當人人都會編程，軟件公司賣的拒絕是什么？

文丨李賡

過去十年，Salesforce、美圖靠譜投票Adobe、拒絕Intuit 等 SaaS 巨頭建立了一套確定性極高的美圖商業(yè)規(guī)則：按員工席位收租。公司規(guī)模越大，拒絕員工越多，美圖軟件公司就能獲得更多收入。拒絕

但時間進入 2026 年，美圖受 Anthropic 發(fā)布 Claude Cowork 等自主工作流工具影響，拒絕外國論壇上的美圖科技博主推演了一條邏輯鏈：“自然語言編程” 讓代碼生成成本趨近于零；AI 智能體接管數(shù)據(jù)分析與執(zhí)行；企業(yè)不再需要龐大的基礎(chǔ)團隊，按人頭計費的拒絕軟件席位隨之被掏空，最終將標普指數(shù)拖入長達數(shù)年的美圖回撤。他們還為此創(chuàng)造了一個新詞 “SaaS pocalypse（SaaS 末日）” 。拒絕

在代碼生成唾手可得的美圖當下，這種判斷聽起來相當符合直覺。恐慌快速越過討論階段，直接凝結(jié)為市場的拋售共識。這些行業(yè)風向標的股價在幾周內(nèi)下跌 25% 至 30%。公開軟件公司 ETF 單日蒸發(fā)約 3000 億美元，直接抹去 ChatGPT 發(fā)布以來的所有漲幅。

從鐵路狂熱到互聯(lián)網(wǎng)泡沫，顛覆性技術(shù)落地前，資本的第一波反應(yīng)永遠過激。然而當人工智能成為 “基礎(chǔ)設(shè)施”，靠譜投票大模型轉(zhuǎn)而尋求商業(yè)化，應(yīng)用軟件能夠內(nèi)化 AI 能力，市場將開始重新審視敘事的合理性。

人人編程，為什么不等于殺死軟件公司？

3 月初，知名風投機構(gòu) a16z 發(fā)文反對 “SaaS 末日” 恐慌。2011 年，正是這家機構(gòu)拋出 “軟件正在吞噬世界” 的論斷，確立了過去十年的 SaaS 投資敘事。

面對如今 “AI 吞噬軟件” 的市場共識，a16z 給出了一套反向推演：AI 是軟件業(yè)發(fā)生過的最好的事。大模型只是提供生成能力的 “引擎”，把引擎裝配成解決具體業(yè)務(wù)需求的 “整車”，才是軟件最終的賣點。

在這個比喻下，部分軟件的潰敗成了必然：當軟件原有的能力被大模型 “引擎” 直接覆蓋，或自身 “整車” 的價值在 “引擎” 之外比重過小，淘汰便不可避免。只會照本宣科、做信息搬運與規(guī)則執(zhí)行的審批系統(tǒng)和客服機器人屬于前者，其生存空間正被大模型的推理能力全面接管；而近幾年涌現(xiàn)的、僅在大模型上套一層簡單界面的薄 SaaS 屬于后者，它們?nèi)狈ι顚庸ぷ髁鞅趬荆瑯訒坏讓幽芰Φ牡ǔ?/p>

在 a16z 的推演中，幸存軟件的價值在于與 “工作流” 的結(jié)合程度：只有把大模型的生成能力裝進企業(yè)真實的工作流程里，才能實現(xiàn)價值。一家服裝公司修圖不是靠一句提示詞，而是要依次跑摳圖、光影校正、風格統(tǒng)一十幾個步驟——把這些步驟串成自動流水線，才是客戶愿意付費的東西。

以輸出一張高要求的品牌宣傳圖像為例，極少能靠一句提示詞一次性完成，往往需要依次調(diào)用圖像生成、去背景、超分、重繪與風格控制等十幾個不同模型。軟件仍需要通過代碼組織起 “編排調(diào)度層”，負責將接口與錯誤率各異的碎片化模型，縫合成一條多步驟流水線。并通過工作流設(shè)定結(jié)構(gòu)化的約束機制，允許人類在關(guān)鍵節(jié)點進行糾偏，將 AI 盲盒式的 “黑盒概率”，強行收斂為穩(wěn)定、可復現(xiàn)的工業(yè)級確定性交付。

當軟件不再只是輔助工具，而是能直接輸出確定性成果的數(shù)字流水線，客戶可以根據(jù)最終的業(yè)務(wù)結(jié)果來支付費用，軟件 “按席位收租” 的舊模式自然瓦解，部分應(yīng)用采取的 “訂閱制” 也可以轉(zhuǎn)變?yōu)?“Token 消耗”。

