AI写代码之后,软件公司为什么可能更难赚钱?

关于AI和程序员，最常见的问题是：程序员会不会被取代？

这个问题抓住了职业焦虑，却没有抓住软件行业真正发生变化的地方。程序员是否减少，是变化传导到最后的结果。在那之前，客户怎么采购软件、软件公司怎么报价、项目经理怎么核算成本、团队为什么需要那么多初级开发，都会先被重新计算。

真正值得再看一层的是：当代码生产效率提高，软件的价格并不会自动保持不变。客户会要求更短工期、更少人天、更低报价；竞争者也会使用相同的工具。最后，新增效率未必变成软件公司的利润，反而可能通过价格竞争转移给客户。

所以，AI对软件行业最先击穿的，不是“程序员”三个字，而是一个长期存在的收入逻辑：投入更多开发工时，就可以向客户收取更多费用。

01 软件行业卖的从来不只是代码

理解这轮冲击，首先要把软件行业拆开。

一个软件项目从需求出现到真正运行，至少要经过问题定义、方案设计、开发测试、系统集成、上线验收和持续运维。写代码只是中间一段。客户真正想买的是业务结果：订单能否处理，风险能否控制，员工能否使用，数据能否对上，系统出错后能否恢复。

但是，业务结果往往难以在合同签署前精确衡量，软件公司于是会把成本和价格绑定到一种更容易计算的东西：人月、人天、功能点、实施周期或者许可证数量。

对于外包和定制开发公司，人员既是成本，也是可以出售的产能。项目需要二十个人做六个月，就对应一百二十个人月。客户和供应商会围绕人员级别、驻场数量和工期讨价还价。对于部分软件产品公司，价格虽然不直接按工时计算，但研发团队规模、功能数量和更新速度，仍然是产品价值的重要支撑。

AI首先改变的，恰恰是这套成本基础。需求澄清和验收责任没有同步消失，代码、测试和文档的单位生产成本却开始下降。

AI最容易压缩可描述、可生成、可快速检查的生产任务，但业务定义、系统集成和结果责任仍留在人与组织手中。

02 AI已经进入主流程，但效率不是一个固定数字

AI编码不再只是少数人的实验。GitHub在Octoverse 2025中披露，平台开发者数量已经超过1.8亿，超过430万个公开项目使用了大语言模型SDK。DORA 2025对近5000名技术从业者的调查显示，90%的受访者已经在工作中使用AI，超过80%认为生产率提高，59%认为代码质量得到改善。

Anthropic对Claude Code使用情况的分析则显示，软件开发场景中的AI使用比普通对话更偏向自动化：研究分类中，约79%的Claude Code对话属于让AI直接执行任务，而其一般对话样本中的对应比例约为49%。这说明编码Agent正在从“告诉我怎么做”，转向“替我完成一段工作”。

但这不意味着所有项目都会获得相同提升。METR在2025年对熟悉大型开源代码库的资深开发者进行随机对照实验，发现使用当时的AI工具后，完成任务的时间平均增加19%。到了2026年的更新研究，开发者开始估计AI能带来大约20%的提速，研究者也观察到工具能力明显改善。

两组结果并不矛盾。AI是否有效，取决于任务能否清楚描述、代码库是否容易理解、结果能否快速验证、错误代价有多高。生成一个独立页面和修改一个十年历史的核心结算系统，都叫“写代码”，但它们的验证成本完全不同。

因此，行业真正面对的不是一个统一的“效率提高30%”，而是不同任务的成本曲线开始分叉。越容易描述和验收的任务，价格下降越快；越依赖现场知识、系统上下文和责任判断的任务，价值越可能保留。

03 为什么开发更快，公司反而可能更难赚钱

假设一个项目原来需要十名开发者做六个月。使用AI后，同样的团队四个月就能完成。表面看，公司节省了两个月成本，利润应该上升。

问题在于，客户也知道工具在进步。当下一次报价仍然写着六个月、六十个人月时，客户会要求解释：既然代码生成、测试和文档都更快，为什么报价没有下降？如果一家供应商不降，另一家使用相同工具的供应商可能会降。

在竞争充分、产品差异小的市场，生产率提升往往不会长期留在生产者手中。它会以更低价格、更短交付周期或更多免费功能的形式转移给客户。对软件公司来说，单位项目所需工时下降，但单位项目价格也下降，最后只能依靠更多项目维持收入。

中国软件业的数据已经表现出值得观察的背离。工信部公布的2025年数据中，软件业务收入为15.48万亿元，同比增长13.2%；利润总额为1.70万亿元，同比增长7.3%。到2026年1至7月，软件业务收入同比增长9.2%，利润总额只增长1.3%。这些数据不能证明利润增速放缓是AI造成的，宏观需求、价格竞争和成本变化都可能参与其中。但它至少提醒我们：行业规模增长，不代表软件公司的利润同步改善。

效率红利不是天然属于软件公司。客户议价、同业竞争、模型与云平台成本，都会决定红利最后流向哪里。

04 三类软件生意，受到的冲击并不一样

把所有软件公司放在一起讨论，会掩盖真正的差异。至少有三种生意需要分开看。

第一类是按人天出售产能的外包和定制开发。这类公司受冲击最直接。过去的优势可能是招聘便宜、组织大量开发者、控制交付流程。AI提高单人产出后，客户需要购买的人天减少，供应商也很难继续用人数证明价值。如果公司不能转向结果定价、行业解决方案或长期运维，效率提升反而会缩小可计费规模。

第二类是企业系统集成和复杂实施。这类业务短期内没有那么容易被模型吞掉。真正困难的往往不是写接口，而是理解旧系统、协调多个部门、清理数据、控制权限、处理上线风险，并在事故发生时找到负责人。AI可以加快局部任务，却很难自动获得组织授权。这里的利润会从编码工时，逐渐迁移到集成能力、行业经验和交付责任。

