整理:阿颖
Claude Code 创始人 Boris Cherny 在红杉大会上的分享,信息量非常大,很多观点我第一次完整听到。这哥们确实对 AI 的理解比较到位。
我分享下自己的总结。
01 代码不再稀缺
对于大量主流开发场景,人手写代码这件事,已经开始变成一件低效率的事情。
以前一个功能要交付,工程师坐下来,先想清楚怎么实现,然后一行一行把代码敲出来。在这个过程里,工程师最大的价值就是:会不会写,写得好不好,写得快不快。
现在的工作方式不一样了。
同样一个功能,工程师做的事情更像是:先把需求讲清楚,把这件事拆成几块交给 Agent,定一个验收标准,然后看一下 Agent 跑出来的结果对不对,不对就调整提示,让它再跑一遍。
AI 已经可以搞定大部分的 Coding 任务。当然,也并不是 100%,还有很多巨大又复杂的代码库、冷门语言或特殊环境,今天的模型表现仍然不够。
整体来看,工程师的价值,从会不会写代码,变成了会不会拆任务,会不会把目标讲清楚,会不会验收结果,会不会管理 Agent。
这种变化其实非常像工业革命。
工业革命之前,一个铁匠从打铁、锻造、抛光到组装,全套活都是自己一个人做。手艺好的铁匠,自然就值钱。
后来流水线出现了。每个工人只负责一道工序,整体的产出却比手工时代高出几十倍上百倍。
这时候工厂里值钱的角色,不再是会做某一道工序做得最好的工匠,而是能把流水线设计好、管理好、让它跑顺的人。
工人没有消失,但工人的角色变了。
软件工程现在正在经历类似的转折。代码本身不再是稀缺品。会写代码这件事,正在变成像会用 PPT 一样的基础技能。
真正稀缺的,是能不能把模糊的需求拆成清晰的任务,能不能在 Agent 给出的几种方案里挑出最对的那个,能不能让一群 AI 协同起来完成一件事。
这件事其实很多老工程师一开始是接受不了的。亲手把代码写出来这件事本身,是过去几十年很多人热爱这一行的理由。
把这个交给机器,对很多人来说,不只是工作方式变了,而是身份认同的一次重塑。
但趋势就是趋势。
02 像古登堡印刷机
Coding 正在从一种专业技能,变成一种基础能力。这件事可以类比 15 世纪欧洲的印刷术。
印刷术发明前,整个欧洲只有大约 10% 的人识字。这些人往往受雇于不识字的贵族,专职帮人读和写。
然后印刷术问世。50 年时间,欧洲出版的书籍数量超过此前一千年的总和,书价下降了 100 倍左右。再经过几百年的配套(教育体系、经济结构慢慢跟上),全球识字率才升到今天的 70%。
Boris 认为,AI 对软件的影响,是一次加速版的印刷术革命。软件会在几十年内完全民主化,变成任何人都能驾驭的东西。
最终,会做软件这件事,会像会发短信一样自然。
03 什么能力才是最重要的?
当写代码这件事的门槛被 AI 降到极低之后,真正区分一个人能力的,是他的产品感觉,是对一个具体领域的真正理解。
举个例子。两个人同时要做一个面向医生的产品。一个是写代码很快的工程师,一个是在医院信息科干过几年的人。
放在以前,工程师做出来东西的概率更高,因为他能把 idea 实现出来。
现在反过来了。谁都能把 idea 实现出来。这个时候,那位真懂医院日常工作流的人反而更值钱。因为他知道哪些功能是医生真的会用的,哪些只是听起来有道理。
也就是说,AI 把执行的门槛抹平之后,判断力的差距就被放大了。
这件事直接改写了 generalist这个词的含义。
过去我们说 generalist,通常指的是一个工程师既能写 iOS,又能写 Web,又能写后端。这种 generalist,本质上还是工程内部的全栈。
未来的 generalist 是跨学科的全栈。
有人同时懂产品、设计和工程。有人同时懂产品、数据科学和工程。这种组合过去几乎不可能,因为每一项都需要长时间的专门训练。
但现在 AI 把每一项的执行门槛都拉低了,一个人可以横跨几个领域,专业深度还能保住。
Claude Code 团队就是这样。工程经理、PM、设计师、数据科学家、财务、用户研究,每个人都在写代码。
设计师可以自己把交互原型跑起来给团队看,不再只是出图等工程师实现。
财务可以自己搭一个分析工具,把公司里复杂的财务模型跑出来,不用再排队等 BI。用户研究的同事开始自己跑数据,把过去要等数据团队配合的那部分活揽了过来。
每个人的专业深度都还在。但在 AI 辅助下,写代码这件事变成了大家共用的语言。
04 SaaS 的护城河正在瓦解
过去十几年,SaaS 行业有几条几乎被当成公理的共识。
第一条是切换成本。一家公司一旦用了你的系统,里面就慢慢沉淀了几年甚至十几年的数据、配置、字段、权限关系。
想搬到另一个系统,光是把这些东西原样迁出去再迁进来,就足够让人头疼到不愿意动。
