Claude Code 創始人在紅杉大會上的 7 個重要判斷

作者：AI產品阿穎

原視頻：《Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next》

Claude Code 創始人 Boris Cherny 在紅杉大會上的分享，資訊量非常大，很多觀點我第一次完整聽到。這哥們確實對 AI 的理解比較到位。

我分享下自己的總結。

#01 程式碼不再稀缺

對於大量主流開發場景，人手寫程式碼這件事，已經開始變成一件低效率的事情。

以前一個功能要交付，工程師坐下來，先想清楚怎麼實現，然後一行一行把程式碼敲出來。在這個過程裡，工程師最大的價值就是：會不會寫，寫得好不好，寫得快不快。

現在的工作方式不一樣了。

同樣一個功能，工程師做的事情更像是：先把需求講清楚，把這件事拆成幾塊交給 Agent，定一個驗收標準，然後看一下 Agent 跑出來的結果對不對，不對就調整提示，讓它再跑一遍。

AI 已經可以搞定大部分的 Coding 任務。當然，也並不是 100%，還有很多巨大又複雜的程式庫、冷門語言或特殊環境，今天的模型表現仍然不夠。

整體來看，工程師的價值，從會不會寫程式碼，變成了會不會拆任務，會不會把目標講清楚，會不會驗收結果，會不會管理 Agent。

這種變化其實非常像工業革命。

工業革命之前，一個鐵匠從打鐵、鍛造、拋光到組裝，全套活都是自己一個人做。手藝好的鐵匠，自然就值錢。

後來流水線出現了。每個工人只負責一道工序，整體的產出卻比手工時代高出幾十倍上百倍。

這時候工廠裡值錢的角色，不再是會做某一道工序做得最好的工匠，而是能把流水線設計好、管理好、讓它跑順的人。

工人沒有消失，但工人的角色變了。

軟體工程現在正在經歷類似的轉折。程式碼本身不再是稀缺品。會寫程式碼這件事，正在變成像會用 PPT 一樣的基礎技能。

真正稀缺的，是能不能把模糊的需求拆成清晰的任務，能不能在 Agent 給出的幾種方案裡挑出最對的那個，能不能讓一群 AI 協同起來完成一件事。

這件事其實很多老工程師一開始是接受不了的。親手把程式碼寫出來這件事本身，是過去幾十年很多人熱愛這一行的理由。

把這個交給機器，對很多人來說，不只是工作方式變了，而是身份認同的一次重塑。

但趨勢就是趨勢。

#02 像古登堡印刷機

Coding 正在從一種專業技能，變成一種基礎能力。這件事可以類比 15 世紀歐洲的印刷術。

印刷術發明前，整個歐洲只有大約 10% 的人識字。這些人往往受雇於不識字的貴族，專職幫人讀和寫。

然後印刷術問世。50 年時間，歐洲出版的書籍數量超過此前一千年的總和，書價下降了 100 倍左右。再經過幾百年的配套（教育體系、經濟結構慢慢跟上），全球識字率才升到今天的 70%。

