AI编程时代，软件公司的新资产负债表

如果你今天还在用老办法经营一家软件公司，表面上看，你手里很充实：

有很多项目代码。 有很多技术栈经验。 有很多做过的系统。 有很多开发人力。

可一旦把这些东西放进 AI 编程时代里重新估值，你会突然发现一件很残酷的事：

过去被你记在“资产”栏里的很多东西，今天正在快速贬值；而过去你没太当回事的东西，反而开始变成决定生死的新资产。

这就是我今天想聊的话题。

不是“AI 会不会取代软件公司”。 而是更现实的问题：

AI 编程时代，一家软件公司的新资产负债表，到底应该怎么重写？

这不是一个概念题，而是一个经营题。 谁先把账算明白，谁就更有机会活成下一代的软件公司。 谁还抱着上一代的软件公司资产结构不放，谁就会越来越像一个看上去很忙、实际上不断贬值的旧工厂。

一、先说结论：代码还重要，但已经不再适合单独记在“核心资产”一栏

先把最容易引起误解的话说清楚。

我不是说代码不重要。 复杂系统、核心基础设施、性能优化、底层平台能力，这些地方，代码当然仍然值钱。

但对大多数软件公司来说，过去真正赚钱的大头，并不是“写出世界级底层系统”，而是承接各类企业项目、业务系统、流程平台、管理后台、行业应用和定制开发。

这类业务过去之所以有利润，很大程度上靠的是三件事：

第一，代码生产慢。 第二，改动成本高。 第三，交付过程高度依赖人。

而 AI 正在同时改写这三件事。

OpenAI 在 2025 年发布 Codex 时，已经把它定义成可以写功能、修 Bug、回答代码库问题、提出 PR 的云端软件工程 agent；在后续关于 AI-native engineering 的公开材料里，又进一步把 AI 的适用范围扩展到了规划、设计、开发、测试、代码审查和部署整个生命周期。GitHub 对 Copilot cloud agent 的定位也已经不是“补全工具”，而是能研究仓库、做计划、改代码、跑检查、补文档的 agent。

这意味着什么？

意味着代码本身，正在越来越像一种可以被快速生成的中间产物。 真正稀缺的，不再只是“谁能写出代码”，而是“谁能让 AI 持续、稳定、低风险地写对代码，并顺利交付”。

所以，AI 编程时代的软件公司，核心问题不再是“代码库够不够多”，而是：

你有没有一套能把客户需求稳定变成可上线结果的生产系统。

二、旧时代软件公司的“资产表”，为什么正在失效

过去很多软件公司的账，是这么算的：

代码仓库越多，资产越厚。 技术人员越多，产能越强。 做过的项目越多，复用价值越大。 组件库越多，未来交付越快。

这套逻辑在传统时代成立，因为那时候最难的是“从零做出来”。

但现在，越来越多团队会发现，同一个团队连续做几个项目，真正反复复用的，往往不是某个老仓库里的几十个模块，而是另一套东西：

同类需求怎么拆。 什么任务直接丢给 agent。 什么任务必须人工 review。 项目规则怎么写给 AI 看。 哪些内部脚本、工具、服务要接进 agent。 什么叫“合格交付”，怎么评测、怎么回归、怎么验收。

GitHub 文档里对 agent skills 的定义很直接：它本质上是由 instructions、scripts、resources 组成的一组能力包，Copilot 会在相关任务里按需加载；custom agents 则允许团队用 Markdown 文件定义 prompts、tools 和 MCP servers，把团队规范、工作流和约束一次性编码进去，而不是每次重复口头交代。

这件事的意义非常大。

因为它说明：未来真正能跨项目复用的，不一定是代码结果，而是代码生产方式。

以前你卖的是“我们已经有很多现成代码”。 以后你更该卖的是“我们已经有一套成熟的人机协作交付系统”。

这就是新旧资产表之间最本质的变化。

三、新资产负债表的左边：未来真正应该沉淀的“资产”

下面我直接说我的判断。 如果我是今天的软件公司负责人，我会把真正该沉淀的资产，重点放在下面六类。

1. 第一资产：上下文资产

AI 时代最贵的，不是多写 10 万行代码。 而是让 AI 一开始就站在正确语境里。

Anthropic 在“effective context engineering”里明确把 context engineering 视为 prompt engineering 的自然延伸，强调问题不只是怎么写提示词，而是如何持续维护“在当前推理时刻，模型能看到什么信息”。他们把这件事定义为：围绕 token 配置做优化，以便更稳定地得到想要的结果。

翻译成人话就是：

AI 干活质量，往往不是卡在“聪不聪明”，而是卡在“你有没有把该给它的信息给全”。

所以，未来软件公司最重要的一类资产，不是裸代码，而是这些东西有没有结构化沉淀：

需求文档。 业务规则。 领域术语。 架构约束。 数据库边界。 接口规范。 测试方式。 部署流程。 历史坑点。 给 agent 看的仓库操作说明。

OpenAI 在 2026 年谈 agent-first 工程实践时，直接提到他们把“repository knowledge”做成了 system of record，把“application legibility”和“agent legibility”当成目标；工程师的主要工作，不再只是手写代码，而是“设计环境、指定意图、构建反馈回路，让 agent 能可靠工作”。

