2025年8月05日·1 分钟
马克·安德森：软件、人工智能与下一步
马克·安德森关于软件与人工智能的关键观点实用指南——这些观点对产品、创业、工作、监管和未来走向意味着什么。
马克·安德森关于软件与人工智能的关键观点实用指南——这些观点对产品、创业、工作、监管和未来走向意味着什么。
Marc Andreessen 是硅谷的创业者与投资人，因共同创造 Netscape（早期广泛使用的网页浏览器之一）并后来共同创立风险投资公司 Andreessen Horowitz 而知名。人们关注他的观点，因为他近距离见证了多次技术浪潮——从构建产品、资助公司到公开争论市场走向。
这一节不是传记，也不是背书。重点更简单：Andreessen 的观点是具有影响力的信号。创始人、管理者和政策制定者常常对其反应——要么采纳他的框架，要么试图驳斥它。不管怎样，他的论点往往会影响哪些东西被构建、被资助和被监管。
把这篇文章当成若干实用的判断透镜：
如果你在下注产品、制定策略或分配预算，这些透镜能帮助你问出更好的问题：什么会变得更便宜？什么会变得稀缺？会出现哪些新的约束？
我们先从最初的“软件吞噬世界”论点说起，解释它为何仍能解释大量商业变化。然后讨论 AI 作为新的平台转变——它能做什么、会破坏什么，以及如何改变创业动态。
最后，我们会审视人类与制度上的后果：工作与就业、开放与封闭的 AI 系统，以及监管、安全与创新之间的张力。目标是让你在“下一步”上有更清晰的思考，而不是口号式的结论。
Marc Andreessen 的“软件吞噬世界”是一个简单主张：越来越多的经济活动由软件来运行、改进和颠覆。不仅仅是“应用”，而是将代码视为决策与协调层，告诉企业该做什么——服务谁、收多少钱、如何交付、如何管理风险。
行业被“软件吞噬”并不要求该行业完全数字化。它意味着最有价值的优势从实物资产（门店、工厂、车队）转向控制它们的系统（数据、算法、工作流以及通过数字渠道的分发）。
在实践中，软件把产品变成服务，自动化协调，使绩效可衡量——进而可优化。
几个熟悉的案例展示了这种模式：
现代企业不仅用软件做“IT”，而是用软件管理核心运营：用 CRM 管理收入，用分析决定优先级，用自动化缩短周期，用平台触达客户。即便拥有有形产品的公司，也在竞赛中看谁能最好地对其运营进行量测与学习。
这也是为什么软件公司能扩展到新类别：一旦你掌握了控制层（工作流与数据），相邻产品更容易加入。
这个论点并不意味着“一夜之间每个行业都变成软件公司”。许多市场仍受物理约束——制造能力、供应链、房地产、能源与人力劳动。
而且软件优势可能是暂时的：功能会被快速复制，平台会改变规则，客户信任可能比构建更快地丧失。软件确实会转移权力——但并不消除成本结构、分发与监管等基本面。
用实践的角度理解 AI 最简单：它是一组训练好的模型（通常称为“基础模型”），被封装进工具中来生成内容、自动化工作流步骤和支持决策。你不再手工编码每一条规则，而是用自然语言描述目标，模型填补剩余工作——起草、分类、摘要、规划或回答。
当一种新的计算层成为构建和使用软件的默认方式时，就发生了平台转变——像个人电脑、网页、移动和云一样。许多人把 AI 归为此类，因为它改变了交互界面（你可以“与软件交谈”）、构建模块（模型成为可插入能力）以及经济学（新功能可以无需多年数据科学而交付）。
传统软件是确定性的：相同输入，得出相同输出。AI 带来了：
这把“软件”从界面和按钮扩展成更像嵌入产品的能干助理的工作形态。
