最优秀的公司将停止编写软件
💡 文章信息：作者：Phin Barnes (Partner @ The GP) | 英文原文：点击阅读
💡 核心论点
- 随着 AI 能够极度低廉、高质地生成代码，编写软件的物理过程将彻底商品化。
- 软件行业迎来“耐克时刻”：价值从直接生产软件（写代码）剥离，向定义产品与掌控用户关系端聚拢。
- 未来的软件公司将转型为拥有极强设计感与分销能力的“品牌商”，将工程细节全权交付给 AI 驱动的“工厂”。
📑 严格逐字逐段翻译
最好的公司将停止开发软件
一双鞋、一个规格和软件的耐克时刻
我在台湾为 AND 1 工作的第一天教会了我很多东西。那是1998年，我从费城飞到台北，然后开车到台中。我第一次见到我的老板，递给我一管从美国带来的蓝图，就像死海古卷一样。他将它们摊开在桌子上，做了一些编辑，然后将它们卷回管中。他把它连同地址一起交给了我。我们和当地开发团队的一名成员一起开车前往该地址，停在市中心一条小巷的一扇金属卷门前。里面有一位年长的男子，穿着工作服和白色汗衫，手指上叼着香烟，旁边的长凳上放着 Dremel 工具。
在同事的指示下，我把一管图纸递给了他。他把它们钉在长凳上方的墙上，把香烟放到嘴边，抓起中底的轻木坯料，启动了 Dremel。几分钟后，中底/外底设计的比例 3D 模型就完成了。他将这个过程重复了三遍。每次，停顿足够长的时间来点燃一支新香烟。
他的手的准确性让我大吃一惊。他还了解鞋子的工程设计，并对二维设计进行调整，以考虑施工方法、大规模制造工艺以及整体最终产品的耐用性。 3D模型雕刻完成后，他会记下这些修改。
我们拍摄了数码照片，通过电子邮件将其发回给我们在美国的设计师，并在一两周内迭代了设计。设计完成后，我们的工厂合作伙伴创建了样品模具并将中底/外底组合送回美国的产品团队进行审查。使用遮蔽胶带和铅笔对 3D 样品进行设计编辑，然后运回亚洲进行模具修改，并重复该过程直至样品获得批准。从那时起，生产模具被雕刻在铝上，生产样品在中国制造。我会经香港前往那里，并在最终成本计算和责任工程完成之前审查生产版本。
大约在我开始这些旅行两年后，我在广州和东莞之间的一家工厂与一位生产经理交谈，这时我身后的数控机床突然启动，开始雕刻金属。当我从跳跃恐惧中恢复过来后，我问发生了什么事。他们告诉我，位于俄勒冈州的耐克设计团队已经按下了“打印”键。
从工艺到自动化的演变立即让我感到宾至如归。随之而来的是，我感到害怕站在错误的一边。 NIKE 通过使用 CAD 软件、建立更深层次的工厂合作伙伴关系以及投资于在迭代过程的早期雕刻生产级铝模具的能力，压缩了设计时间。技术使他们能够定义规格，将其交付给工厂，并在几天内即可生产出可投入生产的产品。
随着生产变得更快、更精确、更抽象，运动鞋的价值从制造产品的双手转移到了那些知道什么应该存在、它的用途以及如何销售它的人身上。最好的运动鞋品牌最终并没有获胜，因为他们拥有生产的每一步。他们之所以获胜，是因为他们了解客户、定义产品、塑造品味，然后建立需求。工厂变得更加有能力、更加专业化，而品牌则更加贴近市场。
从历史上看，当工艺发展为大规模生产时，价值创造的来源就会发生变化。
几十年来，代码被视为技术的核心资产。编写该软件的公司还拥有一个组织内部的生产流程、客户关系和产品愿景。人工智能正开始将这些碎片分开。代码更容易生成，修改成本更低，并且作为独立优势的防御性较差。稀缺的工作正在向上游和下游转移。知道要构建什么、明确指定它、评估它是否有效并将其交到客户手中正在成为新的核心资产类别。
