作者:AI产品阿颖
原视频:《Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next》
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
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
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?
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
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
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
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
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。