**当下有用：**起草与编辑、客服分流、基于内部文档的知识检索、代码辅助、会议摘要，以及在人工复核下的工作流自动化。
**仍然容易被炒作的：**完全自治的代理取代团队、完美的事实准确性、一个模型安全地处理一切。近期的赢家会把 AI 作为产品中的新一层——强大但受控、可测量、可约束。
AI 把产品策略从发布固定功能转向发布能适应混乱现实输入的“能力”。最优秀的团队不再问“我们应该新增什么界面？”而是问“我们能可靠交付什么结果？需要什么护栏来保证安全？”
大多数 AI 功能来自一小组组件：
忽视其中任何一项（尤其是 UX 与数据使用权限）的产品策略通常会陷入停滞。
一个稍逊的模型嵌入用户已依赖的产品中也能胜出，因为分发（既有工作流、集成、默认设置）大幅降低采用摩擦。信任也会复合增长：如果系统透明、一致且尊重用户数据，用户会容忍偶发的不完美。
信任通过可预测行为、在可能时给出引用或来源、“发送前复核”的模式以及明确“辅助”与“自动执行”边界来建立。
AI 功能最常失败的原因包括：
在构建前使用：
AI 让创业赛道朝两个方向倾斜：它显著加快了构建速度，但“能构建”的能力弱化为较小的竞争优势。如果“软件吞噬世界”描述了代码如何放大业务，AI 表明团队本身也能被放大——因为原本需要大量人力的工作能被工具与工作流压缩。
借助 AI 辅助的编码、设计、研究与支持，精简团队可以在几天内推出原型、快速测试信息并用真实客户反馈迭代，而不是漫长的规划周期。更快的循环意味着你更早发现正确的产品形态，减少在错误方向上投入精力。
在实践中，这就是为什么“vibe-coding” 平台开始变得重要：对于许多内部工具与早期产品，瓶颈不再是写每一行代码，而是把工作流快速、安全地变成可用应用。
AI 也改变了“构建”的样子。新职位正在出现：
这些角色不仅技术性强，也涉及把凌乱的现实需求翻译成能一致表现的系统。
当每个人都能快速发布功能时，差异化转向聚焦、速度与特定性。
为有紧急需求的窄众客户构建。端到端掌握一个工作流。比竞争对手学得更快。你的优势变成领域洞察、分发与信任——而不是一个可以被复制的演示。
AI 优先的创业面对真正的脆弱性。对单一模型供应商的高度依赖可能带来价格冲击、政策风险或质量骤变。许多 AI 功能容易被复制，产品走向商品化、护城河变薄。
答案不是“避开 AI”。而是把 AI 能力与更难复制的东西配对：专有数据访问、深度工作流集成，或当输出必须准确时用户依赖的品牌。
Andreessen 的乐观论调通常从一个观察出发：新软件往往先改变人们做什么，而不是先决定他们是否被需要。对于 AI，近期在许多角色中的影响是任务层面的重组——人们更多花时间在判断、客户上下文与决策上，减少在重复性起草、检索与摘要上的时间。
大多数工作是任务的集合。AI 会切入那些以语言为主、基于模式或规则驱动的部分。
“可被辅助”的常见任务示例包括：
结果通常是更高的产出率与更短的周期——但不会立刻使岗位消失。
采用效果最好的是把它当成流程设计，而不是把工具随意下发：
一些角色与任务会萎缩，特别是那些已高度标准化的工作。这使得再技能培训成为现实优先项：把人向更高上下文的工作转移（客户关系、系统拥有、质量控制），并及早投入培训，而不是等到压力变得紧迫时才应对。
AI 是否应当“开放”还是“封闭”已经成为关于谁来构建未来以及在何种条件下构建未来的代理之争。实际上，这场争论关乎访问（谁能使用强大模型）、控制（谁能更改模型）与风险（出问题时谁负责）。
封闭 AI 通常指专有模型与工具链：通过 API 访问能力，但对训练数据、模型权重或内部安全方法的可见度有限。
开放 AI 可以指多种事物：开放权重、运行或微调模型的开源代码，或开放的工具（框架、评估方法、服务栈）。许多产品是“部分开放”的，因此要明确询问到底共享了哪些内容。