在运动鞋领域，生产变成了商品。它搬到了海外第三方工厂，获胜的品牌将精力投入到产品视觉、品味和分销上。我最终认为软件将像这样构建。最好的品牌将深入了解要构建什么（定义产品）以及如何将其交到人们手中（拥有客户），然后外包给“工厂”来运行和维护软件。
运动鞋剧本分为三个部分
运动鞋行业最终形成了明确的分工。
顾客购买鞋子。
耐克、阿迪达斯、新百伦等品牌设计产品、投资研发、维护客户关系并定义产品的构建。
工厂（Pou Chen、Feng Tay、Chang Shin）进行原型设计、生产和运输，以满足该品牌交付的规格以及针对交付日期和质量签订的 SLA。
品牌的角色从制造产品的工艺转变为评估工厂的产量。人工智能将推动软件行业走向同样的三人格局。
大多数人想象人工智能的未来，每个最终用户都直接与人工智能对话并获得定制软件。这就是 Nike By You 版本——它会存在，但我不认为它是大多数软件。大多数人不想创建软件。他们想使用它。
软件供应商意识到他们的价值从来不在于代码并成为品牌。他们了解用户的需求，策划体验，做出固执己见的设计选择，并拥有客户关系。代码只是履行机制——它是整个操作中最昂贵、最慢、最容易出错的部分。应该外包。
在这种新模式中，软件供应商停止雇用大型工程组织，并开始向工厂指出客户问题。他们的竞争优势从工程能力转向客户洞察力、领域专业知识和产品品味。他们变得像耐克一样——他们设计、他们进行研发、他们拥有客户。工厂持续生产、测试、运输、监控、维护并对品牌的要求负责。
工厂拥有端到端的生产。建造成本和时间表。可扩展性、可靠性、可维护性。性能规格和基础设施效率。安全。运行高性能软件工厂所需的专业知识（工具、测试框架、部署管道、生产监控）已成为其自身的深度专业化。正如少数合同制造商生产世界上大部分运动鞋一样，少数软件工厂将满足绝大多数需求。
客户只是使用产品。但现在的产品更好了，因为品牌不再受到工程能力的限制。当建造成本低廉且速度快时，品牌可以深度定制，而不是为普通人建造。它可以更频繁、更一致地发货。客户不知道也不关心它是工厂制造的。他们只知道产品有效。
为什么现在
OpenAI 的三名工程师在五个月内刚刚构建了一个百万线生产系统。零手写代码。 Cloudflare 在一周内以 1,100 美元的代币重写了 Next.js。 Coinbase 发现，大量使用代理的工程师的工作效率是轻度用户的 16 倍。 StrongDM 构建了 Okta、Slack 和 Jira 的数字双胞胎，以便代理可以在不接触生产的情况下进行大规模测试，并在两条规则下运行：代码不得由人类编写，代码不得由人类审查。
这些是软件工厂的开端。他们只是还没有这么称呼自己。实际运行这些系统的团队正在出现的行为：如果您的代码库无法与代理配合使用，则不要让代理与您的代码库配合使用。将其缩小到规格，并让代理商从头开始重建。当完全重写花费 1,100 美元并生成专门用于代理维护的代码库时，每个人的计算方式都会发生变化。
世界上整个安装的软件基础都是由人类编写的，供人类维护的。这一假设已被推翻。需要一个新的公司架构。
首先采取行动的品牌——将其工程组织转变为工厂关系——将能够更快地构建、更有效地定制并持续迭代，而他们的竞争对手仍在管理冲刺计划和客户票证。
工厂是谁建的？谁来打造品牌？
自然的假设是 OpenAI、Anthropic 或 Google 将成为工厂。他们有模型。他们有代理。他们有钱。
但回到运动鞋的类比。模型公司是材料供应商——制造纱线和聚合物的公司。必要的投入，但不是工厂，也绝对不是品牌。获胜的软件工厂将与模型无关，以最优惠的价格从制造商那里采购最好的智能，并在客户不知情的情况下随着功能的变化而交换模型。
