ARTICLE · 1175333
AI 复刻软件以后,商业思路变了
AI 复刻软件以后,商业思路变了GitHub 上的 REA 项目，让 AI 智能体调用逆向工具，分析软件实现，再尝试重建相关功能。它还不能一键复制完整商业系统，但已经指向一个变化：功能实现越来越便宜，靠开发难度维持的优势会越来越短。 
由此推导出“SaaS 已经结束”，有些跳跃。复刻界面和部分逻辑，无法获得服务端的数据、客户的历史记录，更无法直接接管业务。企业购买软件，还要考虑迁移、维护、故障处理。自建成本应该算整个使用周期，不能只算第一次生成代码花了多少 token。 真正承压的是功能单一、替换容易的产品。一个工具如果主要价值是整理文件、转换格式、生成报表，就可能被通用智能体或企业内部工具覆盖。拥有复杂交易、长期数据和大量系统集成的软件，替换起来仍然困难，但也需要重新解释自己的价格。 未来的软件行业，可能出现三种变化：业务系统继续保存数据和执行规则；更多功能通过接口供智能体调用；小需求由 AI 生成工具解决。用户操作的页面可能减少，后台的数据、权限、事务和审计仍然需要有人维护。 软件公司的竞争会更直接地落到业务效果上。以工业排产为例，做出页面只是起点，设备状态是否可信、工艺约束是否完整、插单后如何调整、异常时谁接管，才决定系统能不能使用。行业经验只有沉淀成可复用的规则、接口和验证方法，才能形成积累。 这也改变了从业者的能力排序。接到需求就写代码的工作会受到更大压力。能够判断问题是否值得做、拆清业务约束、接通现有系统，并验证实际效果的人，会更有价值。 计算机基础因此更不能省。AI 可以生成数据库操作，却不能替你保证事务正确；可以生成并发代码，却不能替你承担生产故障。数据库、网络、操作系统和软件工程，是检查 AI 输出、定位问题的依据。 对于学生，最有效的训练是完成一个真实项目的完整周期：找使用者，确定需求，上线运行，收集问题，修复故障，再验证改进。项目可以很小，但要有真实约束。一个处理过重复提交、权限错误和数据恢复的报名系统，比十个只供演示的 AI 聊天框更有说服力。 以后评价工程师，代码量和开发速度的分量可能下降。更有分量的是：他理解了什么问题，做出了哪些取舍，系统运行得怎样，最终改善了什么。AI 把实现门槛拉低后，这些能力会更容易区分人与人之间的差距。