封闭选项在便利与可预测性上往往更胜一筹：受管基础设施、文档、可用性保证和频繁更新。代价是依赖：价格可能变化、条款可能收紧，定制、数据驻留或延迟方面可能受限。
开放选项在需要灵活性时更有优势。运行自有模型（或专门的开源模型）能在规模上降低每次请求成本，使深度定制成为可能，并增强隐私与部署控制。代价是运维负担：托管、监控、安全测试与模型更新都成了你的责任。
安全性在双方都并非单一面向。封闭提供商往往默认有更强的护栏，但你不总能检查其工作方式；开放模型提供透明与可审计性，但也使不良行为者更容易复用能力。
开放权重与工具降低了实验成本。团队可以快速原型、为细分领域微调并共享评估方法——创新扩散更快，差异化从“谁能接入”转向“谁能做出最好的产品”。这种动态会逼迫封闭提供商改进定价、政策清晰度与功能。
先看约束：
一个实用方法是混合：用封闭模型做原型，待产品与成本曲线清晰后再把选定工作负载迁移到开放/自托管模型。
AI 重新点燃了科技领域熟悉的争论：如何在不扼杀进步的情况下制定规则。亲创新的观点（常与 Andreessen 式乐观相关）认为，过早或过重的监管往往会锁定今天的既有者，提高创业成本，并把实验推向监管宽松的司法区。
担忧并非“无规则”，而是规则制定得太早——在我们尚未弄清楚哪些用途真正有害、哪些仅仅是不熟悉的时候就定规矩。
多数政策讨论聚焦在若干风险区：
可行的中间路径是基于风险的监管：对低风险用途（营销草稿）要求较轻，对高风险领域（医疗、金融、关键基础设施）施加更严格的监督。配以明确的问责制：定义当 AI 被使用时谁负责——是供应商、部署者或两者，并要求可审计控制（测试、事件报告、人类复核阈值）。
尽早养成“合规就绪”的产品习惯：记录数据来源，开展红队评估，记录模型版本和提示用于敏感工作流，并保留应对有害行为的断路器。
最重要的是，把探索与部署分开。在沙箱环境里鼓励快速原型，然后用检查清单、监控与明确责任来把产出纳入生产。这既保全了速度，也把安全与监管作为设计约束，而不是事后紧急应对。
“护城河”是客户在有替代时仍继续选择你的理由。它由切换成本、信任与竞争优势混合而成，使你的产品成为默认选择——而不仅仅是个好演示。
AI 降低了构建功能的门槛与速度，许多产品在数月内会趋于相似。那些能维持的护城河更少靠花哨功能，而是靠你在客户日常工作中的位置。
如果你的优势只是“我们加了一个聊天机器人”或一组任何人都能复制的提示，默认假设竞争很快会赶上。
问四个问题：
Andreessen 的核心观点仍然适用：软件优势会复合增长。在 AI 中，这种复合更多来自采用、信任和嵌入性——而不是新奇本身。
AI 最直接的经济效应很简单：每小时产出增加。更不明显的影响是它能改变“生产某物的成本”，这会重塑定价、竞争，最终影响需求。
如果一个团队能用 AI 辅助起草文案、生成 UI 变体、总结客户通话并分流工单，同样的人力可以交付更多。但更大的变化可能是成本结构：部分工作从“按小时付费”转向“按请求付费”，部分成本从人工转向算力。
在可行场景中，这会：
当成本下降时，竞争市场往往会带动价格下行。价格下降能扩展市场，但也会提高客户期望。如果客户习惯于即时回答、个性化体验与“始终在线”的服务，原本的高端特性会变成基本门槛。
这就是“软件吞噬世界”在 AI 上的新扭转：AI 可能使某些服务显得充裕，从而把价值转向稀缺要素——信任、差异化与客户关系。
AI 不仅降低成本，也能让产品对更多人和场景变得可行。若干可信的需求扩展示例：
这些都非必然。赢家往往是那些把 AI 用作重新设计商业模式手段的团队，而非仅仅加速旧流程的人。
