马克·安德森：软件、人工智能与下一步

为什么要关注马克·安德森的观点

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。

你应当记住的要点

把这篇文章当成若干实用的判断透镜：

• 如何及早识别平台转变（并避免追逐噱头）
• 软件与 AI 如何改变成本结构、执行速度和竞争格局
• 当功能可以被更快复制时，如何重新思考护城河

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？

我们将覆盖的内容

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。

“软件吞噬世界”：核心论点

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。

这一论点的真正含义

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。

软件重塑行业的具体例子

几个熟悉的案例展示了这种模式：

• **媒体与广告：**分发从物理渠道转到软件平台，定向变成数据驱动。
• **零售：**库存、定价与物流越来越依赖算法；“店面”常常是搜索结果或推荐流。
• **金融：**支付、借贷、欺诈检测与交易高度由软件定义，客户体验与风险模型成为差异化要素。
• **交通与旅行：**路径规划、供需匹配与动态定价主要是软件问题，即便服务本身是物理的。
• **医疗（部分但真实）：**排班、账单、诊断支持与病患沟通已被不均衡地改造——常受制于监管与遗留系统。

今天的延伸：软件作为企业的控制层

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。

局限性与反驳点

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。

AI：下一个平台转变

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。

这里“平台转变”的含义

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）。

AI 现在让软件能做的事

传统软件是确定性的：相同输入，得出相同输出。AI 带来了：

• **生成：**按需生成文本、图像、代码与结构化输出。
• **（受限的）推理：**比较选项、提取约束、生成计划——有时会出错，但越来越有用。
• **代理：**可跨工具（搜索、邮件、表格、内部应用）执行多步骤操作并受监督的系统。

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。

炒作 vs. 当下有用的场景

**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 对产品策略的影响

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？”

新的构建模块

大多数 AI 功能来自一小组组件：

• **数据：**你用于训练、检索和在生产中学习的信息（真正的护城河常常是访问权 + 授权）。
• **模型：**基础模型或微调模型，用于生成、分类、排序或抽取。
• **提示与编排：**指令、工具、工作流、检索（RAG）与策略来塑造行为。
• **用户体验：**交互模型——聊天、协同驾驶（copilots）、内联建议、“一键”自动化，以及在系统不确定时提供清晰反馈。

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。

分发与信任可能胜过模型质量

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。

你应该及早规划的采用阻碍

AI 功能最常失败的原因包括：

• **成本：**按使用计费会让你和客户措手不及。
• **可靠性：**幻觉、边缘案例与性能波动。
• **隐私与合规：**数据保留、模型训练策略、供应商风险。
• **变革管理：**新工作流、培训与内部抵触（“我不想流程里有机器人”）。

评估 AI 功能的简单检查清单

在构建前使用：

1. **用户价值：**改进了什么任务，如何衡量成功？
2. **错误容忍：**可接受的失败率是多少？后备是什么？
3. **数据访问：**是否拥有使用权与足够质量的数据？
4. **信任设计：**用户会理解 AI 的决策过程吗？
5. **单位经济学：**一次成功结果对你成本是多少？
6. **上线计划：**能否先用“建议”模式，再过渡到“自动驾驶”？

创业公司：更快构建、更难差异化

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。

小团队，更快迭代

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。

新角色：从“工程”到“提示到产品”

AI 也改变了“构建”的样子。新职位正在出现：

• **AI 辅助工程师：**开发者与 copilots 配对以更快生成、重构和测试。
• **AI 运维（AI ops）：**在生产中管理模型行为——质量、延迟、成本、评估与护栏。
• **Prompt-to-product：**把客户工作流通过提示、模板、检索和轻量粘合代码变成可用功能。

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。

当功能被商品化时，创业公司如何竞争

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。

风险：供应商依赖、商品化、薄弱护城河

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。

工作与就业：增强而非立即替代

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。

岗位如何变化：任务先移动

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：

• **写作与编辑：**初稿、按语气改写、摘要、会议记录、提案大纲。
• **分析：**数据探索、解释趋势、生成假设、把凌乱的笔记变成结构化选项。
• **客户支持：**建议回复、更快分流、知识库检索、翻译、呼后摘要。
• **运营与财务：**发票编码提示、政策问答、清单生成、异常标注。

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。

团队的实操步骤

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：

1. **按标准培训：**短时课程，涵盖提示技巧、隐私规则与“什么是好”的示例。
2. **定义工作流：**明确 AI 可在哪些环节使用（起草、摘要），哪些环节必须由人决定（审批、最终建议）。
3. **设定复核规则：**要求事实性声明给出引用/链接，使用清单保证准确性，并追踪错误模式。
4. **衡量结果：**节省时间、质量评分、客户满意度——然后迭代。

