我今天想跟你聊一个不那么"程序员"的话题——软件经济学。

不是"AI让程序员失业"那种焦虑话题。

也不是"AI让程序员效率翻倍"那种鸡血话题。

是更上游的——当AI让"造软件"边际成本趋零，软件作为商品发生了什么变化。

这才是2026年最值得想清楚的事。

让我先抛一个观点——

软件正在"通货膨胀"。

啥意思？

你回忆一下实体经济。"通货膨胀"是货币购买力下降。同样100块钱，去年能买一袋米，今年只能买半袋。

软件正在经历类似的事。

以前软件是"稀缺品"——

会写代码的人少，造一个软件要花大量人力，软件价格贵，企业愿意为软件付高价，因为"我需要但我不会造"。

现在AI让"造软件"这件事的边际成本几乎归零——

你用vibe coding 10分钟能搭一个App原型。自然语言描述一下需求，AI帮你生成完整模块。Cursor、Claude Code、Copilot——这些工具把"造软件"的门槛拉到地板。

结果是什么？

软件供给爆炸式增长。

原来10家公司能做的App，现在1000家公司能做。原来500个程序员能维护的产品，现在50000个AI agent能维护。

软件从稀缺品变成日用品。

这就是"软件通货膨胀"——

软件作为商品的"价格"，正在被AI的产能压到脚踝。

但这引出一个问题——

软件"通货膨胀"，程序员的价值会跟着通胀归零吗？

我的判断是：不会。但价值评估体系会重塑。

听我慢慢说。

我做了10年程序员。这10年我最深刻的感受是——

软件行业从来不缺"会写代码的人"。缺的是"知道该写什么代码的人"。

稀缺的不是代码，是判断力。

判断力包括——

• 这个需求该不该做？
• 这个架构该不该这样搭？
• 这个性能瓶颈在不在这里？
• 这个安全漏洞危不危险？
• 这个技术债要不要现在还？

AI能写代码。但AI写代码之前，得有人告诉它该写什么。

AI能生成10种方案。但选哪种，得有人判断。

AI能跑测试。但测试什么、什么算通过、什么算bug——得有人定义。

这些"判断"，AI做不了。或者说，AI做得不够好。

为什么？

因为判断需要"上下文"——业务上下文、团队上下文、用户上下文、历史上下文。

AI没有这些上下文。

AI有的是训练数据里的"通用模式"。

通用模式 ≠ 你的具体场景的最优解。

我给你举个具体例子——

有个创业团队要做电商网站。AI 5分钟能生成一个完整的电商原型。

但接下来——

• 支付该接微信支付还是支付宝？哪个费率更低？
• 订单状态机该怎么设计？异常状态怎么回滚？
• 商品的SKU模型该支持多规格还是单规格？未来扩展怎么办？
• 库存超卖怎么防？分布式锁还是乐观锁？

这些问题，AI能给你"通用答案"。但"通用答案"在你的具体场景里可能是个灾难。

这才是程序员真正的护城河——不是"会写代码"，是"知道该写什么代码"。

AI时代，这个护城河没有被填平，反而变宽了。

因为软件通货膨胀让"会写代码"不值钱了，但"知道该写什么代码"更值钱了。

供给多了，需求也在变。

用户面对的是AI生成的茫茫多的软件——他们怎么选？

他们需要的不是"能用"的软件，是"选对"的判断。

这种"判断力"谁提供？

程序员。

但不是"会写代码"的程序员，是"懂业务、懂用户、懂技术、能做判断"的程序员。

所以AI时代的程序员升级路径很清楚——

从"代码工人"升级到"判断者"。

怎么升级？

• 学业务：彻底搞懂你做的那一行
• 学用户：跑客户、跑销售、跑运营
• 学决策：在不确定性下做选择
• 学判断：识别真问题 vs 假问题

这些东西AI学不了。

最后——

软件"通货膨胀"时代，最值钱的不是"会造软件的人"，是"知道该造什么软件的人"。

这是2026年所有程序员该想清楚的事。

回见。