把 AI 策略变成一组可用证据回答的问题，会比凭感觉决定更清晰。在领导会议或产品评审里用下面的问题来决定押注、试点或回避方向。
问：
问：
问：
问：
选一个高频且易衡量的工作流（支持分流、销售邮件草稿、文档摘要）。运行 4 周试点：
要跟踪的成功指标：周期时间、质量评分（人工评估）、每次结果成本与用户采用率。
如果你在这些试点中尝试构建内部工具或轻量客户面向应用，像 Koder.ai 这样的平台可以帮助你把在聊天中描述的工作流快速变成可运行的 Web 或后端原型——并在准备上线时导出源代码。
如果你需要帮助选择合适的层级或使用模型，见 /pricing。想要更多实用手册，请浏览 /blog。
Marc Andreessen 的主线很简单：把技术当作杠杆。先前是软件作为放大创意的通用工具；现在 AI 添加了新一层——系统不仅执行指令，还能帮助生成、总结、决策与创造。
“AI 改变一切”不是策略。清晰的思考始于具体问题、用户以及可衡量的结果：节省时间、降低错误率、提高每用户营收、减少支持工单、降低流失。当 AI 的工作锚定在指标上，就更容易避开无法落地的华而不实演示。
AI 的进展迫使你在无法彻底解决的方向上做选择：
关键不是永远选对一边，而是把权衡说清楚，并随能力与风险变化而复审。
写下一个团队每周因其而损失小时数的工作流。在几天内做一个 AI 辅助的原型，而不是几个月。决定什么是“好”，用小组运行，并保留那些确实改善指标的方案。
想要更多框架与示例，请浏览 /blog。若你在评估解决方案与成本，先看 /pricing。
Marc Andreessen 曾亲历多次平台转变（网页浏览器时代、云时代软件，以及现在的 AI 层）。即便你不同意他的结论，他的框架常常影响创始人要做什么、投资人投什么、政策制定者关注什么——把它当作一种“信号”，用来提出更清晰的问题并制定更好的策略。
这意味着许多行业的竞争优势从拥有实物资产转向掌控“控制层”：数据、软件工作流、通过数字渠道的分发能力，以及度量和优化绩效的能力。
例如：零售仍然可以是“实体”的，但定价、库存、物流和获客越来越成为软件问题。
不是的。文章的观点是软件正在重塑企业的运作与竞争方式，但基础要素仍然存在。
实体约束仍然重要（制造、能源、供应链、劳动力），而且软件优势也可能是暂时的，例如：
平台转移指的是新一层计算方式成为构建和使用软件的默认方式（如网页、移动、云）。AI 改变了：
结果是：团队能交付“能力”，而不是固定的界面或规则。
当前最实用的用例通常是“人机协同”场景：速度和覆盖重要，但错误可控。示例：
模式是：AI 提供建议，人工审批（尤其是在初期）。
因为 AI 特性易被复制，持久优势往往来自：
如果你的护城河是“我们加了个聊天机器人”，要假设竞争很快就会追上。
先做一个简单的预建检查清单：
常见阻碍分为四类：
有效的缓解方式：缩小范围、要求人工复核、记录失败样本，并对一套“金标准”实例持续迭代。
Closed AI 通常通过 API 提供，训练数据、模型权重或内部安全策略可见度有限；优点是便捷、可管理且性能可预测。Open AI 可以指开放权重、开源运行/微调代码或开放工具链；优点是灵活可定制，但增加了运维负担（托管、监控、安全测试、更新）。
实用做法常常是混合策略：先用闭环 API 快速验证，再把稳定且高流量的工作负载迁移到开源/自托管以优化成本与定制化。
把它当作流程设计，而不是随意发放工具：
如果你想要轻量化起步，可以在一个高频工作流上运行 4 周试点，然后根据结果再决定是否扩大。更多方案见 /blog；成本/使用考量见 /pricing。