸，但也会有一些出色的例外。
Steam平台上每天发布四到八款游戏，这个数字不太可能下降。这种模式很可能与 YouTube 和音乐制作的发展轨迹如出一辙：内容数量激增，少数作品脱颖而出，大量小众作品吸引小众受众，而无用的内容则如潮水般涌来，令人眼花缭乱。除非你能直接建立起自己的受众群体，否则平台所有者（如 Steam、应用商店）的经济利益远高于个体创作者。游戏与其他事物不同之处在于，质量以一种特殊的方式至关重要——游戏必须有趣 ，而这很难通过简单的提示词来明确。AI可以生成游戏机制的代码，但“这真的好玩吗？”这个问题需要人类的判断和反复迭代。创意瓶颈从实现转移到了设计。- 当前制约因素：预算、采购、风险规避、承包商锁定、政治失灵。
- AI的影响：短期内微乎其微。采购结构和风险评估方式不变。
- 杰文斯理论的适用性：较弱。需求缺乏弹性，且受政治因素影响。
政府软件运行缓慢、价格昂贵，并非因为编码难度大，而是因为采购规则优先考虑审计追踪而非最终结果；因为承包商的激励机制是按工时计费而非交付功能；因为规避风险的心理导致没有人愿意为失败的新方案承担责任。AI编程并不会改变这一切，只会极大地增强人们的风险规避意识。另一方面，各种研究表明，政府软件项目的失败率在 50%-80% 之间，因此，AI编程实践实际上并不会使情况变得更糟。可能会有所改变的是，政府内部一些小型、积极进取的团队能够利用AI，以比官方流程更快的速度完成项目。这些团队被称为“秘密研发项目”，他们开发原型来验证概念，并且一些新晋的“政府首席技术官”会在项目中发挥关键作用。但这些项目只是边缘现象；问题的核心在于体制，而非技术。预测：政府在AI编程转型方面落后5-10年，导致与私营部门的能力差距日益扩大。这对社会不利，但如果你喜欢那种稳定的室内工作，倒也不错。医疗器械、航空电子设备、工业控制系统、汽车软件，这些领域有一个共同点：代码可能危及生命，监管机构对此心知肚明。认证流程的存在正是为了确保人们理解软件的功能，并能够捍卫其正确性。- AI的影响：可能产生负面影响。监管机构不知道如何认证AI生成的代码。
- 杰文斯理论的适用性：不适用。需求主要与实体产品相关，而非嵌入式代码的经济效益。
- 质量预期：随着加快交付速度的压力满足不可降低的安全要求，以及越来越少的人掌握无需AI辅助即可编写代码的技能， 质量预期可能会暂时下降。
在安全关键领域，“解释其工作原理”本身就是一项硬性要求。人工智能生成的代码使得满足这一要求更加困难。LLM 输出的黑箱特性与认证所要求的透明度背道而驰。在这个领域，“维护没人懂的软件”是最危险的。用Vibe编程的内部仪表盘可以优雅地崩溃，但用 Vibe编程的心脏起搏器却不行。我的预测是：安全关键型软件将是最后几个广泛采用AI编程的领域之一，并且需要目前尚不存在的全新认证框架。唯一的希望在于，先进的形式化方法或许有朝一日能够实现 LLM 自动化，从而使智能体工具能够生成在数学上可证明正确的代码。最后，在这个领域，速度最重要，而长远考虑最不重要。- 当前制约因素：时间、创始人技术能力、资金、迭代速度。
- AI的影响：非技术出身的创始人也能进行原型设计。技术出身的创始人行动更快。团队规模可以更小（甚至可以小到只有一名开发人员），也更灵活。
- 杰文斯理论的适用性：适用。降低门槛意味着更多的击球机会。
- 质量预期：最低要求，但这没关系——MVP 本来就应该勉强能用，这就是“M”的含义。
这可能是智能体编程发展最快的领域。早在Claude Code成立初期，也就是大概七月份的时候，参加 Y Combinator 创业训练营的初创公司中，就有 25%的公司使用智能体工具编写了超过 95%的代码。有趣的问题是，这会对技术联合创始人的价值产生什么影响。历史上，非技术出身的创始人需要技术伙伴才能开发任何东西。如果AI编程能够让非技术出身的创始人独立进行原型设计，那么技术联合创始人的重要性是否会降低？或者，评估AI输出的能力——即识别生成代码中细微错误的能力——是否会成为新的稀缺技能？我怀疑是后者。能够审阅AI生成的代码并指出“这在大规模应用时会崩溃”或“这存在安全漏洞”的人比以往任何时候都更有价值。判断层不会被自动化取代。预计会有相当一部分资深工程师转行去做“兼职首席技术官”（我自己也考虑过）。让我们精确一点。杰文斯悖论要求需求具有弹性——当某种商品价格下降时，人们会想要更多。纵观我们的八个市场：- 企业级SaaS（市场规模受需求限制，而非供应限制）
“工业软件”的论述隐含地假定第一类软件占据主导地位，然而，事实并非如此。大量具有重要经济意义的软件属于第二类，这类软件中，AI编程改变了产品的制造方式， 但并未改变产品的数量或质量。如果你是一名嵌入式系统工程师，你的世界变化速度并没有推特上显示的那么快。如果你正在构建企业级 SaaS 产品，你正身处一场军备竞赛，而每个人都拥有相同的武器。如果你是一名研究人员，这可能是几十年来你的工作流程中发生的最好的事情。战略问题不在于“AI如何改变软件？”，而在于“我身处哪个市场，以及它的具体动态是什么？”生产成本的变化将导致软件盈利模式的巨大转变，可能的答案很可能包括“专业软件工程师的数量显著减少”。这是一个很好的问题，但并不完整。更完整的版本是：“在哪些市场中，维护保养很重要？在哪些市场中，我们可以负担得起甚至欢迎一次性使用？”对于普通软件而言，可抛弃性是一种特性。但对于安全关键型系统而言，这却令人担忧。由于问题本身并不统一，因此解决方案也并非千篇一律。
10个月宝宝每天需要喝多少奶粉？
