软件过剩之后：AI 时代真正稀缺的，也许是匹配、判断与信任

最近我一直在想一个问题：

如果 AI 让软件开发越来越容易，未来的软件还会像今天这样赚钱吗？

一开始，我只是从个人收入出发思考：怎样让收入不再完全绑定自己的劳动时间？作为开发者，最自然的答案似乎是做产品、做 SaaS、做一个可以重复出售的软件。

但继续往下想，问题开始变得复杂。

因为软件行业本身正在发生变化。

Vibe Coding 让开发门槛快速下降，一个过去需要几周甚至几个月才能完成的小工具，现在可能几小时、几天就能做出来。大量极其小众、极其个性化的软件会不断出现。

与此同时，经济压力又让人越来越关注性价比。

于是一个很现实的问题出现了：

如果一个软件只是“有某个功能”，用户为什么还要为它付钱？

免费软件、开源软件、个人开发者的小工具，甚至让 AI 临时生成一个程序，都可能成为替代方案。

这让我开始怀疑：

未来真正稀缺的，也许不是“软件功能”，而是别的东西。

一、软件正在从稀缺走向过剩

过去的软件市场有一个很重要的前提：

做软件很贵。

开发需要程序员、产品经理、设计、测试，需要相当长的时间。

因此，哪怕一个需求真实存在，只要用户数量不够大，也往往没人愿意开发。

这天然限制了软件供给。

但 Vibe Coding 正在改变这件事。

未来可能会出现大量这样的软件：

只解决一个很窄的问题；
只服务几十、几百甚至几个用户；
由个人在很短时间内完成；
免费、开源或者价格极低；
生命周期可能很短，但供给数量非常大。

也就是说：

软件制造成本下降，软件供给快速膨胀。

这听起来对用户是一件好事。

但供给从“不够”走向“过剩”以后，会产生一个新的问题：

东西太多了。

二、真正稀缺的开始变成注意力

我自己的消费习惯其实很能说明这个问题。

在中国，很多实体商品已经便宜到难以想象。

如果一个东西不重要，我往往两眼扫过去，差不多能用，就挑便宜的。

如果有一些时间，我可能会仔细比较参数、评价、性能和可靠性，希望找到一个“尽可能便宜，但又足够好”的东西。

而如果这个东西非常重要，或者买错的损失很大，我通常会更愿意买成熟品牌。

这背后的逻辑不是单纯的“消费降级”。

更像是：

失败成本低时，我追求最低成本；失败成本高时，我愿意为确定性付钱。

我开始觉得，未来的软件也会越来越像这样。

不重要的软件需求

例如：

临时拆一个 PDF；
批量改一次文件名；
转换一个格式；
偶尔压缩几张图片；
做一个一次性的小工具。

这种需求很可能越来越难收费。

用户会优先：

找免费的 → 找开源的 → 问 AI → 临时生成一个。

功能本身会越来越廉价。

重要的软件需求

但如果一个软件承载的是：

多年的数据；
客户项目；
财务；
工作流；
专业生产资料；
核心业务；

用户考虑的问题马上就变了。

他关心的会变成：

它会不会突然坏？
数据会不会丢？
明年还维护吗？
新版本系统还能运行吗？
有问题谁负责？
数据以后能不能迁出去？
我能不能长期依赖它？

这时候，“免费”不再是唯一优势。

用户真正买的是：

我敢不敢把重要的事情交给它。

三、软件和实体商品还有一个不可调和的区别

这也是我后来觉得最重要的一点：

软件比实体商品难理解得多。

一把椅子、一件衣服、一台显示器，用户通常很容易理解它是干什么的。

看尺寸、价格、材质、图片、评价，大致就能形成判断。

软件不是。

一个软件到底适不适合我，可能要看：

功能说明；
截图；
教程；
视频；
版本记录；
操作系统兼容性；
支持的文件格式；
免费版和付费版区别；
用户评价；
实际下载安装；
拿自己的数据测试。

最后才能知道：

它到底能不能完成“我的这个具体任务”。

软件的价值更像一个函数：

软件价值 =
用户
× 具体任务
× 数据
× 使用习惯
× 系统环境
× 软件版本
× 技能水平
× 其他工具

这就是为什么同一个软件可以出现完全相反的评价。

一个视频工具，对某个人来说，最重要的是自动加字幕。

对另一个人来说，最重要的是批量处理。

对我来说，也许关心的是硬件解码、编解码格式、metadata 和 GPU 支持。

大家讨论的虽然是同一个软件，实际上评价的是完全不同的东西。

所以简单的：

⭐ 4.8 / 5

对软件而言，信息量远没有实体商品那么高。

真正有价值的信息往往是：

“在某个 Windows 版本、某种 GPU、某种文件格式下，这个具体功能是否正常。”

但这样的信息，又只对很少一部分人有用。

这导致软件天然存在严重的匹配问题。

四、这也许能解释为什么很多优秀开源软件依然非常小众

很多开源项目并不是能力不够。

恰恰相反，它们可能：

性能很好；
功能很强；
完全免费；
没广告；
代码质量也不错。

但用户打开 GitHub 后看到的是：

Installation

pip install xxx

Requires:
Python >= 3.x
libxxx
...

