AI 时代,不要只做一个更高效的程序员
GoDaddy 首席软件工程师 Scott Bolinger 指出,技术栈正失去护城河价值,AI 正将开发重心从 Technical Plan 转向 User Story;SaaS 构建已不再困难,程序员应转向国家级、全球级甚至宇宙级问题;需理解 Product/Marketing/Sales 等 Business Stack,并强化创造力、心理学与产品定位等人类特有能力。Dan Luu 补充强调:AI 降低实现成本后,过去因昂贵而被放弃的软件项目,如今值得重新尝试。
技术护城河,正在消失
今天在地铁上看到 GoDaddy Principal Software Engineer Scott Bolinger 发布的一篇短文:《What a software engineer should do now》。

开篇,他就表达了一个颇具争议的观点:
有人认为,程序员应该继续学习编程语言和技术栈,以保持自己在软件工程师职业中的竞争力。
Scott 不同意。
他的理由是:每一次新模型发布,都在进一步降低这些技能的相对价值。
他甚至坦言,自己越来越像一个管理 AI 的产品人员,而对深度技术知识的需求正在下降。
曾经以为存在的技术护城河,如今正在逐渐干涸。
Scott 还提出了一个非常值得玩味的观察:
现在,向模型描述一个 User Story(用户故事),可能比提供一份详细的 Technical Plan(技术方案)更加有效。
这意味着什么?
过去,软件开发需要工程师投入大量时间,把需求转化成技术方案,再将其拆解成具体的编码任务。
技术能力越强,越能在这个过程中建立竞争优势。
但现在,AI 正在接管越来越多的技术实现工作。
工程师不一定需要像过去那样,把每一个技术细节都提前设计好。只要能够清晰描述用户的问题、期望的体验和验收标准,AI 就可以帮助我们探索实现路径。
当然,这不意味着技术知识已经没有价值。
但技术知识的价值正在发生变化:它不再只是用来亲自完成编码,而越来越多地用于判断方案、识别风险和验证结果。
Scott 用一句话概括自己的感受:
过去,工作所需要的技能越来越偏技术;现在,它们正在变得越来越偏向人。
这是一个值得每个程序员认真思考的变化。
SaaS 已经不再是那个困难的问题
Scott 接下来分享了一段非常真实的职业感受。
他说,有时候自己会因为 AI 正在解决过去由自己解决的问题而感到失落。
比如,构建一个 SaaS 应用。
过去,从零开始构建一个 SaaS 产品是一件颇具挑战的事情。
需要设计系统架构、编写前后端代码、处理数据库、实现用户认证、部署基础设施,还要考虑性能、安全和可维护性。
整个过程需要投入大量时间和精力。
而 Scott 恰恰喜欢这种挑战,估计这同样也是屏幕前的你喜欢的挑战。
他享受从零开始构建一个应用,看着它逐渐成形,最终变成一个真正可用的产品。
但现在,AI 正在让这件事情变得越来越容易。
曾经需要投入大量工程能力才能解决的问题,如今可能只需要一个人配合 AI,就能在很短时间内完成。
这让他感到失落。
因为自己过去花费多年学习和积累的技能,似乎突然没有那么值钱了。
但 Scott 没有停留在这种失落中。
他给出了一个非常有意思的结论:
既然构建 SaaS 已经不再是困难的问题,那我就应该去寻找新的困难问题。
这句话实际上揭示了一个非常重要的思维转变。
过去,我们经常用技术难度来定义一个项目的价值。
一个项目需要多少工程师?需要开发多长时间?需要掌握多少技术?
这些因素在很大程度上决定了项目是否值得投入。
但 AI 正在改变这些成本约束。
如果一个过去需要十名工程师工作数月的项目,现在一个工程师配合 AI 就能完成,那么我们就不应该再用过去的成本模型来限制自己的想象力。
真正值得思考的是:
还有哪些重要问题,至今没有得到解决?
还有哪些产品和服务,因为过去的开发成本太高而没有人愿意尝试?
还有哪些需求,虽然规模不大,但对某些用户群体非常重要?