第三类是标准化软件产品和SaaS。它们不按人天收费，但同样受到生产成本下降的影响。一个功能被竞争者复制得更快，客户就更难为功能数量长期支付高溢价。真正的壁垒会向工作流嵌入、客户数据、迁移成本、渠道、生态和合规能力移动。

这三类公司的共同变化是：代码越来越像投入品，而不是最终商品。能否把代码变成一个稳定、可验收、有人愿意承担后果的业务系统，才决定公司还能不能收取溢价。

05 团队金字塔为什么会先从底部收缩

传统软件团队是一座金字塔。少数架构师和高级工程师负责设计，大量初级工程师承担页面、接口、测试、文档和重复修改。这些工作不只是产出，也承担培训作用。新人通过完成低风险任务，逐渐理解系统和业务。

AI最擅长的任务，恰好与这部分初级工作高度重合。企业会自然地问：一个资深工程师加AI，是否可以完成过去一个小组的工作？如果答案在部分项目中成立，公司就会减少初级岗位，而不是先减少负责架构和验收的人。

美联储2026年关于编码职业就业的研究给出了一个谨慎但重要的信号：截至2025年9月，研究没有发现编码职业整体工资和工时出现显著的AI冲击，但年轻软件开发者和年轻计算机科学专业毕业生的就业下降更明显。研究者同时强调，现有证据还不足以证明生成式AI是唯一原因。

真正危险的不是某一年少招了多少人，而是培养机制被抽空。公司希望招聘能独立判断、能驾驭AI的工程师，却减少了让新人获得判断力的低风险任务。几年之后，行业可能同时出现两个现象：初级人员过剩，真正理解复杂系统的中高级人员短缺。

企业减少初级任务可以降低眼前成本，但如果没有新的训练机制，几年后会在中高级人才层出现断档。

06 大型IT服务公司已经在重写人员结构

大型IT服务公司的动作，比“AI会不会取代程序员”的争论更直接。

Accenture在2025财年披露，生成式AI相关订单达到59亿美元，拥有约7.7万名AI与数据专业人员，并已为超过55万名员工提供生成式AI基础培训。公司同时启动业务优化计划，公开表示会在较短时间内退出无法完成再培训的岗位。

这不是简单的“AI业务增长，所以所有员工都受益”。同一家公司的AI订单、AI人才和培训规模上升，也可能伴随传统技能岗位缩减。增长的是客户愿意购买的新能力，收缩的是不能再按照原价格出售的旧产能。

站在公司角度，这并不意外。软件服务公司不能只让员工使用AI提高效率，还必须修改报价、交付、考核和人员配置。否则，员工把工作做快了，公司却仍按旧方式管理项目，新增时间只会变成更多任务，或者在下一轮报价中被客户拿走。

所以，所谓“AI转型”真正困难的部分，不是采购多少编程助手，而是谁有权重写公司的收入模型和组织结构。

07 哪些软件公司会得到机会

AI不会让所有软件公司利润下降。它会放大不同公司之间原本就存在的差异。

如果一家公司的主要资产是大量可替换的开发人力，那么AI会削弱它的稀缺性。如果一家公司的资产是客户关系、行业数据、系统入口、长期运维权、监管资质和复杂交付记录，AI反而可以降低内部成本，并帮助它更快扩大已有优势。

机会主要出现在四个位置。

这些机会的共同点是，它们不能靠一次代码生成完成。它们要求供应商进入客户流程，持续获得反馈，并承担上线后的后果。

08 普通从业者如何从“出售工时”迁移出来

对普通程序员来说，最无效的建议是“多学AI”。因为几年后，会用AI就像会使用搜索引擎和版本管理一样，只是基础能力。

真正需要迁移的是你在交付链条中的位置。

新人不要只积累“写过多少代码”，要积累完整交付证据。你是否澄清过需求，是否设计过数据结构，是否写过测试，是否处理过上线故障，是否知道用户为什么不用。即使项目很小，也要走完从问题到运行的闭环。

中级工程师要尽快占住系统边界。身份权限、数据一致性、性能、成本、安全、可观测性和跨系统集成，都是单纯生成代码无法独立负责的地方。不要只成为速度更快的需求执行者。

资深工程师和管理者必须学会核算AI后的真实交付成本。代码生成速度不是最终指标。人工复核时间、线上缺陷、返工、模型费用、上下文维护和安全成本，都要进入项目核算。否则所谓效率，只是把成本从编码环节搬到了验证环节。

外包与自由职业者要减少按时间报价。能明确验收的任务，可以按结果、阶段和持续服务收费；不能明确验收的任务，要把需求变更、人工复核和责任边界写进合同。否则AI越快，客户越容易要求你降价。

最重要的变化是：不要只证明自己能够生产代码，要证明自己能够让一个系统在现实环境中持续产生结果。

09 这轮冲击的边界在哪里

目前公开证据还不能支持“程序员正在被大规模取代”这样的确定性结论。美联储研究没有观察到编码职业整体工资和工时的显著下降；METR的研究也说明，在复杂、熟悉度要求高的代码库中，AI收益并不稳定。

这个判断成立，需要满足几个前提：任务可以被清楚描述，结果可以被快速验证，错误可以低成本修复，代码库和业务规则能够被模型有效读取。

一旦进入核心金融系统、工业控制、医疗设备、公共基础设施或复杂遗留系统，验证与责任成本可能远高于生成成本。那里不会因为模型更会写代码，就立刻减少大量人员。

但边界并不改变主线：只要一部分开发任务持续降价，软件行业内部的收入和人才结构就会被重新排列。变化不需要等到AI完成整个项目才发生。