这两年，代码生成的速度提高了一个数量级，Tokens的费用越来越高。很多人由此认为软件开发的门槛正在消失，接下来会有一次软件的大爆发。
但我们观察这两年，事实是，代码产量大幅增加，有影响力的新软件却并不多：
服务器端操作系统仍是Linux的天下，数据库还是Oracle、MySQL、PostgreSQL这几家，大数据依然沿着Hadoop、Spark、Flink的路径演进。编译器、内核、协议栈、中间件，格局都没有松动。
这本身就不合常理。如果生成软件很便宜，最先被冲击的应该正是这些代码量最大、工程最复杂的领域，因为它们的商业价值非常高，能替代一部分，也会非常赚钱。可见，AI在这些领域，发挥的价值并不大。
这两年真正被大规模使用的新软件，集中在新的领域：AI自身的工具链上——Claude Code、Codex、Openclaw, Hermes,Deepseek DSH等。这一类，做出它们的主要是掌握模型的那几家公司。
我们需要思考一下其中的原因。
数据库要做的事，四十年前和今天没有本质区别。需求不再增长，新产品能占的位置自然有限。
更关键的是，代码从来不是这里的竞争核心。PostgreSQL源码完全公开，谁都可以拿去改，但这些年也没有出现第二个PostgreSQL。真正的资产是生态：接口规范、周边工具、熟悉它的工程师、遍布网络的故障案例，以及长期使用建立的信任。功能对齐只是入场券，之后还有迁移成本、运维习惯、上下游适配。AI能把入场券做得很便宜，对入场之后的障碍帮助有限。
基础软件的核心指标是可靠性，而可靠性只能来自时间和真实负载。一个数据库的稳定，是被无数次生产事故、极端并发、硬件故障、脏数据反复磨出来的。翻看成熟软件的源码，会看到大量看似多余的判断，每一处背后往往对应一次真实故障。
AI生成的是概率意义上合理的代码，主干逻辑写得很好，但写不出那些只有踩过坑才知道必须加的判断——它们在统计上不常见，在逻辑上也不优雅。
从0到1和从1到99.99是两件事。AI加速了前者，而基础软件的价值几乎全在后者。
软件不只是代码，它是团队对需求和场景的理解的产物。架构如何取舍，抽象在哪一层切开，哪些功能坚决不做，出问题时把复杂度留给谁——这些是判断，不是编码。
AI是极出色的执行者，前提是有人给出准确的指令，而指令的质量取决于指挥者的理解深度。一个不真正懂数据库的人指挥AI写数据库，得到的是一堆能编译、能跑通简单用例的代码，不是数据库。
Claude Code和Codex能做好，恰恰印证了这一点。做这些工具的人最清楚模型的能力边界：什么任务能独立完成，上下文该如何组织，什么时候该停下来问人。这种理解才是产品的内核。它们成立，不是因为AI会写代码，而是因为做它的人懂AI。
AI在基础软件作用不大，但仍然有其理想的应用场景。
场景一：软件开发辅助
即使在基础软件领域，在修改BUG,新增功能时，用AI提效是必需的。Linux创始人Linus Torvalds在2026年8月，借助AI工具的协助，修复了Intel Xe显卡驱动中一个棘手的内核Bug，就是最典型的例子。
场景二：企业自用软件。
企业数字化后，有各种需要提交的场景，功能并不复杂，但工作量大，同时，企业自身能准确把握需求。比如，企业内部的业务系统、报表、数据加工、接口对接和各类运营工具。
这类场景需求由自己定义，边界清楚，正确性可以被业务直接验证，试错成本低。过去一个需求排期两周，现在两天出可用版本；过去因投入产出比不划算而搁置的小工具，现在顺手就做了。
场景三：次抛软件
有了AI以后，很多小软件变得非常容易，比如，以前的数据处理，要写针对性的脚本，是非常麻烦的，现在，直接交给AI处理，快速搞定。这类软件，也是AI的大应用。比如，deepseek dsh或claude，每生成一个ppt,后边附带着很多的代码，这些，在没有AI的时候完全不可能，现在，变得非常简单。
其它的，还可以继续找找。
可以用一个更直观的方式检验：看看自己的手机，这两年新装了几个应用？大多数人的答案是很少，而且多半和AI有关。原因很简单，绝大部分需求已经被满足了。软件行业早就不是供给不足的行业，它面对的问题从来不是"写不出来"，而是"值不值得写"和"该写成什么样"。
一个完整的软件要经过需求发现、场景理解、架构判断、长期打磨和生态建设。AI显著降低了其中一个环节的成本，而这个环节恰恰最容易被外人看见，也最容易被误认为是全部。
所以，因为AI能写代码就认为软件开发变容易了，是一个相当大的误区。真正变容易的，是把已经想清楚的东西实现出来。想清楚这件事本身难度没变，而且因为代码不再稀缺，它的重要性还在上升。