当旧的问题变得容易,我们就应该主动寻找新的问题。
从 App 到国家、全球,甚至宇宙
Scott 进一步引用了自己非常喜欢的一本书:《The Beginning of Infinity》(《无穷的开始》)。

这本书的一个核心思想是:
人类创新没有终点。只要不违反自然规律,借助正确的知识,很多事情都可以实现。
每当人类创造出一种新事物,就会有更多以前无法想象的事物成为可能。
计算机的发明淘汰了很多旧工作,但最终也创造了更多新的工作和机会。
Scott 认为,AI 正是这样一种创新。
它让我们能够做更多事情,而这要求我们改变思维方式。
他举了一个非常有冲击力的对比:
过去,我们可能认为构建一个 SaaS 应用已经是一件很大的事情。
但现在,构建一个复杂的企业级软件系统,可能比五年前开发一个简单网站还要容易。
那么,接下来什么才算真正的“大”?
Scott 给出了一个尺度递进:
国家级、全球级,甚至宇宙级。
他提出了一个问题:
如果你拥有一支 100 人的软件工程师团队,你会构建什么?
如果是 1000 人呢?
而现在,AI 已经让我们以极低的成本拥有了相当于这样一支工程团队的部分生产能力。
既然如此,我们为什么还要把思维局限在开发一个 App 上?
我认为,这才是 Scott 这篇文章最值得我们关注的地方。
AI 带来的不只是开发效率的提升,更是软件创造能力边界的扩张。
过去,一个程序员的想象力往往受到工程资源的限制。
有想法,但没有足够的人手;有需求,但开发成本太高;有技术方案,但没有时间实现。
现在,这些约束正在被重新定义。
我们应该重新审视那些过去被认为不可能、太昂贵或者不值得做的事情。
程序员需要理解整个 Business Stack
除了扩大软件创造的规模,Scott 还提出,工程师应该拓展自己的能力范围。
过去,程序员主要关注技术能力。
学习编程语言、数据库、分布式系统、云原生、架构设计……
这些当然仍然重要。
但 Scott 认为,未来工程师还需要理解整个 Business Stack:
- Product:产品。
- Marketing:市场营销。
- Sales:销售。
为什么?
因为一个软件产品的成功,从来不只是技术问题。
一个产品是否值得开发,首先取决于它是否解决了真实的问题。
它是否能够被用户发现、理解和接受?
它是否具有合理的市场定位?
用户为什么愿意使用它,甚至愿意为它付费?
这些问题都不是单纯掌握一门编程语言就能回答的。
过去,程序员可能只负责接收产品经理的需求,然后把需求变成代码。
但当 AI 承担越来越多的实现工作后,程序员完全可以更早地参与产品创造过程。
从发现用户问题、提出产品创意,到构建原型、验证市场,再到最终交付产品。
技术人员可以直接参与整个过程。
这也意味着,未来优秀工程师的能力边界,不应该仅仅由技术栈决定。
真正有竞争力的工程师,需要理解技术如何转化为用户价值和商业价值。
AI 越强,人类的创造力越重要?
Scott 在文章最后提出了自己目前保持竞争力的策略。
他说,他正在有意识地学习那些 AI 无法独立解决的事情。
包括:
- Product Positioning:产品定位。
- Creativity:创造力。
- Delighting Humans:让人感到愉悦。
- Psychology:心理学。
- Marketing:市场营销。
为什么是这些能力?
Scott 给出了一个解释:
这些都是人类问题。
它们没有简单的标准答案,也没有可以轻易构建的测试集来训练和验证。
AI 擅长模式匹配,但它永远无法真正理解作为一个人类是什么感觉。
这正是人类价值所在,也是他决定加倍投入的方向。
我觉得这里有必要进一步思考。
AI 确实能够分析用户评论、研究市场趋势、生成产品定位方案,甚至帮助我们设计营销活动。
所以,说 AI 完全不能做这些事情,显然过于绝对。
但这些工作的核心往往不是寻找一个已有问题的标准答案,而是判断什么值得做、什么能够打动人、什么能够创造新的需求。
一个产品真正的创新,很多时候不是把已有需求做得更好,而是发现用户自己都没有意识到的需求。
这需要对人的理解、对现实世界的观察,以及对未来的想象。
AI 可以参与这个过程,但人类仍然需要对方向和价值作出判断。
这也是我理解的 Scott 所说的“人的价值”。
Dan Luu:我们应该对软件拥有更大的野心
Scott 的观点让我想到了知名程序员 Dan Luu 之前的一篇文章:《We should be more ambitious with the software we build》。
两个人的出发点不同,但最终指向了非常相似的方向。
Dan Luu 提出:AI 让软件开发成本大幅下降之后,我们应该重新审视过去那些不值得做的软件项目。
他分享了自己使用 AI 构建的一些项目。
例如:
- 一个针对特定工作负载优化的正则表达式引擎。
- 一个使用该引擎加速的 ripgrep 分支。
- 一个 Rust 解释器,用于改善自己的编译构建体验。
这些项目有一个共同特点:如果完全依靠自己手工实现,可能需要投入一年甚至更长时间。
但借助 AI,他只需要投入几个小时,就能得到一个满足自己使用需求的版本。
当然,这不意味着这些项目已经达到了成熟商业软件的质量标准,后续仍然需要大量测试、优化和维护。
但关键变化已经发生:
过去因为成本太高而不值得做的事情,现在可能值得做了。
Dan Luu 还指出,很多程序员仍然在使用 Agent 出现之前的成本模型思考问题。
例如,大家抱怨 Rust 编译太慢。
过去,自己实现一个 Rust 解释器来解决编译速度问题,听起来简直不可思议。
但现在,为什么不尝试呢?