这句话非常重。

它等于是在告诉所有软件团队：以后谁的项目更“可被 AI 理解”，谁的项目交付成本就更低。

所以，上下文资产，应该被正式记入新资产负债表的第一位。

2. 第二资产：工具资产

很多团队口头上在讲 agent，实际上做的还是“把一个聊天窗口塞给程序员”。

这远远不够。

真正能拉开差距的，是你有没有把团队常用能力，沉淀成 AI 可调用的工具层。

GitHub 的公开文档已经很明确：skills 不是抽象概念，而是由 instructions、scripts、resources 组成的可加载能力单元；custom agents 还能进一步绑定 prompts、tools 和 MCP servers。换句话说，平台本身都已经在推动团队把隐性的工作经验，转成显性的工具能力。

这类工具资产包括什么？

不是泛泛的“我们会用 AI”。 而是非常具体的：

自动建项目骨架。 自动生成接口契约。 自动跑回归测试。 自动检查数据库变更风险。 自动抓日志并归因。 自动比对 UI 差异。 自动打包部署。 自动整理交付文档。 自动读取知识库、旧项目、历史 ticket。

这些一旦接进 agent，就不再只是辅助脚本。 它们会变成你的“组织器官”。

未来两家软件公司看上去都在用同样的模型，但效率和稳定性差一大截，原因往往不在模型，而在工具层厚度。

3. 第三资产：评测资产

这一条，我认为未来会被重新估值，而且会涨得很厉害。

因为 AI 最大的问题，不是“出不来”，而是“看起来出了，实际上没做对”。

OpenAI 的 evals 文档把评测流程说得很清楚：先把任务描述成 eval，再用测试输入运行，最后分析结果并持续迭代。这套过程被明确类比成行为驱动开发的思路：先定义系统该怎么表现，再去验证。

而 Stack Overflow 2025 调查的数据更有意思：开发者对 AI 的采用率已经很高，但对其准确性的信任反而不足；在“你是否信任 AI 输出准确性”的问题上，不信任的比例高于信任，只有极少数开发者表示“高度信任”。

这说明什么？

说明未来真正值钱的，不是“会让 AI 生成”，而是“有能力证明生成结果是对的”。

所以，一家 AI 时代的软件公司，必须把这些东西当资产沉淀：

验收样例。 回归用例。 历史故障样本。 领域 gold cases。 评分标准。 评测脚本。 上线前检查清单。 必须人工复核的高风险点。

这些东西以前很多公司不重视，因为人写代码时，大家默认“工程师自己会判断”。 但 agent 时代不一样。 你不把判断标准外显化，最后整个系统就会充满“差不多”“应该行”“大概可以”的伪交付。

而这种伪交付，迟早会反噬利润。

4. 第四资产：行业知识资产

当通用开发能力越来越便宜，行业理解一定会越来越贵。

这几乎是必然。

因为模型越来越通用，生成 CRUD、脚手架、前后端标准页面的门槛越来越低。 但一个医疗系统的特殊合规逻辑，一个制造业 MES 的异常流程，一个出版平台的版权边界，一个供应链系统的报价规则，不会因为模型更强就自动变简单。

所以以后真正有议价权的软件公司，不是“什么都能做一点”的团队，而是在某个行业里，把知识结构化、流程模板化、上下文工程化做得最深的团队。

说白了：

以后最值钱的，不是“你会不会开发系统”。 而是“你有没有把某个行业的复杂性，驯化成 AI 能复用的资产”。

这才是新护城河。

5. 第五资产：交付操作系统

我越来越倾向于把未来的软件公司，看成一种“交付操作系统公司”。

因为你真正卖给客户的，不再只是最终那套软件，而是一整条稳定的交付链：

如何理解需求。 如何拆成 agent 能执行的任务。 如何分配给人和 AI。 如何控制质量。 如何进行阶段验收。 如何追踪改动。 如何回滚问题。 如何持续迭代。

Anthropic 在“Building effective agents”里反复强调，成熟团队更依赖简单、可组合的模式，而不是复杂框架；他们也指出，agent 最适合那些既需要对话、又需要行动、有明确成功标准、存在反馈回路、并且有人类监督的任务。

这和软件交付天然契合。

所以，未来真正有价值的，不是“我们有 200 号程序员”，而是：

我们有一套从需求到上线的 AI-native 交付操作系统。

这套操作系统越稳定、越透明、越可复制，你的毛利就越高，团队规模焦虑就越低。

6. 第六资产：客户信任资产

很多技术团队不喜欢谈这个，但我认为这是新资产表里必须单列的一项。

因为 AI 时代，客户最担心的并不是“你会不会用 AI”，而是：

你用了 AI，我怎么知道质量没下降？ 你是不是只是把我的项目拿去让模型乱写？ 出了问题谁负责？ 代码归属怎么算？ 安全、合规、审计怎么办？

所以，未来真正值钱的，还包括一套“让客户放心”的组织能力：

交付透明。 变更可追踪。 评测有证据。 风险点能说明。 责任边界清楚。 文档与审计链完整。

很多公司现在还把这些当“附加项”。 我不这么看。

我认为这已经是 AI 时代签单能力的一部分。 没有这层信任资产，你就只能卷低价。 而低价，在模型时代会死得更快。

四、新资产负债表的右边：哪些旧东西，应该尽快从“资产”改记为“负债”

