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、美圖哪里有投票拉票團隊Adobe、拒絕Intuit 等 SaaS 巨頭建立了一套確定性極高的美圖商業規則：按員工席位收租。公司規模越大，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 智能體接管數據分析與執行；企業不再需要龐大的基礎團隊，按人頭計費的拒絕軟件席位隨之被掏空，最終將標普指數拖入長達數年的美圖回撤。他們還為此創造了一個新詞 “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，直接凝結為市場的拋售共識。這些行業風向標的股價在幾周內下跌 25% 至 30%。公開軟件公司 ETF 單日蒸發約 3000 億美元，直接抹去 ChatGPT 發布以來的所有漲幅。

從鐵路狂熱到互聯網泡沫，顛覆性技術落地前，資本的第一波反應永遠過激。然而當人工智能成為 “基礎設施”，哪里有投票拉票團隊大模型轉而尋求商業化，應用軟件能夠內化 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 a16z 發文反對 “SaaS 末日” 恐慌。2011 年，正是這家機構拋出 “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 是軟件業發生過的最好的事。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務需求的 “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、做信息搬運與規則執行的審批系統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；而近幾年涌現的、僅在大模型上套一層簡單界面的薄 SaaS 屬于后者，它們缺乏深層工作流壁壘，同樣會被底層能力的迭代抹除。

在 a16z 的推演中，幸存軟件的價值在于與 “工作流” 的結合程度：只有把大模型的生成能力裝進企業真實的工作流程里，才能實現價值。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。并通過工作流設定結構化的約束機制，允許人類在關鍵節點進行糾偏，將 AI 盲盒式的 “黑盒概率”，強行收斂為穩定、可復現的工業級確定性交付。

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字流水線，客戶可以根據最終的業務結果來支付費用，軟件 “按席位收租” 的舊模式自然瓦解，部分應用采取的 “訂閱制” 也可以轉變為 “Token 消耗”。

這種商業趨勢，已經在部分應用公司的業績中得以呈現。中國影像應用公司美圖近期公布一季度數據，截至 2026 年 3 月，全球付費用戶數超過 1790 萬，一季度以付費訂閱為主的 “影像與設計產品” 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力應用，而這些應用也正是之前被認為很大可能被大模型取代的軟件類型。但美圖在訂閱基礎上延伸出的 AI 算力點消耗，讓市場看到了應用成為 “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）切換為更苛刻的現金流折現（DCF）。分析師不再只看當期利潤，而是押注美圖的商業模式能持續產生自由現金流。

AI 應用，能成為 “Token 加工廠” 嗎？

愈演愈烈的行業競爭態勢下，二級市場需要看到，這個 “Token 加工廠” 怎么運轉起來，并源源不斷地產生經濟效益。

在生成式 AI 的浪潮中，美圖所在的圖像與視頻編輯行業，受到的沖擊也最為直接。過去，傳統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、一致性與工業化生產效率。

電商與商拍場景中，客戶對違反物理規律的錯誤零容忍。某大型服裝企業在測試 AI 生成時，曾拋出涵蓋摳圖、擴圖、融合的 46 道考題，結果被評估為 “完全不可用”。核心原因在于光影邏輯錯誤 —— 人像光影由內向外，背景光影卻從外向內，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，真實的商業修圖充斥著 “眼角抬高 25%” 這類極度主觀且精細的微調。用自然語言向大模型描述這些動作極易引發局部結構的生成混亂。

在品牌營銷場景中，制作一張符合視覺規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流水線：開發者需要調用 OpenPose 模型固定模特的奔跑動作，調用 Depth 深度圖模型確保背景建筑物的透視關系正確，最后還需串聯 IC-Light 技術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節，無法提供一套結構化的約束機制。在這種能力斷層中，美圖找到了重構業務的機會。

以美圖旗下的 Agent 產品 RoboNeo 為例，今年 3 月，這款產品的 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。系統自動調度合適的模型組合，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 則用一套記憶系統記錄用戶的冷暖色調、視頻卡點等修圖偏好，集中管理品牌 Logo、往期素材。用戶換設備或換項目時，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容創作中，RoboNeo 打破了單點工具形態，推出 “多智能體協同”，系統會在后臺自動組建團隊。以視頻生成場景為例，系統自動組建團隊：“首席編劇” 搭建敘事骨架、“分鏡導演” 編寫腳本、“藝術總監” 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。系統引入了節點功能，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，精準復刻了專業創作機構的分工協作動作。

行業 Know-how 價值的凸顯

落地行業場景的工作流編排，幾乎重構了美圖所有的生產力應用。

美圖設計室將特定場景的行業經驗直接打包為 Skills。比如跨境電商賣家真實的訴求是：在 30 分鐘內低成本交付一套絕對不變形、高轉化的商品圖。在 RoboNeo 中，用戶上傳單張耳機素材后，系統會自動識別材質與賣點，規劃主圖、細節圖與對比圖的結構，并直接對齊各大電商平臺的尺寸規范。

像線下咖啡店這類沒有專業剪輯團隊的實體店，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、懂協作” 的業務流底層，美圖補齊了面向中小商家的短板。美圖的商業邏輯也因此完成閉環：其核心價值不再是提供單純的修圖工具，而是成為普通人調用 AI 能力最趁手也最流暢的工具。

曾經九死一生的美圖，近幾年把影像與設計產品作為主業，一心打磨工具。曾經處于互聯網鄙視鏈底端的工具，在 AI 時代趕上了技術紅利的浪潮。

對于產品形態和商業模式的變革，美圖 CEO 吳欣鴻曾給出判斷，AI 時代生產力工具的核心目標已經發生轉移，軟件必須直接交付高質量的商業成果。只有當工具實打實地替用戶壓降成本并創造可見利潤，B 端客戶才愿意通過購買訂閱或持續消耗 Token，來為這種確定性的最終結果買單。

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上，開始為額外的 AI 算力付費。他們可能是每天用美圖設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域營銷負責人。

過去十八年，美圖只需要做好一件事：讓產品好用。現在它得做好另一件事：讓產品靠得住。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，這正是應用不會被模型吞噬的原因。

題圖來源：《沙丘 2》