这实际上与 Scott 的观点高度一致。
Scott 说,SaaS 已经不再是困难的问题,我们应该去寻找新的困难问题。
Dan Luu 说,过去不值得做的软件,现在可以尝试去做。
两个人都在提醒我们:不要让过去的成本约束,继续限制今天的创造力。
当然,Dan Luu 也没有鼓励大家盲目扩大项目规模。他特别提醒,AI 生成的软件仍然需要严格的测试和 Benchmark 。对于缺乏清晰验收标准、难以理解和验证的复杂系统,盲目追求规模反而可能制造出难以维护的黑盒。
真正的野心,不是生成更多代码,而是创造过去无法经济地实现的价值。
小结:不要只做一个更高效的程序员
回到最初的问题:
AI 时代,程序员应该做什么?
我觉得 Scott Bolinger 和 Dan Luu 给出了两个非常值得结合起来思考的答案。
Scott 告诉我们:
不要再把自己局限于技术栈。去理解产品、用户、商业,去培养创造力和对人的理解。
Dan Luu 告诉我们:
不要再用过去的软件开发成本限制自己的想象力。去尝试那些曾经因为太难、太贵而放弃的软件项目。
两者其实指向同一个方向:
AI 时代,程序员不应该只是努力成为一个更高效的代码生产者,而应该努力成为一个更有创造力的问题解决者。
过去,我们经常问:
- 我应该学习哪门编程语言?
- 我应该掌握哪个技术框架?
- 我应该怎样提高编码效率?
现在,我认为还有一些更重要的问题值得我们思考:
- 我真正想解决什么问题?
- 有没有什么事情,因为过去开发成本太高而一直没有人去做?
- 如果我拥有一支随时可以调用的 AI 工程团队,我最想创造什么?
- 我能否发现一个真实的用户需求,并把它变成一个有价值的产品?
这些问题没有标准答案。
但它们可能决定了我们未来十年作为软件工程师的价值。
AI 让写代码越来越容易,但这不应该让我们降低对软件的想象力。恰恰相反,我们应该因此拥有更大的野心。
JOTO 企业落地观察
- 当 AI 显著降低软件实现成本,企业部署智能体时需重新评估「最小可行功能」边界——过去因工程投入过高而搁置的垂直场景轻量级智能体(如法务合同初筛、HR 入职流程引导),如今具备快速验证条件,但需同步建立人工复核与反馈闭环机制。
- 技术栈护城河消退,意味着企业 RAG 知识工程重心正从「文档切片与向量化」转向「业务语义对齐」:如何将 Sales/Marketing/Support 等非技术部门的真实话术、决策逻辑、服务标准注入知识库,成为效果分水岭。
- Scott 提出的 Business Stack 能力迁移,在 FDE 驻场共创中体现为:工程师需与客户业务方共同定义「Delighting Humans」的具体指标(如客服响应情绪分、销售线索转化率提升归因),而非仅交付技术模块。
- AI 生成代码的测试与 Benchmark 要求,映射到企业 AI 安全治理层面,即必须将「可验证性」设为智能体上线前提:所有生成逻辑需附带可追溯的输入约束、输出校验规则与人工兜底开关,避免黑盒化运维风险。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务,帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
想把这些做法用到你的业务里?
留下你的场景和痛点,我们帮你判断从哪一步开始。
联系我们


