云厂商挤压SaaS软件，刚开始是分销，后来是替代：未来的软件公司将走向“无头API”模式——即保留底层的数据控制和授权机制，而在应用层允许公司和个人进行大规模的AI定制
软件公司的价值正在重新分配。我关心的是：当 AI 能够按需生成应用、替人执行任务，企业还会为什么持续付费？
华尔街见闻整理的 OpenAI CFO Sarah Friar 访谈，提供了一个具体入口：软件保留数据和授权机制，把应用层开放给定制。但这场访谈的范围更广，涉及商业回报、算力建设、组织调整，以及管理者应该把时间花在哪里。
软件的价值向数据和授权机制集中
Friar 讲了 OpenAI 的采购系统。采购流程繁琐，但真正不能丢掉的，是数据存放在哪里、谁拥有控制权，以及不同金额的采购由谁批准。
信用调查等执行环节可以交给智能体，审批权限却不能随之消失。流程可以重新设计，责任边界仍然需要明确。
这就是她所说的“无头 API”：软件继续提供底层能力，用户通过接口，在上面建立适合自己的应用和交互方式。
我的判断是，标准化界面和固定流程面临的压力会越来越大。过去，客户需要适应软件；以后，越来越多的软件可以适应客户。掌握可靠数据、业务规则和授权体系的公司，仍然有保留价值的机会。
至于云厂商是否会从分销走向替代，这份访谈没有展开直接论证。它更清楚地揭示了替代可能发生的位置：当应用层可以低成本重建，原有软件就需要重新证明自己不可缺少的部分。
智能体把竞争从生成内容推进到完成任务
Friar 描述的演进路径，是从问答到推理，再到自主执行。关键变化在于，用户提出目标之后，系统能够继续推进工作。
她自己的助手会在夜间整理邮件、消息和文档，筛选优先事项，提供下一步方案，并把她带到需要处理的信息位置。这比单纯生成一份摘要更接近实际工作。
我认为，“程序员会不会消失”这个问题过于粗糙。输入代码的成本下降之后，定义问题、设计逻辑、检查结果的价值会更加突出。开发能力的边界也会扩大，财务人员同样可以开始编写工具。
教育中的例子也有代表性。Friar 提到，教师可以借助 AI，为进度领先和落后的学生即时设计不同的任务。这里的价值是把过去难以负担的个性化工作，变成教师能够日常使用的能力。
企业回报要沿着工作流程来计算
据 Friar 在访谈中的说法，思科开发人员使用 AI 后，效率提高了 3 到 10 倍；另一家银行正在向 12 万名员工推广相关技术，每人每周可以节省数小时。这些是她给出的客户案例，不能直接视为所有企业都能达到的水平。
但企业的付费逻辑确实值得关注：一款工具能增加多少有效产出，开始成为衡量价格的重要依据。
我会把这笔账继续算到底。节省的时间是否变成更多交付？交付是否带来收入或服务改善？新增的审核、集成和管理成本是多少？这些环节打通，个人效率才会转化为企业收益。
Friar 将部分客户超预期的盈利与 AI 联系起来，但访谈没有提供足以确认因果关系的证据。企业真正需要的，是在自己的业务流程中持续验证回报。
算力建设面对的是需求与交付的时间差
Friar 把算力基础设施比作修铁路。今天投入资本，产能可能要一到三年后才能形成，同时还要考虑 2030 年到 2035 年的需求。
这里的难题很具体：等需求完全明确，建设可能来不及；提前投入，又必须承担预测偏差。
她强调，采购依据是已经看到的真实需求，并且需要营收和经营表现来支撑投入。我认为，这比单纯讨论融资规模更接近问题本质。
判断这类投入，需要同时看需求能否持续、产能何时交付，以及交付之后能否产生足够收益。眼前的算力紧缺，不能自动回答长期回报问题。
执行能力越强，安全边界越重要
当 AI 从回答问题进入执行任务，网络安全就会直接影响业务运行。系统接触的数据、拥有的权限，以及能够触发的操作，都需要重新审视。
Friar 用互联网早期病毒传播的经历提醒企业：新的能力通道，也可能成为新的攻击通道。她特别强调关键基础设施保护，以及企业与政府之间的合作。
这与采购系统的例子是同一个逻辑。应用可以灵活生成，权限必须受控。我的判断是，企业采用智能体时，安全、授权和责任归属需要与业务流程一起设计。
组织要把释放出来的时间重新分配
访谈里，一家咨询公司的案例值得注意：后台人员减少了一半，部分人员转到前台，服务正在快速变化中的客户，公司整体规模并没有因此缩小。
这个案例不能代表所有企业的就业结果，却展示了一种组织调整方向。重复性处理减少之后，理解客户、推动改变和处理复杂关系，可能需要投入更多人。
因此，我不会把所有“经验”都视为正在贬值。依赖熟悉操作步骤的经验容易受到冲击；能够识别情境、权衡利益、理解人的经验，仍然是判断力的重要来源。
Friar 在招聘时，把聪明、毅力和忠诚放在经验之前。我的理解是，面对快速变化的工作，学习能力和承担责任的意愿，会影响一个人能否持续发挥作用。
管理者要把最好的状态留给重要决定
Friar 谈到两类决策：可以退回重来的决定，应避免被完美主义拖住；难以逆转的重大决定，则需要充分分析和证据。
我认同这种区分。变化越快，越需要知道哪些事情可以边做边改，哪些事情必须在行动之前想清楚。
她还把人事决定放在自己状态最好的早晨。这个细节很实在：如果人最重要，就应该把最好的注意力用在招聘、反馈和评价上，而不是处理完所有邮件后，才匆忙面对人。
她讨论职业选择时提出的四个问题，也与此相通：擅长什么、热爱什么、靠什么获得收入、世界需要什么。AI 可以帮人完成更多工作，但省下来的时间投向哪里，仍然需要自己决定。
我更愿意把“判断力稀缺”落实到这些具体选择上：决定做什么，决定让谁来做，决定何时授权，以及在结果出现后承担责任。工具越强，这些选择的分量就越重。