关于岗位被替代的平衡说明

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。

开放与封闭的 AI：为何重要

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）。

“开放”与“封闭”真正意味着什么

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。

构建者的利弊

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。

开放工具如何加速竞争

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。

产品团队如何选择：快速指南

先看约束：

• **上市时间最重要：**选择封闭 API。
• **数据隐私/监管要求严格：**考虑开放/自托管，或选有强合规能力的封闭提供商。
• **定制是核心 UX 要素：**倾向开放（微调、RAG 堆栈、专属部署）。
• **使用量不确定或低体量：**封闭通常更便宜、更简单。
• **高体量且负载可预测：**开放/自托管在单位经济学上可能占优。

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。

监管、安全与创新之间的张力

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。

护栏通常出现的地方

多数政策讨论聚焦在若干风险区：

• **隐私与数据权利：**训练数据来源、同意、敏感数据处理与保留策略。
• **知识产权与内容归属：**训练集中的版权、输出归属与模型辅助抄袭。
• **安全与滥用：**欺诈、深伪、生命科学安全、自伤内容与武器化路径。
• **透明与消费者保护：**用户与 AI 互动时的披露，模型宣称的真实性检验。
• **安全：**提示注入、数据泄露、模型盗窃与模型依赖的供应链风险。

一个务实的政策立场：基于风险 + 明确问责

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）。

公司如何在不冻结创新的前提下准备

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。

AI 时代的竞争护城河

“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。

在 AI 时代能站得住脚的护城河

• **工作流嵌入：**你深度整合进关键流程（审批、合规、计费、客服），替换成本高（需重训与改写流程）。
• **数据优势（明确定义）：**独特且合法使用的高质量数据，以及持续改进结果的反馈回路。
• **分发：**你能低成本触达客户（现有用户、渠道伙伴、应用市场、企业关系）。
• **品牌与信任：**在医疗、金融与安全领域尤为重要——买家愿为可靠与可追责付费。

应当怀疑的薄弱护城河

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。

一个快速的可防御性自检

问四个问题：

1. 客户为什么留存？（如果他们切换，会坏掉什么？）
2. 随着规模，什么会变好？（数据、集成、分发、服务成本）
3. 哪些东西不能被快速复制？（流程、关系、专有访问）
4. 谁能扼杀这个功能？（模型提供商、平台或大型既有者）

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。

经济学：生产力、成本与新市场

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。

生产力不仅是“更快”——它改变单位经济学

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：

• 降低服务额外客户的边际成本（尤其在支持与入职方面）
• 促使公司在速度与迭代上竞争，而非纯粹靠人力规模
• 改变预算分配（更多花在数据、分发与品牌，减少对重复性生产的投入）

二阶效应：更低价格、更高期待

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 有可能扩展的需求场景

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：

• **规模化个性化：**一个每日自适应的健身应用或按用户偏好解释概念的学习产品能提高留存。
• **客户支持成为增长杠杆：**更快更好的支持能提高转化与留存，而不仅仅是降低工单成本。
• **新的“微服务”：**曾经太贵而无法提供的服务（定制提案、利基研究、个性化入职）在更低价格点上成为可行。

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。

给领导者与构建者的实用清单

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。

1）客户价值：什么会真正改善？

问：

• 哪个客户痛点既频繁又昂贵且可测？
• 哪个结果会改善：速度、准确性、个性化、成本或可用性？
• 如果我们去掉“AI”标签，用户是否仍愿为该改进付费？

2）风险容忍：哪些错误不能承受？

问：

• 最糟糕的失败是什么（错误建议、隐私泄露、偏见结果）？
• 哪些环节必须每次都由人审批，哪些仅在例外时人工介入？
• 可接受的错误率是多少，如何检测模型漂移？

3）数据准备度：你是否拥有取胜的输入？

问：

• 是否有与工作流绑定的干净且获授权的数据（工单、笔记、通话、文档）？
• 敏感数据存在哪里，哪些数据绝不可离开系统？
• 能否创建反馈回路（点赞/点踩、更正）来提升质量？

4）ROI：如何证明值得做？

问：

• 当前基线是什么（每次任务耗时、每单成本、转化率）？
• 预期提升是多少，多快显现？
• 全部成本是多少：工具、使用、集成、人工复核、合规？

本季度可运行的小型试点计划

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：

• **第 1 周：**定义任务、护栏与“金标准”评估集。
• 第 2–3 周：向小组发布并要求人工复核；记录失败样本。
• **第 4 周：**评估并决定：放大、迭代或停止。

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。

结论：如何清晰地思考接下来要做什么

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。

抓住大思想，但在细节上行动

“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。

接受真实的权衡

AI 的进展迫使你在无法彻底解决的方向上做选择：

• **速度 vs. 安全：**更快迭代能解锁价值，但需边界（人工复核、日志、升级路径）。
• **开放 vs. 封闭：**开放能加速实验并减少依赖，封闭能简化可靠性、支持与合规。
• **规模 vs. 聚焦：**通用工具赢范围，聚焦产品通过钉住端到端工作赢得信任。

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。

一个实用的下一步

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。