當 Microsoft、Google、Meta 和 Amazon 把年度資本支出從 4000 億美元推向 6500 億，華爾街的焦慮指數也跟著直線飆升。這場 AI 軍備競賽的回報在哪裡？更根本的問題是：當 AI 讓寫程式的成本趨近於零，整個軟體產業的價值鏈將如何重組？
知名科技分析師 Benedict Evans 與 Toni Cowan-Brown 最近就這個主題進行了一場深入對談。他們從巨頭 CapEx 的焦慮談起，一路剖析到 AI 如何重塑 SaaS 產業結構，以及為什麼「人人都能寫程式」這個敘事既正確又危險。這場對話最有價值的部分，在於它跳脫了「AI 好厲害」的表層討論，直指軟體產業正在發生的結構性轉變。
歷史的回聲：這是 2000 年還是 2010 年？
目前的市場情緒充滿矛盾。科技巨頭正以前所未有的速度砸錢建設 AI 基礎設施，但投資人最關心的那個問題始終沒有明確答案：ROI 到底在哪裡？
我們正處於一個巨大的恐慌週期中。人們擔心我們在晶片和電廠上花了太多錢，卻看不到相應的收入。但同時，每當看到像 Claude 這樣的新模型展現出驚人的編碼能力時，人們又會說：『天啊，這改變了一切。』—— Benedict Evans
這讓人想起 2000 年代的網路泡沫。當年電信公司鋪設了大量光纖，網路公司瘋狂燒錢，最終迎來慘烈的崩盤。但回頭看，那些預測並非「錯誤」，只是「太早」了——寬頻網路確實改變了世界，只是比所有人預期的晚了五到十年。
現在的問題本質上一模一樣：這些昂貴的 GPU 集群，究竟是會被長期消化的基礎建設，還是會像當年過剩的光纖一樣，成為短期的沉沒成本？答案取決於 AI 能否在企業端創造出與投資規模相稱的實質價值。
AI 重塑軟體的三個層次
撇開股價的短期波動，AI 對軟體產業的影響可以拆解為三個截然不同的層次。
軟體成本崩跌與長尾效應
AI 讓寫程式的邊際成本急遽下降。這意味著過去因為市場太小、開發成本太高而不值得做的利基型軟體，現在突然變得有利可圖。這將引發 SaaS 產品數量的爆炸性增長，本質上就是經濟學中的傑文斯悖論（Jevons Paradox）——當某種資源的使用效率提高、成本降低時，我們反而會消耗得更多。
解鎖非結構化數據的新能力
這不僅僅是讓現有軟體變便宜，而是讓軟體能做過去根本做不到的事。傳統資料庫只能處理結構化數據，但 LLM 可以理解圖片、影片和語義模糊的文字。這打開了全新的產品類別——那些過去被歸類為「不可能自動化」的任務，現在有了解法。
打破「全民開發」的迷思：Dwight 謬誤
這是最關鍵的一點。很多人認為，既然 AI 讓寫程式變得如此簡單，未來每個員工都能自己開發軟體。Benedict 用美劇《乖乖當上班族》（The Office）裡的角色做了一個精闢的比喻：
你真的希望 Dwight Schrute 或 Kevin Malone 去構建公司的會計系統嗎？這就是所謂的『Dwight 謬誤』。企業依然需要一個統一的真實來源（Source of Truth）。—— Benedict Evans
這解釋了為什麼 Salesforce 或 SAP 這樣的巨頭依然擁有深厚的護城河。企業需要權限控制、數據一致性和流程標準化。你不能讓兩萬名員工各自跑自己的 AI Agent 去隨意更改客戶資料——那不是數位轉型，那是數位災難。
被遺忘的中間層：AI 真正的戰場是 Excel 與 Email
如果 AI 不會取代核心的 ERP 系統，那它的主戰場在哪裡？答案是那些「臨時流程」（Improvised Middle Space）。
在嚴謹的企業軟體（如 SAP）和完全混亂的個人作業之間，存在一個巨大的灰色地帶。典型的場景是：員工從系統匯出 CSV 檔，在 Excel 裡手動整理，然後用 Email 寄給另一個部門，對方再手動輸入到另一個系統。這個流程荒謬、低效，但在每一間公司裡每天都在上演。
這就是 AI 最能創造價值的地方。過去的解法是請工程師寫腳本來自動化，但成本太高，永遠排不進工程團隊的 backlog。現在你可以直接把 Excel 丟給 AI，說：「幫我比對這兩份表格，找出差異並生成報告。」不需要寫死程式碼，AI 能理解模糊的指令並處理雜亂的數據。這比單純叫 AI 寫一段 Python 更有商業價值，因為它解決了企業長期以來「看得到卻吃不到」的效率問題。
產品經理不會失業：寫程式從來不是最難的部分
隨著 AI 編碼能力的提升，「工程師和 PM 即將失業」的敘事甚囂塵上。但這場對話點出了一個核心洞見：軟體開發最難的從來不是語法（Syntax），而是定義問題（Problem Definition）。
Benedict 舉了 Walmart 的例子來說明。想像你是 Walmart 的區域經理，一場三十年一遇的颶風即將來襲。AI 可以瞬間幫你寫好 SQL 查詢去調閱庫存數據——但你需要知道的是：在颶風來襲前，應該優先確認的是手電筒、電池還是罐頭的庫存？根據過往經驗，這家分店的供應鏈是否特別脆弱？
這就是領域知識（Domain Knowledge）與情境判斷的價值所在。AI 降低了技術門檻，反而拉高了對業務邏輯理解的要求。未來的 PM 和工程師可能更像 Palantir 所謂的「前線部署工程師」（Forward Deployed Engineer）——不是閉門造車寫程式，而是深入前線理解痛點，然後用 AI 工具快速組裝解決方案。
結論：從工具到意圖
回顧雲端運算的歷史，它剛出現時人們以為只是把伺服器搬到別人的機房。結果它徹底改變了軟體的商業模式（從賣授權到訂閱制）、部署方式（從年更到日更）和使用體驗（瀏覽器取代安裝檔）。AI 正在經歷同樣的過程。
我們目前還停留在「把 AI 加進現有軟體」的階段——在 Word 裡塞一個 Copilot，在 IDE 裡加一個自動補全。但真正的變革在於 AI 將如何改變軟體的抽象層級。未來的軟體可能不再是讓你「操作工具」，而是讓你「表達意圖」。
重點從來不在於工具變得多強大，而在於我們是否有能力精準定義要解決的問題。 這才是 AI 時代裡，真正稀缺的能力。
延伸閱讀與名詞解釋
- Dot-com Bubble（網路泡沫）：1995 至 2000 年間，投機性投資導致科技股股價過高，最終崩盤的事件。
- CapEx（資本支出）：公司用於購買、維護或升級實體資產（如伺服器、資料中心）的資金。
- System of Record（紀錄系統）：企業中儲存核心數據的權威系統，如 ERP 或 CRM。
- Jevons Paradox（傑文斯悖論）：經濟學理論，指技術進步提高了資源利用效率，反而導致該資源的消耗量增加。