Anthropic 发了一篇随笔技术博客：《How AI helps break the cost barrier to COBOL modernization》。这篇文章发出来以后，IBM 当天股价大跌约 13%，创下二十多年最大单日跌幅之一，市值蒸发约 300 亿美元量级。
这不是一篇“又一个模型更强了”的常规新闻，而更像一次提醒：软件这件事，正在发生结构性的贬值。
更有戏剧性的是，IBM 当年主动砍掉那些看起来“不性感”的硬科技与重资产，把重心押在更轻、更“像金融资产”的软件服务与咨询上——那在过去的时代是正确的选择。但当 AI 开始把“软件的生产与改造”变成近乎可规模化的自动化工程，这条路突然变得危险：轻资产，所谓的Know-How，似乎没有任何护城河。
其实这篇博客讲的其实只有一件事：Claude Code 把“COBOL 现代化”这件过去极其昂贵、极其耗时的事情，变成了可规模化自动化的工程。
COBOL 是上世纪 60 年代的语言，但它至今仍在支撑金融、航空、政府等关键系统的底座——尤其是在以大型机为核心的遗留体系里，COBOL 不只是代码，更像一套运行了半个世纪的“业务机器”。而维护这台机器的人，正在以肉眼可见的速度退休。
过去几十年里，“遗留系统改造”是一门极赚钱的生意：靠的是堆人、堆时间、堆咨询费。现在，AI 直接伸手去掰这根“成本杠杆”。于是你会突然意识到——我们过去谈数字化，总默认一个前提：用好软件是企业的核心壁垒。
但这一切，正在被 AI 改写。
今天，代码生成已经从“效率提升”走到了“供给过剩”：一个人借助 AI，就能在很短时间内完成过去一个小团队几天甚至几周的工作量。基础功能、通用系统、页面与接口的产出成本在快速下探，越来越接近“可无限复制的耗材”。
当“有没有软件”不再是差距，一个更本质的问题浮出水面——
当软件不值钱了以后，最稀缺的资源是什么？
一、AI 编程的真相：瓶颈不在代码，而在“可判定的定义”
很多人对 AI 编程仍有疑虑：代码有 bug、逻辑会跑偏、还会出现“幻觉”。这些问题当然存在，但真正的根因往往并不在模型能力，而在我们给它的输入——定义不清、边界不明、验收不可判定。
只需给出详细测试样例，比如明确考勤系统的字段、逻辑规则和界面要求，AI就能快速用多语言复刻软件；那些所谓的bug，本质是需求描述的模糊与缺失。随着AI训练数据的丰富，其精度会持续提升，未来只要需求定义清晰，AI就能承接绝大多数重复性编程工作，将开发成本压至极致。
在 AI 时代，软件工程最尖锐的一句话会越来越常见：
没有验收标准的需求，不是需求，是愿望。
AI解决了“怎么写软件”的问题，而“写什么软件”“为什么写软件”的需求定义能力，成为新的核心变量。软件成本的下跌，本质是人的定义能力开始决定软件的价值。
二、软件普惠之后，小企业也能用得起好软件
过去软件是大企业的专属品，只因它们业务稳定、流程固化，软件可长期复用、分摊成本；而大量中小企业业务灵活、需求多变，传统软件开发的高成本、慢迭代，让它们“用不起、用不好”软件——并非不需要，而是模式不适配。
AI的出现打破了这一困境，其快速迭代、低成本试错的优势，让中小企业无需巨额预算和专业团队，就能快速开发、迭代贴合自身业务的软件。比如小型电商只需明确需求，几小时就能借助AI落地商品+订单管理系统，后续新增功能也能快速适配。
软件已从“奢侈品”沦为“基础设施”，当所有企业都能轻松拥有软件，竞争焦点便从“有没有”转向“用得好不好”。而决定软件价值的，从来不是软件本身，而是它所承载、处理的数据——这正是软件不值钱后，稀缺资源的第一个核心指向。
三、核心答案：当软件不值钱，最稀缺的是“数据”
很多人仍将软件视为“效率工具”，却忽略了其核心价值：记录现实业务与行为，转化为可分析的数据，结合历史数据与外界数据，为决策提供支撑。无论是个人还是企业，软件的价值都完全依赖数据的质量与数量。
个人层面，购物软件的价值不在于下单，而在于结合个人偏好、商品销量、用户评价等数据推荐适配商品；旅游软件的价值不在于订票，而在于整合天气、客流量等实时数据与个人需求，定制专属行程。这一切，都离不开自身客观数据、历史借鉴数据与实时数据的支撑。
企业层面，生产管理软件的价值的是通过记录全流程数据，结合市场、供应链数据优化生产计划；运输管理软件的价值，是整合路况、车辆数据优化路线、降低成本。脱离数据，软件只是毫无价值的空壳。
真正有价值的数据，必须具备三个特质：客观真实、全量全要素、实时可流动。但当下数据看似泛滥，可信、高质量的数据却极度稀缺，这一矛盾，正是其稀缺性的核心原因。
首先，互联网数据充斥着大量噪音与虚假信息。商家刷销量、平台推广告、机构篡改数据，这些被利益裹挟的数据，不仅毫无价值，还会误导决策——比如企业依据刷出来的销量制定生产计划，最终只会产能过剩。