普通用户很可能直接关掉。

旁边有一个商业软件，首页只有一句：

“把照片拖进来，自动整理完成。”

再配一个 15 秒演示视频。

用户马上知道：

“对，这就是我要的。”

第二个软件未必技术更强。

但它完成了一件非常重要的事情：

把能力变成了用户可以识别的价值。

所以很多软件的问题并不是：

“没有需求。”

而是：

能力存在，但能力和需求没有完成匹配。

开发者描述的是：

“我拥有什么 capability。”

用户想表达的是：

“我想得到什么 outcome。”

中间存在巨大的语义鸿沟。

五、AI 会解决搜索问题，但不一定解决判断问题

AI 看起来天然适合解决这件事。

以前我可能需要 Google 两小时：

“有没有一个软件可以完成 XXX？”

现在问 AI，10 秒钟就能得到几个名字。

搜索成本确实下降了。

但马上又出现下一批问题：

它真的支持吗？
这个功能是免费版的吗？
Windows 版本支持吗？
两年没更新了还能用吗？
会不会改坏我的原文件？
AI 推荐的软件名字是不是它编出来的？
文档写支持，但我的场景到底能不能用？

于是：

Search Cost 下降了，Evaluation Cost 并没有同步消失。

甚至可能出现一个反直觉的现象：

软件制造成本 ↓
软件数量 ↑
搜索成本 ↓
候选数量 ↑
判断成本 ↑

过去只有 10 个软件，一个个试还能接受。

未来有 1000 个。

这时候“更多选择”本身反而变成负担。

六、从 Search Economy 到 Matching Economy

后来我想到一个很有意思的例子：婚恋。

传统婚恋平台的逻辑是：

给你更多人 → 你自己筛 → 你自己聊 → 你自己判断。

但人与人之间的适配是典型的高维问题。

年龄、学历、收入、城市，都只能描述极少的一部分。

真正重要的可能是：

消费观；
生活节奏；
是否想要孩子；
对家庭关系的理解；
风险偏好；
沟通习惯；
对事业和生活的排序。

这些东西过去很难结构化。

AI 的出现第一次让平台有机会通过长对话去理解一个人，然后：

减少推荐，而不是增加推荐。

这让我意识到，也许未来会出现一类非常重要的 AI 产品：

它们不是帮用户获得更多选择，而是帮用户拒绝绝大多数错误选择。

这和过去互联网的方向几乎相反。

过去：

更多商品
更多内容
更多候选人
更多软件
更多信息

未来一部分 AI 产品的价值也许是：

理解你
↓
筛选
↓
减少候选
↓
解释差异
↓
帮助决策

我愿意把这种变化称为：

从 Search Economy 走向 Matching Economy。

七、招聘可能也是典型场景

招聘和婚恋在结构上其实非常像。

传统招聘平台匹配的是：

学历
工作年限
技能
薪资
城市

但真正决定一个员工半年以后会不会离开的，可能是：

老板管理得有多细；
工作节奏是否稳定；
是否经常临时加班；
员工希望自主还是被明确管理；
是更重视成长还是稳定；
对风险、晋升和收入的排序；
对冲突和反馈的接受方式。

这些信息，JD 和简历几乎都写不出来。

如果 AI 分别和老板、候选人深入交流，它也许能做的并不是：

“给你一个 92% 的匹配分。”

而是：

你们技能匹配，但工作节奏明显冲突。

薪资没有问题，但管理方式很可能产生矛盾。

如果要继续面试，最应该确认的是这两个问题。

真正值钱的可能不是“帮 HR 更快看简历”。

而是：

减少本来就不应该发生的面试和错误入职。

因为错误匹配本身有非常明确的经济成本。

八、高维匹配市场可能具有一组共同特征

继续往下推，我觉得值得关注的不是“AI 婚恋”“AI 招聘”这些具体标签。

而是一类市场。

它们通常具有下面这些特征：

1. 供给已经很多

人、软件、服务商、课程、商品、岗位……

用户并不缺候选。

2. 很难用少量参数描述

几个字段无法真正表达供需双方。

3. 用户自己也很难准确描述需求

往往需要被追问以后，才知道自己真正重视什么。

4. 筛选非常耗时间

候选越多，负担越大。

5. 选错具有明显成本

钱、时间、机会、数据或者长期关系。

6. 用户真正想要的是少数好结果

不是 100 个候选。

而是：

“给我 3 个真正值得看的。”

