夜雨聆风「机器将释放人类。」—— 出自《机器中的机器》（刘易斯·芒福德）
最近看到一份内部复盘报告，讲一个软件公司花了大量精力搭建AI全自动研发系统的故事。
故事很鼓舞人心：市场提需求→系统自动抓取→AI生成代码→人工评审→自动发布上线。
听起来像科幻小说。
但复盘的结论令人沮丧：总开发人数基本没变，成本没降，反而多了平台年费和运维开销。
这个故事戳中了整个行业最敏感的神经——所有人都希望AI能降本，但几乎所有人都会失望。
关键在于：产能提升的前提是收益提升。 如果你指望靠AI自动减少人头来实现降本，你已经输了。
让我先讲一个普遍存在的认知偏差。
你去超市买东西，看到一件商品打折——原来100块，现在60块。你当然高兴。
但AI对软件公司的"降价"不是一件商品，而是整个研发体系的运行方式。
问题在于：AI替代的不是"成本"，而是"劳动"。
而劳动成本在软件公司里占据的份额，根本不是你想象的那样。
一、总人数不会减少，只会重构
先看一个基本事实。
AI可以做什么？它可以替代表单、台账、基础CRUD接口、简单报表——这些纯体力初级编码工作。
这些工作的特点是：重复、模板化、不需要深度业务理解。
AI能做吗？能做。 而且做得比初级程序员快得多。
但这意味着什么？
意味着原本做这类工作的初级开发，工作量大幅下降。
那总人数呢？
答案是：基本不变。
为什么？因为有两类新岗位必不可少。
第一类：AI代码专职评审人员。
AI生成的代码存在业务漏洞、架构不规范、安全隐患。必须有人校验修正。而且这个人不能是刚毕业的新手——他得比AI强得多。
第二类：自动化流水线运维人员。
你以为整套需求同步、代码生成、自动发布系统很"自动"？它本身也是一套软件系统。需要专人日常维护、大模型对接、知识库更新。
最终结果：砍掉的初级编码人力，刚好被评审、运维新增人力抵消。
总研发人数几乎无变化。
更糟糕的还在后面。
二、增产不增收——你越忙亏得越多
这是整个讨论里最容易被忽略的一点。
一套全链路自动化研发平台，属于刚性固定成本。
平台年费、大模型API调用费用、运维与评审人力薪资——每个月无论产出多少需求、接到多少新项目，固定支出不会减少。
好，假设你交付产能提升了。原来一个团队一个月做10个需求，现在能交付20个。
但问题是：公司有没有新增付费项目？
如果没有——只是免费消化老客户迭代需求——你会得到一个反直觉的结果：
产量越高，单位功能分摊的固定成本越高，毛利持续下滑，越做越亏。
这套系统本质是产能扩张工具，不是降本工具。
只有配套营收增长，才能摊薄固定成本实现盈利。
这跟塔勒布说的"Skin in the Game"是一个道理——AI不担风险，没有任何实体承担损失。但你的固定成本在承担风险。产能扩张不带来收入增长，风险完全落在你身上。
三、三分法：AI落地只有三种模式
我们来看软件公司AI落地的三种模式。
模式一：重资产全自动链平台。
流程：市场提需求→自动拉取→AI生成代码→人工评审→自动发布。
成本情况：前期投入大，每月刚性固定成本高。总人力无减少，整体研发成本基本持平甚至略增。
适用场景：公司业务高速扩张，付费需求持续暴涨，现有团队产能彻底见底。
致命短板：无营收增长加持，纯白费钱。
模式二：轻量化最优组合。
人员结构：初级程序员 + AI代码辅助工具 + 高级程序员。
初级程序员+AI：负责所有重复CRUD页面、基础接口、简单代码编写。AI生成模板，初级人员微调优化。
高级程序员：专注高价值工作——需求评审、系统架构设计、复杂业务逻辑开发、系统性能优化、AI代码最终把关。