這種商業(yè)趨勢，已經(jīng)在部分應(yīng)用公司的業(yè)績中得以呈現(xiàn)。中國影像應(yīng)用公司美圖近期公布一季度數(shù)據(jù)，截至 2026 年 3 月，全球付費用戶數(shù)超過 1790 萬，一季度以付費訂閱為主的 “影像與設(shè)計產(chǎn)品” 收入 8.52 億元。

其 3 月的 AI 算力點消耗金額對比去年 12 月增長 59%。這部分增長主要源于美圖的生產(chǎn)力應(yīng)用，而這些應(yīng)用也正是之前被認為很大可能被大模型取代的軟件類型。但美圖在訂閱基礎(chǔ)上延伸出的 AI 算力點消耗，讓市場看到了應(yīng)用成為 “Token 加工廠” 的潛力。

摩根士丹利與瑞銀在研報中指出，純粹的自然語言無法獨立完成復雜的圖像編輯，大模型存在能力極限。他們認為美圖的產(chǎn)品牢牢守住了大模型無法跨越的 “最后一公里”。高盛甚至將美圖的估值方法從市盈率（P/E）切換為更苛刻的現(xiàn)金流折現(xiàn)（DCF）。分析師不再只看當期利潤，而是押注美圖的商業(yè)模式能持續(xù)產(chǎn)生自由現(xiàn)金流。

AI 應(yīng)用，能成為 “Token 加工廠” 嗎？

愈演愈烈的行業(yè)競爭態(tài)勢下，二級市場需要看到，這個 “Token 加工廠” 怎么運轉(zhuǎn)起來，并源源不斷地產(chǎn)生經(jīng)濟效益。

在生成式 AI 的浪潮中，美圖所在的圖像與視頻編輯行業(yè)，受到的沖擊也最為直接。過去，傳統(tǒng)算法只能對已有像素進行搬運或形變；如今，大模型直接賦予機器 “無中生有” 的像素級推理能力。交互門檻被自然語言擊穿，一句話便能完成復雜的渲染工作。

但在真實的商業(yè)落地中，愿意為軟件付費的客戶并未直接投向通用大模型。因為商業(yè)交付追求的不是單次生成的 “畫面好看”，而是極高的確定性、一致性與工業(yè)化生產(chǎn)效率。

電商與商拍場景中，客戶對違反物理規(guī)律的錯誤零容忍。某大型服裝企業(yè)在測試 AI 生成時，曾拋出涵蓋摳圖、擴圖、融合的 46 道考題，結(jié)果被評估為 “完全不可用”。核心原因在于光影邏輯錯誤 —— 人像光影由內(nèi)向外，背景光影卻從外向內(nèi)，畫面一眼假。此外，當客戶需要用一件平鋪的衣服生成模特上身圖時，大模型只能做到將假人替換為真人，無法滿足真實的試衣需求。

同時，真實的商業(yè)修圖充斥著 “眼角抬高 25%” 這類極度主觀且精細的微調(diào)。用自然語言向大模型描述這些動作極易引發(fā)局部結(jié)構(gòu)的生成混亂。

在品牌營銷場景中，制作一張符合視覺規(guī)范的海報極少能靠一句提示詞（One-shot prompting）完成。它需要一條復雜的專業(yè)流水線：開發(fā)者需要調(diào)用 OpenPose 模型固定模特的奔跑動作，調(diào)用 Depth 深度圖模型確保背景建筑物的透視關(guān)系正確，最后還需串聯(lián) IC-Light 技術(shù)重新計算人物與新背景融合時的陰影方向與色溫。

大模型只能承擔其中的生成環(huán)節(jié)，無法提供一套結(jié)構(gòu)化的約束機制。在這種能力斷層中，美圖找到了重構(gòu)業(yè)務(wù)的機會。

以美圖旗下的 Agent 產(chǎn)品 RoboNeo 為例，今年 3 月，這款產(chǎn)品的 AI 算力點消耗金額對比去年 12 月增長超過 300%。它把字節(jié)跳動 Seedance 2.0 等外部大模型和自研模型編排成工作流，用戶只需上傳圖片、提出需求。系統(tǒng)自動調(diào)度合適的模型組合，確保每次出圖的光影、顏色、尺寸都符合商用標準，而不是撞運氣。