第二条是工作流锁定。员工的日常操作、跨部门协作、审批节点,全部都是绕着这个 SaaS 长出来的。
换一个系统不只是搬数据,是把整个公司过去几年长出来的肌肉记忆推倒重来。
这两条加起来,构成了过去 SaaS 行业最深的护城河。但有了足够强的模型之后,事情的逻辑开始变化。
先看切换成本这一边。过去想从一个 SaaS 切到另一个,光是把字段对齐、把数据结构复刻一遍,就够工程团队加班好几个月。
现在直接把两边的接口和数据结构丢给模型,让它自己把映射关系理清楚,一点一点往最优解上爬。原本要几个月的事情,可能几天就能跑出一个能用的版本。
再看工作流锁定这一边,更有意思。过去工作流之所以能锁住客户,是因为这些流程本身复杂、隐性、依赖人。
员工脑子里那套谁找谁审批、什么时候卡哪一步的默契,没法直接搬走。
但 Opus 4.7 这一类模型,最擅长的恰恰就是把一个复杂流程读懂、拆开、在新环境里重新搭起来。甚至重新搭出来的版本,可能比原来还顺。
所以过去靠数据沉淀和流程沉淀建起来的护城河,正在瓦解。
对在做 SaaS 的人来说,这可能是个坏消息。但对所有用 SaaS 的客户,和正在准备做新一代 SaaS 的团队来说,这是一个真正的机会窗口。
05 创业者最好的时代
未来 10 年里真正颠覆行业的创业公司,可能会比过去 10 年多 10 倍。
原因其实不复杂。
小团队可以用 AI 做出和大公司同级别甚至更好的产品。反过来,大公司想真正用上 AI,反而是负资产。
怎么说呢?
一家有十几年历史的公司,已经长出了一整套自己的业务流程、岗位分工、协作习惯、培训体系、KPI 考核。这些东西在过去是资产,是壁垒。
但要把 AI 真正嵌进去,意味着这一切都要被重新审视:业务流程得重构,所有员工得重新培训,每往前推一步都会遇到巨大的内部阻力,要协调 N 个部门、N 层审批。
而一个三个人的初创团队,从第一天起就把 AI 当成默认底座。他们没有历史包袱要拆,没有习惯要改,没有人需要被说服。今天讨论清楚,明天跑出 Demo,后天就能上线让用户用上。
这种速度差,AI 之前其实也存在。初创公司对大公司本来就有速度优势。但 AI 把这个差距放大了很多倍。
为什么?
因为 AI 越强,一个人在单位时间里能撬动的杠杆就越大。一个真正用好 AI 的小团队,今天的产出可能相当于过去十个人,明天可能相当于过去三十个人。
但大公司的组织重量并没有变轻,反而因为要消化 AI 这件事,变得更重。AI 越强,小团队的加速度,和大公司的拖拽力之间的剪刀差,就被拉得越大。
这就是 Boris 说的负资产。不是大公司没钱、没人、没意愿,是它们身上那些过去赚钱的肌肉,今天恰好卡在了 AI 真正发挥价值的路上。
06 MCP不会死
MCP 不会死。
Skill 火了之后,很多人觉得 MCP 不需要了。OpenClaw 创始人也是类似的观点。
但 Boris 不这么看。他觉得 MCP 会成为 AI 时代的软件连接层。
过去互联网的软件连接方式是 API。
但 API 的核心问题在于,它是给工程师设计的。想用一个 API,得先翻文档,申请 Token,写代码,把字段对齐,处理异常。说白了,API 是写给人类开发者的。
MCP 不一样。它让模型可以直接接进来用,模型自己读懂就能调,中间不需要一个程序员替它翻译。
所以 Boris 把 API 叫做 Human Developer Interface,把 MCP 叫做 Model Interface Protocol。一个是给人用的,一个是给模型用的。
这其实跟当年很像。移动互联网时代,默认所有服务都要 API 化。AI 时代,默认所有服务都要 MCP 化。
07 Computer Use依然重要
很多人现在聊 Computer Use,会觉得这个方向可能并不 work。
理由也很合理:太耗 Token,跑得慢,还不稳定。看上去更像一个炫技 Demo,离真正能用还有距离。
但 Boris 看到的层面完全不一样。
他真正看重的是,Computer Use 解决了 AI 落地最大的一个痛点:现实世界里,有大量系统既没有 API,也没有 MCP。
尤其是企业世界。
真进过公司就知道,里面大量核心系统都很老。ERP、OA、财务系统、内部审批、供应链后台、各种定制系统。很多没开放接口,没文档,没自动化能力。它们就在那里,每天被无数员工手动操作着。
那为什么不直接给它们做 API 呢?
因为做不动。开发这些系统的供应商可能已经不在了。IT 部门没动力也没预算去重构。
业务部门更不可能停下来等半年一年。这些系统永远不会等到一个完美的 API 来拯救自己。
短期内,各大模型应该还会是提升自己的 Computer Use 能力。