其次，企业自身数据多存在不完整、不客观的问题。有的只记录核心数据，忽略关键辅助数据；有的因主观偏见筛选有利数据、规避不利数据，导致数据失真，无法支撑正确决策。比如分析营销效果只看成功数据，就无法找到优化方向。
更关键的是，实时数据的获取与整合难度极大。企业数据分散在不同系统、部门，互通成本高；外界的市场、政策等实时数据，不仅获取不易，还需快速筛选分析才能转化为可用信息。
必须清醒认知：代码可免费、软件可开源、AI可免费使用，但干净、真实、完整的高质量数据，永远无法免费获得。当软件门槛被抹平，数据就成为企业的核心差距——拥有高质量数据，才能借助AI做出精准决策；缺少数据，再多软件也只是“空有工具，无米下锅”。
但是数据的真正稀缺，从来不在“数量多寡”，而在“结构完备”和“高质量”。下面三类数据，是决策闭环与AI输出价值的核心前提：
第一层是个体个性化数据，核心回答“我是谁、我想要什么”。预算、偏好、风险承受度等个体特质，直接决定AI输出是“贴身可用”还是“泛泛而谈”，缺少它，AI只能给出“平均正确”却难以落地的结论。
第二层是历史与环境数据，核心回答“我们曾经怎么做、边界在哪里”。企业过往经验、行业规律、流程惯性均属此类，其价值在于稳定，为决策提供可借鉴路径，避免被短期波动带偏，缺少它，再完美的建议也经不起现实推敲。
第三层是实时数据，核心回答“此刻发生了什么、时机在哪里”。真实世界的动态变化，要求决策既要“正确”更要“及时”，实时数据可将决策从“事后复盘”推向“事中响应、事前预防”，避免因反应滞后造成损失，缺少它，正确答案也会错失时机。
三者关系紧密：个体数据定“方向”，明确决策适配对象；历史与环境数据定“底盘”，界定决策边界；实时数据定“时机”，保障决策时效。三者缺一不可——唯有个体数据易“懂需求却不接地气”，唯有历史数据易“稳扎稳打却跟不上变化”，唯有实时数据易“敏捷却无方向”。
三类数据同时到位，才能实现AI时代最稀缺的价值：将软件“记录功能”转化为“判断能力”，再落地为“有效行动”。更进一步说，软件终将沦为廉价产能，数据则成为稀缺“决策证据”，核心价值不在于“拥有数据”，而在于建立完整“证据结构”，让每一条AI建议都能清晰回答：对谁有用？凭什么有用？现在还来得及吗？
数据的获取、筛选、分析终究离不开人，而比数据更稀缺、更难拥有的，是人的“客观、冷静”的认知态度——这是稀缺资源的终极指向。
四、比数据更稀缺的，是「客观、冷静、不扭曲的认知」
AI时代，我们更缺的是客观冷静的人。数据本身中立无偏，但它的价值实现，全程依赖人的主观判断——人一旦失去客观，数据就会被扭曲，软件与AI反而会成为“放大错误”的工具。
客观之所以难得，是因为人天然带有立场、情绪与偏见，总会不自觉筛选符合预期、对自己有利的数据，用局部偶然的数据替代全局必然的规律，被主观认知误导决策。
比如企业管理者因主观看好某产品，就刻意放大少量正面评价、短期销量增长，忽略大量负面反馈与长期市场萎缩，最终盲目投入导致亏损；有的从业者因擅长传统编程，就否定AI的效率优势，固守短板而被时代淘汰。这些都是主观扭曲认知的代价。
而客观的态度，能让人摆脱情绪与偏见的束缚，看清数据本质与全局真相。只有客观，才能剔除数据噪音、筛选有价值信息；只有客观，才能正确使用AI——AI就像镜子，输入真实数据就产出精准建议，输入扭曲数据就只会给出荒谬结论。
若给AI输入的只有优质客户数据，它就会忽略普通与潜在客户需求，导致决策偏差；若隐瞒生产损耗数据，AI制定的计划只会增加成本。
AI时代，人的核心竞争力已从“会用工具、会写代码”，升级为“能保持客观、能看清全局、能定义标准”。客观不再是性格特质，而是数字化时代的核心能力——一种能让数据发挥价值、让AI创造价值的稀缺认知能力。
这种能力，要求我们摆脱主观偏见，学会用数据说话、敬畏规律；保持冷静头脑，不被情绪与短期利益诱惑；拥有全局思维，跳出局部看到数据背后的本质与趋势——这正是当下最稀缺、最不可替代的能力。
总结：新时代的价值排序，早已重构
AI的浪潮，不仅让软件褪去“奢侈品”的光环、让代码成了耗材，更彻底重塑了价值的底层逻辑——真正的稀缺性，正在从“工具”向“内核”跃迁。
代码与软件可免费获取，是最基础的工具；可信、客观的全要素数据，是驱动价值的燃料，稀缺且珍贵；而能保持客观、不扭曲认知的人，是激活这一切的核心，更是AI时代最不可替代的终极竞争力。
对企业，无需再执着于追逐软件与技术的表象，沉淀高质量数据、培育客观认知，才是破局之道；对从业者，练就用数据说话、以客观决策的能力，方能立足时代。
软件会贬值，技术会迭代，但真实的数据、清醒的头脑，永远是穿越变革、持续创造价值的底气。
