AI编程智能体，即几乎无需人工介入就能编写和修改代码的工具，正在把软件的生产成本推向零。当智能体能够帮助反编译现有应用、从成品程序中还原代码结构，竞争产品又能以创纪录的速度上线时，软件公司长期倚重的定价权便开始显得岌岌可危。主要的反驳观点则认为，软件变便宜之后，使用量只会大幅增加。把两种观点放在一起看，指向的是同一种转变：编写代码本身正在沦为大宗商品，而持久的价值正转向难以复制的资产，例如专有数据、独家权利和实体基础设施。
软件通缩论的依据
AI正从多个方向同时给传统软件施加通缩压力。开源模型和仿制的实用工具正在侵蚀定价权；更极端的例子是，有一款电子游戏借助生成式AI开发并上线，只花了$5。
更大的问题在于，大型复杂产品是否也会遭遇同样的命运。如果编程智能体能让人对Adobe Photoshop这样复杂的应用套件进行逆向工程或快速重建，多年积累的功能可能不再构成进入壁垒。软件企业长期享有80%以上的毛利率，也就是说，扣除交付产品的直接成本后，每一笔销售收入的大部分都能留存下来。当代码几乎可以零成本重现时，这样的利润率能否维持，仍是一个悬而未决的问题。悲观地看，廉价而快速的复制可能抹去市场赋予软件的价值中多达90%的部分。
这种压力也波及风险投资。随着编写软件的门槛降低，每个市场都会涌入更多竞争者，也就更难判断一家被投企业能否守住地位，坚持到为基金的出资人带来现金回报。
软件更便宜，为何可能意味着软件更多
风险投资公司Andreessen Horowitz联合创始人本·霍洛维茨不认同“软件末日”的说法。他的论据是杰文斯悖论：某样东西的生产成本降低后，总消费量不降反升。他预计，随着软件单位成本下降，软件的使用量和需求将呈指数级增长。
这并不意味着所有软件公司都高枕无忧。霍洛维茨预计，单纯编写代码将失去独立的价值，就像互联网让出版变得轻而易举之后，纸质杂志业沦为大宗商品一样。AI公司要想生存，就必须提供远超通用代码的东西，把深厚的领域专长与别人没有的资产结合起来。
定制软件变得值得开发
最明确的新需求来源似乎是企业定制软件。商业软件过去需要庞大的横向客户群，才能撑起高昂的开发预算，因此厂商只做一款面向所有人的产品。编程智能体改变了这笔账：为一家公司的小众工作流程量身打造的工具，如今也能收回成本。企业内部的定制软件，可以填补千篇一律的SaaS（通过互联网提供的订阅制软件）在经济上始终无法覆盖的空白。
代码越多，工程师的工作越多
一种流行的说法认为，AI编程助手将让软件工程师失业。然而，正在编写的代码量正以数量级的速度增长。即使智能体生成了代码库的95%，剩下的5%仍需要人来完成：设计架构、编排提示词，以及维护已经构建好的系统。由于总量大得多，这5%的绝对工作量可能比工程师今天的工作还要多。
| 担忧 | 反驳 |
|---|---|
| 智能体能快速克隆或重建应用，削弱定价权 | 单位成本降低会推高软件的总需求 |
| 80%以上的毛利率可能难以为继 | 企业内部定制工具开辟了一个过去不划算的市场 |
| 编程智能体将取代工程师 | 代码越多，架构设计和维护工作就越多 |
▲ 兴起的企业内部定制软件
护城河正在转向何处
如果谁都能廉价地生产代码，就必须靠别的东西把竞争对手挡在门外。下面的案例表明，护城河，即保护企业免受对手冲击的持久优势，正在转移到代码本身之外。
独家权利与精心打造的训练数据
霍洛维茨把ElevenLabs作为具备防御力的AI公司的例子。ElevenLabs与名人签订独家声音授权协议，例如取得伯特·雷诺兹的声音用于有声书朗读的权利，并用包含细微边缘情况的数据训练模型。其成果是高保真的本地化，比如电影配音听起来就像用另一种语言自然表演，而不是机械转换。代码可以被克隆，但独家合同和精心收集的训练数据无法以同样的方式复制。
