Claude Code 創始人在紅杉大會上的 7 個重要判斷

整理：阿穎

Claude Code 創始人 Boris Cherny 在紅杉大會上的分享，信息量非常大，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 代碼不再稀缺

對於大量主流開發場景，人手寫代碼這件事，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，然後一行一行把代碼敲出來。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代碼庫、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，從會不會寫代碼，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。

軟件工程現在正在經歷類似的轉折。代碼本身不再是稀缺品。會寫代碼這件事，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。親手把代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。這些人往往受僱於不識字的貴族，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 對軟件的影響，是一次加速版的印刷術革命。軟件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，會做軟件這件事，會像會發短信一樣自然。

03 什麼能力才是最重要的？

當寫代碼這件事的門檻被 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。一個是寫代碼很快的工程師，一個是在醫院信息科幹過幾年的人。

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，每個人都在寫代碼。

設計師可以自己把交互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，寫代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 行業有幾條几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、把數據結構復刻一遍，就夠工程團隊加班好幾個月。

現在直接把兩邊的接口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。

原因其實不復雜。

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 時代的軟件連接層。

過去互聯網的軟件連接方式是 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，寫代碼，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，中間不需要一個程序員替它翻譯。

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 落地最大的一個痛點：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、供應鏈後臺、各種定製系統。很多沒開放接口，沒文檔，沒自動化能力。它們就在那裡，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。