讲完该沉淀什么，再说更痛的一部分：哪些东西你以为是资产，其实已经慢慢变成了负债。

1. “人月堆交付”正在变成负债

过去软件公司很喜欢强调规模： 多少开发、多少测试、多少实施、多少驻场。

但 AI 时代，规模本身不再天然等于效率。 如果流程没有重写、上下文没有结构化、工具没有接入、评测没有建立，那人越多，往往只是沟通噪声越大、责任边界越模糊、返工越频繁。

以前你可以靠人海把问题淹过去。 以后你会发现，人海本身也要被 AI 重新定价。

不能被新流程吸收的人力，不再是资产储备，而会逐渐变成成本压力。

2. “大而全的代码仓库存量”正在变成负债

很多公司觉得仓库越多越有底气。 但真实情况是，大量历史仓库并不能直接被新项目复用，反而会制造更多理解成本、迁移成本、维护成本和误导成本。

尤其在 AI 时代，这类老仓库如果没有清晰文档、没有边界说明、没有依赖约束、没有运行方法，agent 读进去以后，未必帮你提效，反而可能学到一堆过时模式。

仓库多，不等于资产多。可被 agent 理解并调用的仓库，才算资产。

其他的，很可能只是数字化堆料。

3. “没有文档也能靠老人顶住”的文化，已经是负债

这个问题，传统时代就危险；到了 AI 时代，会直接拖垮团队。

因为以前没有文档，至少还有老员工脑子里的隐性知识顶着。 现在一旦你想让 AI 参与，隐性知识不外显，就意味着 agent 永远拿不到关键信息。

结果就是：

每次都得重新解释。 每个人解释版本还不一样。 同样任务每次结果波动很大。 团队永远跑不出复利。

这种组织，表面看经验丰富，实际上已经被自己的隐性知识困住了。

4. “技术栈炫技”正在变成负债

很多软件公司这些年有个通病： 喜欢把自己包装成“掌握很多新技术、很多框架、很多平台”。

但在 AI 编程时代，单纯的技术栈广度会被迅速稀释。 因为模型越来越能跨语言、跨框架生成通用代码。 你只是“会很多框架”，不会再形成足够强的稀缺性。

真正稀缺的，开始变成：

你有没有行业深度。 有没有交付系统。 有没有高质量上下文。 有没有评测与治理。 有没有稳定责任机制。

不会被重估的炫技，最终都会折旧。

5. “低质量复用”正在变成负债

很多所谓代码复用，实际上只是复制粘贴复用、模板复用、项目壳复用。 这种复用在过去能省一点人天，在今天未必还能成立。

因为 AI 更擅长的是“按当前需求快速生成合适版本”，而不是机械继承一套陈旧模板。 如果你还在把大量低质量模板当资产，很可能会出现一个讽刺场面：

你以为你在复用资产，实际上你在给 AI 和团队制造历史包袱。

所以以后真正该复用的，不是低质量结果，而是高质量规则。

五、那软件公司现在最该怎么做？

我建议任何一家还想继续做软件交付的公司，都尽快做一次自己的“新资产负债表盘点”。

把公司现有积累，重新分成三类：

第一类，应该继续沉淀并资本化的。 比如上下文资产、工具资产、评测资产、行业知识资产、交付流程资产。

第二类，看上去很多、实际上该折旧的。 比如大量无文档老仓库、靠熟手硬扛的隐性知识、没有标准的历史模板、不能接进 agent 的散乱脚本。

第三类，应该直接淘汰的。 比如纯靠人月堆砌的低端交付模式、无法解释质量的黑箱式开发、没有评测就直接拿 AI 输出交付客户的做法。

你会发现，这样一盘点，公司的真实家底会立刻变得清晰很多。

六、最后说一句最核心的话

我越来越相信，AI 编程时代的软件公司，最终会分成两种。

第一种，继续把自己当“写代码的人力公司”。 这类公司会越来越难受，因为代码生产本身在被快速压价，技术劳务在被快速同质化。

第二种，把自己升级成“组织人和 AI 稳定交付的软件生产系统”。 这类公司卖的不只是开发，而是：

更清晰的上下文。 更强的工具链。 更可靠的评测。 更深的行业理解。 更透明的责任机制。 更低风险的上线结果。

前者卖工时。 后者卖确定性。

而在今天这个阶段，确定性，才是最贵的资产。

所以，AI 编程时代，软件公司的新资产负债表，真正该沉淀的，不是更多代码，而是：

让 AI 可控地产出正确结果的整套系统能力。

至于那些过去看起来很厚、很重、很多的旧资产—— 如果不能转成这套系统的一部分，就别再自我感动了。

它们多半已经开始折旧了。