未来的工厂不是编码代理、IDE 插件或模型 API。它是一项全栈服务，接受品牌的规范并持续交付运行的软件。这意味着模型编排、代码创建、托管、实施、测试、部署、监控、维护、演进。端到端。
还没有人建造过这个。但各个部分正在迅速就位。工厂不是你在周末编写代码的演示。它是利用和生产所有权——深度、复合的基础设施，一旦运行就变得难以与之竞争。
耐克最初是 Blue Ribbon Sports，是日本 Tiger 跑鞋的经销商。菲尔·奈特的优势在于比日本工厂更了解美国跑步者。随着时间的推移，这种关系不断发展：从分销第三方设计和制造的产品，到基于客户知识影响设计，再到全面的品牌-工厂关系，其中耐克的客户和市场洞察力定义了产品，并将规格交付给工厂按订单生产。
软件品牌将遵循相同的弧线，很快，具有深厚领域专业知识和客户洞察力的创始人将能够为工厂指出问题并交付产品。如果工厂构建代码并托管并维护它，那么品牌只需要品味和客户关系。
工厂的机会同样巨大，但本质上有所不同。工厂创始人是软件扩展各个方面的专家，从代码到物理基础设施、云部署和优化。他们既服务于正在进行转型的现有品牌，也服务于这种模式下新兴的新品牌。他们的竞争优势更加复杂：他们满足的每一项规范、他们维护的每一个系统、他们优化的每一项部署都使下一个更好、更便宜。
运动鞋行业证明，品牌和工厂都是大规模的、世代相传的企业，但它们是根本不同的公司。耐克拥有需求。宝成拥有规模化生产。两人都赢了。
同样的分裂也将在软件领域发生。价值链的两端都可供争夺。
看到这一点的创始人——他们明白机会不是建立更好的编码工具，而是建立第一个真正的软件工厂或规范、销售和拥有客户的品牌层——将在未来十年建立一些最重要的公司。
关于这篇文章的讨论
未来的工厂不是编码代理、IDE 插件或模型 API。它是一项全栈服务，接受品牌的规范并持续交付运行的软件。这意味着模型编排、代码创建、托管、实施、测试、部署、监控、维护、演进。端到端。
从某种意义上说，这本质上是一个具有专用 LLM 接口的云提供商，可以处理资源配置和变更管理。
事实是：软件开发已经非常接近这个了。如果亚马逊拥有 GitHub，那么人们可以想象一个端到端的软件工厂，开发人员只需推动规范更改并让它撕裂。
问题归结于规范的粒度。对于耐克来说，他们的设计师已经对鞋子的外观、脚感、应该使用什么材料等有了完整的了解。他们是全能鞋匠。
但是，在软件中，产品规格不够详细，无法准确描述设计的技术规格。法学硕士可以做出决定来填补空白，但他们似乎还无法填补模糊的产品规格和长期支持弹性架构的可靠技术设计之间的空白。我不认为这是一个智商问题：让模型变得更聪明似乎并不一定能帮助他们对此建立更强的直觉。简单语言产品规范存在根本性的模糊性，需要经过磨练的直觉才能成功地解释为代码。
此外，由于上下文窗口的大小，即使是大型 IQ 模型似乎仍然难以维持连贯的架构。即使是最大的模型也无法在其上下文窗口中容纳整个分布式系统，并且随着系统复杂性的增加，通常会开始编写更多的错误。
也许未来的模型将解决所有这些问题——但也可能不会。
写得很好，但我觉得过于乐观了。幻觉和确定任何模型输出质量的基本问题尚未解决。
没有帖子
准备好了解更多了吗？
📌 核心金句与关键指标
[!NOTE]
““最顶尖的球鞋品牌最终获胜，并不是因为它们掌控了生产的每一步。它们获胜是因为它们洞察了客户并创造了需求。未来的软件也将这样被建造出来。””
🎯 行业启示与落地建议
- 代码的编写不再是软件公司的核心壁垒，产品品位与精准的分销渠道才是。
- AI 时代初创企业应当避免组建过于庞大的研发团队，而应重点打磨敏锐的产品直觉与客户发现机制。