同時，它解決了通用大模型的 “失憶癥”。大模型沒有記憶，RoboNeo 則用一套記憶系統(tǒng)記錄用戶的冷暖色調(diào)、視頻卡點等修圖偏好，集中管理品牌 Logo、往期素材。用戶換設(shè)備或換項目時，不需要每次向 AI 重新解釋 ‘我的品牌長什么樣’，品牌的一致性不會因為換了操作人而失控。

在更復雜的長鏈條內(nèi)容創(chuàng)作中，RoboNeo 打破了單點工具形態(tài)，推出 “多智能體協(xié)同”，系統(tǒng)會在后臺自動組建團隊。以視頻生成場景為例，系統(tǒng)自動組建團隊：“首席編劇” 搭建敘事骨架、“分鏡導演” 編寫腳本、“藝術(shù)總監(jiān)” 確定場景錨點圖、“后期合成” 負責出片。

如果用戶對某一步不滿意，無需將項目全盤推倒重來。系統(tǒng)引入了節(jié)點功能，用戶只需在輸入框中 “@ 首席編劇” 要求單點重寫，或者無縫銜接傳統(tǒng)的 AI 改圖、無痕消除等手動編輯工具進行二次修正。這種局部控制與多輪收斂機制，精準復刻了專業(yè)創(chuàng)作機構(gòu)的分工協(xié)作動作。

行業(yè) Know-how 價值的凸顯

落地行業(yè)場景的工作流編排，幾乎重構(gòu)了美圖所有的生產(chǎn)力應(yīng)用。

美圖設(shè)計室將特定場景的行業(yè)經(jīng)驗直接打包為 Skills。比如跨境電商賣家真實的訴求是：在 30 分鐘內(nèi)低成本交付一套絕對不變形、高轉(zhuǎn)化的商品圖。在 RoboNeo 中，用戶上傳單張耳機素材后，系統(tǒng)會自動識別材質(zhì)與賣點，規(guī)劃主圖、細節(jié)圖與對比圖的結(jié)構(gòu)，并直接對齊各大電商平臺的尺寸規(guī)范。

像線下咖啡店這類沒有專業(yè)剪輯團隊的實體店，店主用開拍，只需輸入一句 “幫我生成一條引流視頻”，系統(tǒng)就會自動打包撰寫劇本、剪輯生成、自動配樂，完成視頻包裝的全流程。它幫咖啡店老板生成引流視頻，老板不用雇人、不用學剪輯，付錢就行。

將大模型隱藏在 “懂生意、懂排版、懂協(xié)作” 的業(yè)務(wù)流底層，美圖補齊了面向中小商家的短板。美圖的商業(yè)邏輯也因此完成閉環(huán)：其核心價值不再是提供單純的修圖工具，而是成為普通人調(diào)用 AI 能力最趁手也最流暢的工具。

曾經(jīng)九死一生的美圖，近幾年把影像與設(shè)計產(chǎn)品作為主業(yè)，一心打磨工具。曾經(jīng)處于互聯(lián)網(wǎng)鄙視鏈底端的工具，在 AI 時代趕上了技術(shù)紅利的浪潮。

對于產(chǎn)品形態(tài)和商業(yè)模式的變革，美圖 CEO 吳欣鴻曾給出判斷，AI 時代生產(chǎn)力工具的核心目標已經(jīng)發(fā)生轉(zhuǎn)移，軟件必須直接交付高質(zhì)量的商業(yè)成果。只有當工具實打?qū)嵉靥嬗脩魤航党杀静?chuàng)造可見利潤，B 端客戶才愿意通過購買訂閱或持續(xù)消耗 Token，來為這種確定性的最終結(jié)果買單。

近年來，美圖的主要收入已從廣告切換為訂閱付費，AI 功能為這條商業(yè)路徑提供了更高的確定性。如今，部分高頻用戶在訂閱的基礎(chǔ)上，開始為額外的 AI 算力付費。他們可能是每天用美圖設(shè)計室出幾十套商品圖的跨境電商賣家，也可能是用開拍來制作 AI 營銷視頻的連鎖咖啡店區(qū)域營銷負責人。

過去十八年，美圖只需要做好一件事：讓產(chǎn)品好用。現(xiàn)在它得做好另一件事：讓產(chǎn)品靠得住。賣家今天出的圖和明天出的圖不能有色差，咖啡店老板換了一個店員操作，生成的視頻不能改變風格。這聽起來似乎不是什么難事，但在某種意義上，這正是應(yīng)用不會被模型吞噬的原因。

題圖來源：《沙丘 2》