AI对软件产业的影响,需求变多了,程序员需求变少了,一个当五个了.对拥抱的企业是好事,不拥抱的企业面临淘汰

编者按：

大模型已广泛覆盖内容生产、知识获取、数据分析与研发支持等企业核心业务环节。

其中，文本内容创作(19.4%)、问答助手(13.7%)、数据处理与分析(12.9%)、内部知识问答(12.6%)、代码生成与辅助(12.4%)。

1、软件需求变多了

1）软件架构的颠覆性变化，创造新的需求：AI颠覆了所有软件，从UI，到交互，到数据，到后台逻辑，软件需求是变多了，不是变少了。

2）AI硬件导致软件需求变多：所有硬件都可以加上AI，而且效果是颠覆性的，有感知，有认知，有交互，能自动，这是很难得的变化。硬件催生软件需求变化。

2、程序员需求变少了

1）但是底层的技术栈更新了，程序员要刷新技术栈，AI编程能力与日俱进，对程序员需求量小了，效率提高了。

2）AI不是取代软件开发者，是重塑软件行业的结构、成本和未来。新范式是“全栈工程师+AI IDE”，画像是精通AI IDE的全栈专家。

3、token已成为研发成本的重要组成部分

现实问题似乎已经开始显现 —— 成本。随着 AI 应用复杂度不断提升，企业的 token 消耗迅速增加，费用也随之飙升。

风险投资人Chamas Palihapitiya提到，自己创立的公司原本希望重写传统软件体系，但 AI 支出却已开始失控。“自 2025 年 11 月以来，我们的成本已经翻了三倍以上。光是 AWS 推理费用，加上 Cursor 和 Anthropic 的支出，就已经达到数百万规模。”

4、自建token工厂也是一个重要选择

业内普遍认为，无论是所谓“token工厂”还是AI工厂，其实质就是把数据中心重新定义成智能产线：输入是电力、数据、模型和调度系统，输出则是AI智能体的执行能力和行业场景中的实际生产率。

token背后是大模型，大模型背后是算力，算力部署在数据中心，数据中心靠电支撑，电力会成为货币的定价锚么。token=电力。

头部大模型占比均有提升，其中，阿里云千问（Qwen）增幅最多，占比跃升至32.1%，相较上半年的17.7%几乎翻倍；字节豆包占比21.3%排名第二；DeepSeek占比18.4%，排名第三。

报告显示，2025年下半年全球AI厂商发布策略呈现显著分化，中国厂商依托规模化投入主导开源节奏，海外厂商则持续聚焦闭源主线。2025年下半年，全球新增开源大模型中，中国厂商占比高达90.2%，远超海外市场。

一、软件开发的变化

1、原来的写代码，到现在的整理数据

2、原来的写代码，到现在的训练模型

3、原来的自己写代码，到现在的生成代码

4、原来的自己写测试用例，到生成测试用例

5、原来复杂的算法逻辑，变成了调用接口

6、原来复杂的处理逻辑，变成了直接出结果

7、原来复杂的用户交互，变成了所见即所得自然交互

8、原来的基于流程的设计的客户交互，现在变成了语音和手势自然交互

9、从人找信息，到信息找人，现在到了结果通知人

二、“全栈工程师+AI工具链”

当前，关于“AI 将很快取代软件开发者”的讨论已成为科技界最热门的话题之一。

AI 并非简单的消除软件开发岗位，而是在从根本上重塑整个软件开发行业的结构、成本和未来。

软件整体进入“全栈工程师+AI工具链”的新的行业工作范式。对于从业者和企业都带来了巨大挑战和机遇。

三、新的开发者工具公司发展迅速

AI 开发工具的市场规模堪比一国GDP
从历史上看。

目前，一个简单的 AI 编程助手就能将开发者的生产力提升约 20%。但这仅仅是个开始。

最佳的 AI 部署方案至少能使开发者生产力翻倍。

这个数字的冲击力体现在具体的商业案例中：初创公司 Cursor 在 15 个月内估值接近 100 亿美元；而谷歌则斥资 24 亿美元收购了 Windsurf。

Anthropic在个人开发者的营收上，于今年2月份推出的AI编程助手Claude Code，将推动个人开发者的销售收入增长。据知情人士透露，Claude Code的年化营收已接近10亿美元。