7. 匹配以后能够获得结果反馈

例如：

招聘推荐
→ 面试
→ Offer
→ 入职
→ 6 个月
→ 是否还满意

一旦存在这个反馈闭环，就可能形成真正的数据资产。

九、这对软件意味着什么？

软件可能也属于这种高维匹配市场。

未来用户也许越来越不会搜索：

“给我推荐一个视频软件。”

而是直接表达任务：

“我有几百个某种格式的视频，希望在某个 GPU 上批量转换，同时保留某些 metadata，不能修改源文件。”

此时真正需要匹配的已经不是：

App Category → App

而是：

Task → Capability → Solution

软件本身可能逐渐从用户侧的“商品”，变成后台的一种供给能力。

用户最终关心的是：

谁能可靠地帮我完成这件事？

至于背后使用的是：

商业软件；
开源项目；
FFmpeg；
一个插件；
多个工具组合；
AI 临时生成的一段程序；

也许会越来越不重要。

这意味着软件世界未来可能出现一种新的品牌：

不是 Software Brand，而是 Trust / Execution Brand。

用户信任的不是某个具体工具。

而是：

“我把任务交给你，你会给我一个合适、可靠、可解释的方案。”

十、功能越来越便宜以后，什么会变贵？

把前面的思考放在一起，我得到一个越来越明确的判断：

当制造变便宜，价值会向“制造之前”和“制造之后”移动。

制造之前：

理解需求；
搜索；
筛选；
评估；
判断；
匹配；
建立信任。

制造之后：

集成；
迁移；
验证；
部署；
维护；
兼容；
责任；
持续可靠。

而中间那一块：

“把功能写出来”

可能恰恰越来越便宜。

这也是为什么，我开始觉得未来真正危险的一类软件是：

功能并不独特；有大量免费替代；失败成本又不高；用户也不会形成长期依赖；但它还想仅靠“我做得稍微好一点”收费。

它很容易被夹在：

免费 / AI 生成

和：

大品牌 / 高信任

之间。

未来的软件市场可能越来越像一个杠铃：

免费 / 极便宜                         高信任 / 高价值
████████████████                   ████████████
        \                           /
         \                         /
          \______ 中间地带 _______/

左边卖“能做”。

右边卖“可以放心依赖”。

中间会越来越难。

十一、AI 最重要的价值，也许不是帮世界生产更多东西

这是我目前最感兴趣的结论。

我们长期把 AI 理解成一种生产力工具：

写更多代码。

生成更多内容。

做更多图片。

做更多视频。

但如果 AI 真的让供给爆炸，那么社会接下来的问题可能会变成：

东西已经太多了。

这时候 AI 更有价值的能力反而可能是：

理解我真正需要什么。

告诉我什么不适合。

帮我减少选择。

帮我找到最值得尝试的那个。

也就是说：

AI 既可能制造过剩，也可能成为解决过剩的工具。

过去互联网最大的资产往往是：

“我有多少供给。”

例如多少商品、多少用户、多少岗位、多少软件。

未来一个新的竞争维度也许是：

“我到底有多懂这个用户真正需要什么？”

这是一种从供给数据库向需求模型的变化。

十二、这对个人意味着什么？

想到这里，很容易产生一种挫败感：

这是一个大趋势，但和一个普通开发者有什么关系？

如果答案只是：

“未来 AI 匹配很重要。”

确实没有意义。

真正有意义的地方在于，它会改变我接下来应该积累什么。

如果“写出功能”越来越便宜，那么仅仅让自己成为一个写代码更快的人，长期可能并不够。

更值得积累的可能是：

技术
+
产品判断
+
行业理解
+
AI
+
真实用户
+
商业理解
+
数据

代码仍然重要。

但代码应该逐渐成为武器，而不是唯一商品。

更重要的是：

靠近真实交易。

去理解：

客户为什么来？
为什么付钱？
为什么选择某个方案？
为什么流失？
什么样的匹配最后成功？
哪些条件在真正影响结果？
哪些需求嘴上说得很多，但实际上没人付钱？

这种理解不是靠坐在电脑前想出来的。

它需要进入真实市场以后慢慢获得。

十三、我现在更愿意用这几个问题寻找未来机会

以后再看到一个行业，我不太想先问：

“AI 能不能用在这里？”

这个问题太宽泛了。

我更愿意问：

这里的供给是不是正在过剩？

供需双方是不是很难用几个字段描述？

用户是不是花大量时间筛选？

选错是不是很贵？

用户真正需要的是不是“更少、更好的候选”？

匹配以后能不能获得长期结果反馈？

如果明年的 AI 比今年强十倍，这个业务会变强，还是会直接被基础模型吃掉？

如果一个方向在这些问题上都给出了比较好的答案，我会觉得它值得认真研究。

结语：未来也许不是“更多”，而是“更少”

互联网过去几十年的故事，很大程度上是：

更多。