成本情况：无大额平台年费，无新增专职运维/评审岗位，复用现有团队，无刚性固定成本，成本弹性极高。
模式三：完全人工（不接AI）。
这个选项其实被很多人忽略了。不用任何AI工具，完全依赖人力。
成本情况：最低的工具成本，但产能上限低，质量波动大。
适用场景：业务量极小、团队极其精简、对交付速度无要求的特殊场景。
这三种模式里，大多数中小软件公司的最优解是模式二。
为什么？因为你不需要重型自动化平台的那套固定成本——你的业务量还没到那个程度。
但你也比完全人工多了AI这个杠杆。
四、什么时候才该上重型平台？
这是一个很多人搞反的问题。
所有人都想先搭建全自动链系统，然后等业务增长来匹配产能。
正确的顺序恰恰相反：先有业务增长，再搭建系统。
重型自动化平台只有一种入场时机：公司订单、付费需求持续爆发，现有团队产能彻底跟不上业务扩张。
这时候你再用增量营收覆盖固定成本。
注意这个逻辑顺序。
如果你现在就在考虑投入大几十万搭建全链路自动发布系统——问自己一个问题：你的营收在过去12个月增长了多少？
如果答案是"没有增长"或者"增长不多"——那你大概率正在为幻觉买单。
五、人比AI凶
2025年出了一本书叫《人比AI凶》。核心观点是：AI可以无限进步，但关键时刻的判断和行动还得人来。
这个道理在软件公司落地时同样适用。
AI可以做预测——生成代码、推荐方案、分析需求。但AI不能做判断——判断这个需求值不值得做、判断系统架构的长期可维护性、判断现在该不该上自动化平台。
这些判断永远在人。
而人的判断有几个特点。
第一，人比AI更在意后果。 AI生成一段代码，如果线上出了bug，AI不会亏损。但你会。所以最终把关必须是人。
第二，人理解上下文。 AI能写代码，但它不理解你公司过去三年的业务变迁、客户关系的微妙变化、团队能力的真实边界。这些隐性知识，AI没有。
第三，人做长期决策。 AI是短期最优解的优化器。但软件公司的架构决策、技术选型、人才梯队的建设——这些是长期投资，不能用短期ROI衡量。
六、短期行动方案
如果你是一家中小软件公司的负责人，以下是我给你的建议。
短期（0-12个月）： 全员配备轻量化AI代码工具。不搭建重型自动化流水线。优化现有团队分工，用AI解放初级开发的重复工作量。
中期观测： 持续跟踪公司付费需求增速、营收增长情况。判断是否存在产能瓶颈。
长期规划： 只有业务明确扩张、增收确定性强，再逐步接入需求自动同步、AI代码生成能力。绝不一步到位搭建全链路自动发布系统。
核心原则：严控固定成本。
最后
让我们换个角度看这个问题。
经济学里有个概念叫**"产能利用率"。** 工厂的设备不是24小时都在运行的——如果利用率太低，说明你买的设备太大了。
AI对很多软件公司就是这种情况。
你的业务量只需要一个10人团队，每月产出50个功能点。你花大价钱买了个能产出200个功能点的"AI工厂"。
然后你发现：工厂的固定成本（月租、电费、设备折旧）比你原来的10人团队还贵。
这就是被AI降本幻觉骗了的本质。
产能不是免费的。固定成本不是免费的。幻觉是免费的——但幻觉破灭的时候，账本不会对你客气。
所以，下次有人跟你说"上了AI就能降本增效"——问他一个问题：
你的营收增长从哪来？
如果答案不存在，你买的不是效率，是一台昂贵的闲置设备。
参考资料
纳西姆·塔勒布《非对称风险》（Skin in the Game） 万维钢《人比AI凶》（2025） 万维钢《佛畏系统》 Michael Porter《什么是战略》（Harvard Business Review, 1996） Richard Rumelt《好战略，坏战略》
