真正的难题变了
现在我们日常用的工具——IDE写代码、Figma画设计、Excel算数——全是执行工具。但帮你想清楚"到底该做什么"的工具，几乎没有。唯一勉强算得上的，可能就是LLM本身。
当AI写代码的能力持续增强，能处理的任务时间线越来越长，瓶颈就从"怎么实现"转移到了"做什么"。
想象一个场景：产品经理每天早上醒来，发现AI已经根据他设定的大方向，自主生成了2-3个新功能方案、写好代码、跑完A/B测试，PM只需要review和拍板。技术上这正在变得可行，但问题是——现在的模型在"想该做什么"这件事上还不够好，想出来的点子往往平淡，缺乏好产品思维的灵光一现。
所以下一代工具的机会不在更好的执行，而在"思考辅助"——帮你探索、发散、找到该做什么。Cursor已经在往这个方向走了。对独立开发者来说，这意味着：掌握"提出好问题"的能力，比"快速写代码"更有长期价值。
每个团队都得变成软件团队
企业里有两类职能。一类天生离软件近：工程、产品、效果营销。另一类传统上靠人力运转：法务、财务、HR，流程重、软件轻。
AI coding agents正在改变这个格局，影响有两层：
- 思维转换：服务职能的负责人遇到问题，第一反应不再是"加人"或"改流程"，而是"能不能用软件解决"。有的会用垂直产品（比如法律领域的Harvey），有的会直接用通用的coding agent（比如Claude Code）
- 产品野心提升：以前做功能要排优先级，因为工程资源有限。现在可以假设——能想到的功能都可以做出来。"Every feature that can be built will be built." 如果你不做，别人会做
这个观点对一人公司尤其有意义。一个人借助AI coding agent，完全可以覆盖过去需要一个小团队才能支撑的产品功能面。但文化转变的难度不亚于技术转变——大多数人还没准备好接受"什么都能做"这个现实。
AI应用层不会被模型公司吃掉
一种常见担忧：OpenAI、Anthropic、Google这些大模型公司会不会把应用层也吃掉？
从实际情况看，不用太担心。大模型公司的能力"参差不齐"，某些地方很强，某些地方有明显短板。而且各有包袱——Google要应付监管承诺，OpenAI同时在消费者、企业、模型、硬件四条战线作战。
一个有说服力的数据：编程工具是模型公司最重视的领域之一，结果2025年光是创业公司就创造了超过10亿美元的新收入。
AI应用在这些领域有天然优势：需要多模型协作、有独家数据、有网络效应、功能面足够广。结合Karpathy提出的"厚"AI应用概念（多模型编排、自主程度可调、上下文工程），可以看出——应用层和模型层正在分化，而不是合并。这对独立开发者是好消息。
普通人正在解锁AI的隐藏能力
命令行式的交互界面，把很多普通消费者挡在了AI最强能力的门外。但这正在改变——Wabi让普通人也能生成小应用，ChatGPT和Grok的图片功能让图像生成触手可及。
一个有趣的观察：2025年生成一个小应用的快乐，和2023年生成一首诗的快乐本质上是一样的。但大多数消费者还不知道这件事的存在。
这里面藏着机会——谁能把AI的专业能力包装成普通人也能用的产品，谁就能抓住下一波用户增长。
给创业者的实操启示
Anish给大公司CEO的建议，翻译成独立开发者的语言：
- 用AI统一客户触达：把销售、客服、售后这些分散的客户交互，用AI整合成一个统一的智能入口
- 非技术环节也要软件优先：你的财务、客服、内容生产，是否都已经用上了AI工具？真正的效率杠杆往往藏在这些"非核心"环节
- 对产品定价和功能都更大胆：如果Claude Code能用自己写出自己，Tesla的FSD能跨海岸自动驾驶，那对大多数业务任务来说，AI的能力上限比你想象的高得多
当然，作者是a16z的投资人，立场天然乐观，文章没怎么谈AI的可靠性问题、监管风险和就业冲击。但有两个判断值得独立开发者反复琢磨：当"怎么做"不再是问题，"做什么"就成了最稀缺的能力；借助AI，一个人完全可以拥有一个软件团队的产出能力。我们正处在这个窗口期里——关键是别只把AI当执行工具，而是把它当成你的思考伙伴。