ARTICLE · 1016075
不会编程的人,正在第一次拥有“改变软件”的能力
01
软件一直要求人去适应它
软件存在了这么多年，一直有个很少被讨论的前提：你得先学会怎么操作它，才能得到自己想要的结果。
我做产品经理这些年，有一条分工一直很清楚：我可以决定软件应该做什么，却不能直接让它变成那个样子。哪怕需求已经想得很清楚，到了“怎么实现”，边界还是在那。不会编程的人，大部分时候只能使用软件已经提供的能力；想让软件发生变化，通常还是得交给开发，或者自己跨过技术门槛。
今年开始，这条边界开始变得非常模糊。我已经会直接让 Codex 改自己的工作台，或者接手一些过去必须找技术才能继续推进的任务。前段时间，我甚至让它操作浏览器，把一个陌生企业软件连续拆了十几个小时。我没有盯着每一步怎么点，只告诉它最终要拿到什么，再回来检查结果。几年前碰到这类事情，我第一反应还是找研发。现在很多时候，我会先自己用 Codex 把它往前推。
最开始可以解释成人们把编程工具用歪了。但 OpenAI 今年公开的数据里，非开发者已经成为 Codex 增长最快的人群之一： 2026 年 6 月初，个人和企业中的非开发者用户分别较 2025 年 8 月增长 137 倍和 189 倍。这至少说明一件事：越来越多不会编程的人，正在把一个从代码里长出来的工具，用到自己的工作里。
这些人很少是冲着代码本身来的。以前你明明知道自己想让软件多做一件事，但只要这个需求超出现成功能，“怎么实现”就会立刻成为门槛。现在这层工作开始被 AI 接过去：你先说清楚想要的结果，具体采用什么技术路径，越来越多时候由它自己处理。
编程没有消失，只是开始退到 AI 背后，逐渐从“人必须掌握的操作语言”变成一种实现手段。它甚至可能被用得更多。对非程序员来说，影响会更剧烈：一些原本根本进不去的门，第一次打开了。
02
代码可能只是智能体最早的训练场
既然普通人关心的是结果，为什么偏偏是编程智能体最先跑起来？答案可能不只在模型会不会写代码，而在软件开发本身。代码世界有个天然优势：AI 改完东西以后，可以立刻把程序跑起来，错误通常也会直接暴露。这样的环境让它很早就有机会自己反复试。
聊天里的 AI 可以告诉你该怎么做；代码环境里的 AI 很早就能自己去做，而且做完很快就能知道哪里不对。软件开发最早给了 AI 一个可以反复执行和修正的环境，这可能才是编程智能体率先成熟的重要原因。
现在，这套环境开始从代码往办公复制。
豆包工作会把飞书里的企业资料带进任务上下文，让 AI 围绕目标继续推进，并把结果留在协作环境里。腾讯的 WorkBuddy 也能直接进入本地办公场景，让 AI 接触真实文件并完成任务。
产品形态不同，但都在补同一件事：给 AI 一个真正可以工作的地方。
03
“你会不会编程？”正在变成一个奇怪的问题
过去软件世界里有一条稳定分工：开发者改变软件，其他人使用软件。软件没有的能力，普通用户往往只能等产品更新，或者找技术帮忙。
智能体让这条边界第一次大面积变软。
一个不会从零写程序的人，也开始可以根据自己的需求临时做出原本不存在的能力。他没有掌握完整的软件工程，只是“怎么实现”这件事开始有人替他接过去。
几年以后，“你会不会编程？”可能会变成一个越来越奇怪的问题。
一个人可能看不懂复杂代码库，也写不出成熟系统，却已经能把不少过去必须交给技术同事的想法自己推进下去。那他到底算会还是不会？
编程不会消失，工程师也不会不重要。真正复杂的软件仍然需要专业工程能力，但“会不会编程”不再像过去那样，直接决定一个人有没有资格碰实现层。
04
当软件便宜到可以只为一个人存在
这条边界继续往前松，会碰到一个更大的变化。
过去开发一块软件能力很贵，所以软件天然追求复用：一个功能最好服务足够多的人，才值得投入研发。很多只属于某个人、某个团队的奇怪需求，从商业上根本不值得做。
AI 正在改变这笔账。
一个只用半天、只服务三个人、甚至任务结束就可以扔掉的小工具，如果几分钟就能生成，它根本不需要成为“产品”才值得存在。
软件开始有机会像文档一样临时生成。需要的时候出现，需求变了就跟着改，用完甚至可以直接消失。
这会反过来改变我们和软件的关系。
以前人要迁就标准软件，因为每个人都定制一套太贵。以后，一部分软件可能开始迁就人。
05
当“我不会”不再等于“我做不了”
这件事再往前一步，变化就不只发生在软件身上。
过去一个人的能力边界，很大程度上由自己掌握的技能决定。我不会开发，一个需要开发才能完成的想法就很容易停下。
现在中间多了 AI。
我本人依然不会写一个成熟系统，却已经可以把其中一些想法继续推进。
这会让“能力”这个词变得有点不一样。
一个人最终能完成什么，开始取决于他能调动多少外部能力。AI 把其中一部分能力变得极其便宜，而且随时可用。
06
一个人，究竟可以成为多大的生产单位？
这也是我觉得最值得继续往下研究的地方。
过去很多事情必须先凑齐一群不同能力的人，才有资格开始。今天，一个人可以先带着几个智能体把最早的版本跑出来，等问题真的复杂到 AI 解决不了，再把专业的人拉进来。
公司的价值不会消失，团队也不会消失，但很多事情的“起步规模”可能会变小。
当这种能力扩散出去，效率只是最表面的一层。
过去只有少数专业角色能进入的实现层，正在向更多普通人打开。谁能把一个想法推进到现实，也不再完全由“自己会不会那门技术”决定。
这件事继续发展下去，AI 重新分配的可能是一种很基础的权力：
谁有资格把一个想法变成现实。
这时候，新的难题才真正冒出来：你到底想要什么？
“帮我搞个周报”和“从这些项目材料里找出本周变化，核对缺失数据，按这个结构生成周报，遇到冲突先停下来告诉我”，对人听起来差不多，对一个要独立推进任务的智能体完全不是一回事。以前你可以把模糊需求扔给同事，在沟通里慢慢补；现在如果想把一段工作交出去，意图本身就得更清楚。
另一个难题是验收。
代码为什么适合智能体，很大一部分原因就是错了容易暴露，程序一跑就可能直接告诉你哪里出了问题。换成产品方案或经营判断，“什么算对”本身就没那么清楚。一项工作越容易定义结果、检查结果，就越容易真正交给 AI；越依赖模糊判断和责任承担，越难完全放手。
以前很多人的门槛卡在“我做不出来”。
如果这堵墙变薄，新的差距可能来自“我能不能把事情定义清楚，以及我有没有能力判断做出来的东西值不值得用”。
真实工作里，人和 AI 会反复迭代。人的重心会逐渐往前移，需要更早把任务本身设计清楚，并在最后对结果负责。
这也是每个人接下来都可继续尝试的东西：
当编程不再是入场券以后，一个普通人到底能把自己的想法推进多远。