Boris 認為，AI 對軟體的影響，是一次加速版的印刷術革命。軟體會在幾十年內完全民主化，變成任何人都能駕馭的東西。

最終，會做軟體這件事，會像會發簡訊一樣自然。

#03 什麼能力才是最重要的？

當寫程式碼這件事的門檻被 AI 降到極低之後，真正區分一個人能力的，是他的產品感覺，是對一個具體領域的真正理解。

舉個例子。兩個人同時要做一個面向醫生的產品。一個是寫程式碼很快的工程師，一個是在醫院資訊科幹過幾年的人。

放在以前，工程師做出來東西的概率更高，因為他能把 idea 實現出來。

現在反過來了。誰都能把 idea 實現出來。這個時候，那位真懂醫院日常工作流的人反而更值錢。因為他知道哪些功能是醫生真的會用的，哪些只是聽起來有道理。

也就是說，AI 把執行的門檻抹平之後，判斷力的差距就被放大了。

這件事直接改寫了 generalist 這個詞的含義。

過去我們說 generalist，通常指的是一個工程師既能寫 iOS，又能寫 Web，又能寫後端。這種 generalist，本質上還是工程內部的全棧。

未來的 generalist 是跨學科的全棧。

有人同時懂產品、設計和工程。有人同時懂產品、數據科學和工程。這種組合過去幾乎不可能，因為每一項都需要長時間的專門訓練。

但現在 AI 把每一項的執行門檻都拉低了，一個人可以橫跨幾個領域，專業深度還能保住。

Claude Code 團隊就是這樣。工程經理、PM、設計師、數據科學家、財務、用戶研究，每個人都在寫程式碼。

設計師可以自己把互動原型跑起來給團隊看，不再只是出圖等工程師實現。

財務可以自己搭一個分析工具，把公司裡複雜的財務模型跑出來，不用再排隊等 BI。用戶研究的同事開始自己跑數據，把過去要等數據團隊配合的那部分活攬了過來。

每個人的專業深度都還在。但在 AI 輔助下，寫程式碼這件事變成了大家共用的語言。

#04 SaaS 的護城河正在瓦解

過去十幾年，SaaS 行業有幾條幾乎被當成公理的共識。

第一條是切換成本。一家公司一旦用了你的系統，裡面就慢慢沉澱了幾年甚至十幾年的數據、配置、字段、權限關係。

想搬到另一個系統，光是把這些東西原樣遷出去再遷進來，就足夠讓人頭疼到不願意動。

第二條是工作流鎖定。員工的日常操作、跨部門協作、審批節點，全部都是繞著這個 SaaS 長出來的。

換一個系統不只是搬數據，是把整個公司過去幾年長出來的肌肉記憶推倒重來。

這兩條加起來，構成了過去 SaaS 行業最深的護城河。但有了足夠強的模型之後，事情的邏輯開始變化。

先看切換成本這一邊。過去想從一個 SaaS 切到另一個，光是把字段對齊、把數據結構複刻一遍，就夠工程團隊加班好幾個月。

現在直接把兩邊的介面和數據結構丟給模型，讓它自己把映射關係理清楚，一點一點往最優解上爬。原本要幾個月的事情，可能幾天就能跑出一個能用的版本。

再看工作流鎖定這一邊，更有意思。過去工作流之所以能鎖住客戶，是因為這些流程本身複雜、隱性、依賴人。

員工腦子裡那套誰找誰審批、什麼時候卡哪一步的默契，沒法直接搬走。

但 Opus 4.7 這一類模型，最擅長的恰恰就是把一個複雜流程讀懂、拆開、在新環境裡重新搭起來。甚至重新搭出來的版本，可能比原來還順。

所以過去靠數據沉澱和流程沉澱建起來的護城河，正在瓦解。

對在做 SaaS 的人來說，這可能是個壞消息。但對所有用 SaaS 的客戶，和正在準備做新一代 SaaS 的團隊來說，這是一個真正的機會窗口。

#05 創業者最好的時代

未來 10 年裡真正顛覆行業的創業公司，可能會比過去 10 年多 10 倍。

原因其實不複雜。

小團隊可以用 AI 做出和大公司同級別甚至更好的產品。反過來，大公司想真正用上 AI，反而是負資產。

怎麼說呢？

一家有十幾年歷史的公司，已經長出了一整套自己的業務流程、崗位分工、協作習慣、培訓體系、KPI 考核。這些東西在過去是資產，是壁壘。

但要把 AI 真正嵌進去，意味著這一切都要被重新審視：業務流程得重構，所有員工得重新培訓，每往前推一步都會遇到巨大的內部阻力，要協調 N 個部門、N 層審批。

而一個三個人的初創團隊，從第一天起就把 AI 當成默認底座。他們沒有歷史包袱要拆，沒有習慣要改，沒有人需要被說服。今天討論清楚，明天跑出 Demo，後天就能上線讓用戶用上。

這種速度差，AI 之前其實也存在。初創公司對大公司本來就有速度優勢。但 AI 把這個差距放大了很多倍。

為什麼？

因為 AI 越強，一個人在單位時間裡能撬動的槓桿就越大。一個真正用好 AI 的小團隊，今天的產出可能相當於過去十個人，明天可能相當於過去三十個人。

但大公司的組織重量並沒有變輕，反而因為要消化 AI 這件事，變得更重。AI 越強，小團隊的加速度，和大公司的拖拽力之間的剪刀差，就被拉得越大。

這就是 Boris 說的負資產。不是大公司沒錢、沒人、沒意願，是它們身上那些過去賺錢的肌肉，今天恰好卡在了 AI 真正發揮價值的路上。

#06 MCP 不會死

MCP 不會死。

Skill 火了之後，很多人覺得 MCP 不需要了。OpenClaw 創始人也是類似的觀點。

但 Boris 不這麼看。他覺得 MCP 會成為 AI 時代的軟體連接層。

過去互聯網的軟體連接方式是 API。

但 API 的核心問題在於，它是給工程師設計的。想用一個 API，得先翻文檔，申請 Token，寫程式碼，把字段對齊，處理異常。說白了，API 是寫給人類開發者的。

MCP 不一樣。它讓模型可以直接接進來用，模型自己讀懂就能調，中間不需要一個程式設計師替它翻譯。

所以 Boris 把 API 叫做 Human Developer Interface，把 MCP 叫做 Model Interface Protocol。一個是給人用的，一個是給模型用的。

這其實跟當年很像。移動互聯網時代，默認所有服務都要 API 化。AI 時代，默認所有服務都要 MCP 化。

#07 Computer Use 依然重要

很多人現在聊 Computer Use，會覺得這個方向可能並不 work。

理由也很合理：太耗 Token，跑得慢，還不穩定。看上去更像一個炫技 Demo，離真正能用還有距離。

但 Boris 看到的層面完全不一樣。

他真正看重的是，Computer Use 解決了 AI 落地最大的一个痛點：現實世界裡，有大量系統既沒有 API，也沒有 MCP。

尤其是企業世界。

真進過公司就知道，裡面大量核心系統都很老。ERP、OA、財務系統、內部審批、供應鏈後台、各種定制系統。很多沒開放介面，沒文檔，沒自動化能力。它們就在那里，每天被無數員工手動操作著。

那為什麼不直接給它們做 API 呢？

因為做不動。開發這些系統的供應商可能已經不在了。IT 部門沒動力也沒預算去重構。

業務部門更不可能停下來等半年一年。這些系統永遠不會等到一個完美的 API 來拯救自己。

短期內，各大模型應該還會是提升自己的 Computer Use 能力。