随用户增加而进步的数据
第二条护城河是用户与模型之间的反馈循环。当一家AI初创公司在某个行业率先赢得一批用户，日常使用就会产生强化学习信号，也就是告诉模型哪些做法有效的反馈，而竞争对手无法复制这些信号。法律AI公司Harvey就是典型案例。通过签下顶级律师事务所，它获得了法律文书起草数据、真实的工作流程和定制的训练循环。这个飞轮每转一圈，模型就更精准，也更深地嵌入客户的工作之中。
用私有数据训练的小模型
同样的逻辑也适用于购买软件的企业。Coinbase首席执行官布莱恩·阿姆斯特朗表示，该公司用内部数据微调了90亿参数版本的Qwen 2.5。Qwen 2.5是一款开放权重模型，即权重公开、任何人都能下载的模型；微调则是指针对特定任务对现有模型进行进一步训练。据阿姆斯特朗介绍，微调后的模型在防范欺诈方面胜过Claude Opus 4.5等顶尖前沿模型，在运行更快、算力成本低得多的同时，将欺诈交易减少了约30%。对于企业的日常工作负载，昂贵的前沿模型未必必要，用庞大的通用模型处理狭窄的任务可能造成浪费。
代码变便宜，基础设施变昂贵
AI的物理层正朝相反的方向发展。据霍洛维茨介绍，AI的token价格已经下降，但GPU和数据中心的建设成本仍在上涨。劳动力短缺和地方上的政治反对让新建数据中心更加困难，供应因此持续紧张，也保护了已经拥有产能的一方。霍洛维茨说，亚马逊首席执行官安迪·贾西曾告诉他，算力和数据中心容量到2028年及以后都已被预订一空。
旧芯片的寿命也在延长。原本预计只能用三到五年的GPU，如果只承担推理工作，即用训练好的模型生成答案，如今可以继续使用六到八年。上一代的英伟达H100和A100芯片依然能以高价出租，而不是贬值到零。需求也没有放缓的迹象：前沿模型开发商和初创公司仍然缺少算力，一些风险投资机构直接购买算力，提供给所投资的初创公司。
近期，专注AI的云服务商的股票和债券遭到抛售，引发了关于AI泡沫的议论。霍洛维茨认为，这与互联网泡沫破裂有一个关键区别：2000年前后，电信公司在消费者需求和宽带普及跟上之前就铺设了海量带宽，而如今对AI的需求看起来永无止境。他也补充说，沉重的债务仍可能拖垮个别公司。
从更长远看，成为这个行业最紧瓶颈的，可能不是算法或数据，而是发电和电网容量。因此，拥有土地、电力和数据中心建筑，就成了难以替代的稀缺优势。
▲ 稀缺的电力与数据中心容量
定价可能从token转向成果
AI自身的定价模式也可能改变。前沿实验室正在大幅下调token价格，以便与已经商品化的开源替代品竞争。按每百万token收费的方式，类似于1999年和2000年互联网广告按千次展示成本（CPM）售卖的做法。此后，谷歌通过AdWords和AdSense推广按点击付费和按转化付费的定价方式，广告市场随之大幅扩张。AI定价看来很可能走上类似的道路，按可衡量的成果而非原始的token消耗量收费。
软件公司和开发者现在该做什么
AI正在降低编写和复制代码的成本，但似乎并没有让软件需求萎缩。改变的是价值所在的位置。
- 销售软件的公司：仅凭功能可能再也卖不出溢价。检查你的产品能否积累行业特有的数据和用户反馈，以及你是否拥有独家授权之类的资产。也可以考虑按客户获得的结果而不是token用量为AI功能定价。
- 购买软件的公司：审视那些现成SaaS一直没能很好覆盖的内部工作流程，因为现在开发一款定制工具可能已经值得。对于重复性任务，在默认使用昂贵的前沿模型API之前，不妨与用自有数据微调小型开放权重模型的方案做个比较。
- 开发者：要预料到工作重心将从敲代码转向设计、审查和维护智能体编写的代码。
当代码变得随处可得，什么无法被复制，很可能决定谁能保住优势。