四、努力成为善用AI IDE的全栈专家

AI 不会取代开发者，它正在以出人意料的方式重塑就业市场。真正改变的不是开发者这个职业本身，而是其工作性质。

初级助手级岗位减少，伴随而来的是全栈程序员需求增加。

未来的开发工作将更多地涉及更高层次的抽象思维、系统设计以及与 AI 智能体的协作，而不是逐行编写基础代码。

这一转变有可能使得当今许多大学的计算机科学课程迅速过时。

五、老代码迁移到新工具链

回报率最高的应用目前是代码移植
许多大型企业（尤其是银行等金融机构）仍在使用 COBOL、Fortran 等几十年前的旧语言编写的核心系统。现在，它们正利用大型语言模型（LLM）将这些代码高效地迁移到 Java 或 Python 等现代语言。

成功在这一领域落地的企业采用的策略是：首先，让 AI 从旧代码中精确地生成一份功能规范，克服了人类理解遗留逻辑的困难；然后，基于这份清晰无误的规范来生成新的、现代化的代码。

这是企业高管反馈的头号 ROI 用例。

六、程序员为AI编写知识库

开发者将越来越多地为AI同事编写知识库
一个全新的实践正在兴起：为 AI 而非人类创建专用的知识库和文档。
在新的 Plan -> Code -> Review（规划 -> 编程 -> 审查）工作流中，开发者会创建包含项目架构和编程准则的文件（例如 .cursor/rules）。这些文件并非写给人类同事看的，而是专门为 LLM 设计的，旨在帮助 AI 更好地理解项目上下文、公司内部的编程规范和行业最佳实践。我们正在见证专为 AI 设计的第一批自然语言知识库的诞生。
这一点意义重大，因为它标志着 AI 正在从一个简单的代码生成工具，转变为一个需要被“教导”和“管理”的真正协作伙伴。这不仅仅是文档实践的演变，更是人机协作模式从“指令-执行”向“指导-学习”范式迁移的早期信号。

七、软件开发的成本结构变化

软件开发的成本结构正在被彻底改变。几十年来，软件开发的成本几乎完全是人力成本。但AI 正在为这个行业引入运营成本（opex）。
使用先进的大模型会产生高昂的 API 调用费用。估算一名开发者每年可能产生约 10,000 美元的 LLM 使用成本，在世界上许多地区，这个数字甚至超过了一名初级开发者的年薪。几个月前这个话题还无人问津，而今天它已成为开发者论坛中最热门的话题之一，凸显了行业适应这一新现实的紧迫性。
这一转变正在改变行业的商业逻辑。例如，它可能会重新定义 IT 外包的成本效益分析，因为过去依赖低人力成本的模式，现在必须将高昂的 AI 工具成本纳入考量。

八、总结

AI 对软件开发的影响不是简单的工具替代，而是一场系统性的、深刻的重塑。

它改变了工作的性质、成本的结构、工具的生态，并创造了前所未有的市场机遇。

当前是历史上投身软件开发领域创业的最佳时机之一。当底层技术发生巨变时，天平会极大地向反应迅速、没有历史包袱的初创企业倾斜。

当编写代码的“方式”被彻底颠覆后，原来的“码农”应该学习什么技能？原来的非编程和非技术人员会有哪些新需求？

1、生成类应用创新的风险

现在的应用层，未来是人家的基本能力，应用也要选好，选不好一点价值没有，避免走算法直接覆盖的应用领域，生成类的非GPT创新该转向了。

2、行业应用要全面拥抱GPT

创业要做就做行业的，比如制造业，创业不要做内容的，大厂未来有同样的工具分分钟钟碾压你，他有用户，有渠道，你啥也没有。行业壁垒帮助你树立防火墙，让大厂选择跟你合作而不是替代你。

3、简单小软件定制开发机会变低了，应转变范式，继续基于GPT做智能体Agent软件开发。

做小软件开发的也没有机会了，都能自动开发了，必须做行业应用，这个那些有客户资源，有客户渠道的，有了工具他们也强者恒强。

4、摸着历史的石头，过GPT的河