印刷術與軟體民主化

資料來源#

• Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next
• Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World
• Indian AI Coding Startup Emergent Becomes a Unicorn with $130M Series C

摘要#

Boris Cherny 用來比喻 AI 如何改變軟體的，是1400 年代歐洲印刷術的發明。印刷術出現前，識字率約為 10%；識字者受僱於大多不識字的國王與領主。在 Gutenberg 之後 50 年內，印刷的書籍數量超過前一千年的總和；書籍成本下降約 100 倍。在接下來幾個世紀，全球識字率達到約 70%。Boris 認為，軟體編寫正處於同樣的轉折點——生產軟體的成本崩跌，這項技能變得普遍，而瓶頸從編碼轉移到領域知識。

Boris 的原話中的比喻#

「在印刷術出現以前，基本上只有 10% 的歐洲人口識字。他們知道如何閱讀與書寫。他們通常受僱於那些不識字的國王與領主。」

「印刷術被發明了，接著又出現了另外兩台印刷機；在第一台印刷機出現後的 50 年內，歐洲出版的文獻比前一千年[所出版的]還多。」

「軟體將會成為一種完全民主化、任何人都能做的事情。」

「我認為，最適合編寫會計軟體的人，也許即使是今天，都不是工程師，而是一位非常優秀的會計師，因為他們非常了解這個領域，而編碼是容易的部分。」

這個比喻主張什麼#

1. 生產成本崩跌。 軟體就像印刷術出現後的書籍一樣，變得便宜且容易生產。
2. 技能擴散。 軟體編寫曾是專門技能，就像 1400 年代的識字能力；它會變成普遍技能。
3. 領域知識成為差異化因素。 當識字能力普及後，你寫什麼比寫作這個行為本身更重要。當編碼普及後，為誰打造什麼，比編碼技能更重要。
4. 速度快於 50 年。 Boris 的補充說法是：「快得多，不會是 50 年。」2026 年技術的擴散時間以月計，而非以世紀計。

這個比喻切中之處#

• 教育體系花了幾個世紀才追上大眾識字。 建立在「大多數學生在家無法閱讀」這個假設上的學校，必須重新打造。對於「大多數人都能建構軟體」這件事，目前沒有明顯現成的對應體系。訓練營、電腦科學課程與工程師職涯階梯，都假設編碼技能稀缺，但這個假設可能不再成立。
• 全民識字後，專業作家仍然存在。 「現在我們都能閱讀與書寫……[但]仍然有專業作家，而那是一件你可以從事的事情。」Boris 暗示，民主化之後專業工程師仍會存在，就像專業作者一樣——但基準線會改變。
• 識字沒有取代領主。 大眾識字沒有削弱識字菁英的權力——它改變了哪些技能具有溢價，並將溢價技能往上推移。Boris 的隱含賭注是：價值會從「能寫程式」轉移到「能決定該打造什麼」——見 Engineer PM Convergence。

這個比喻吃力之處#

• 書籍是靜態的；軟體是動態的。 書籍一旦印出就放在那裡。軟體需要維護、保護與擴展。「任何人都能寫軟體」不代表任何人都能可靠地在 production 中運行軟體。
• 軟體具有書籍沒有的複合網路效應。 一本書不會像大多數軟體那樣依賴其他書籍；這個比喻低估了基礎設施／相依性／互通性。
• 閱讀是單向的；軟體有利害關係人、使用者與攻擊者。 大規模的軟體全民創作會帶來識字能力未曾帶來的問題（安全性、問責、監管）。
• 「會計師編寫會計軟體」這項主張現在可以驗證。 Boris 暗示我們已經看到這種情況。來源中沒有 2026 年這種做法的實際成功頻率硬數據——但 Cat Wu 關於具備產品品味的工程師的平行觀點指出，真正的槓桿是領域與編碼的整合，而非純粹由非工程師創作。

Boris 得出的含義#

• 現在是創辦新創的最佳時機。 小團隊能與既有企業正面競爭，因為既有企業必須重新訓練人員／改變流程／克服內部阻力；新創則從第一天起就以 AI 原生方式建立（見 Seven Powers Applied to AI）。
• 未來 10 年將出現多 10 倍的顛覆級新創。 Boris 的預測。
• Boris 預測的下一種價值形式：具備深厚領域知識、如今也能建構軟體的人。 會計師、醫生、律師、教師——由領域專家為自己的領域創作工具，而不是等待 SaaS。

擴散的衡量：AI 流暢度成為跨職能基準（Emergence Capital，2026 年 6 月）#

這個比喻的核心主張是，一項專門技能會擴散，直到成為普遍基準。Emergence Capital 的 Beyond Benchmarks 2026 顯示，AI 流暢度在招聘資料中正好如此擴散：如今，與 AI 相關的職責出現在 39–48% 的科技職缺描述，以及 28–40% 的商業職缺描述（人資、財務、營運、法律、客戶成功）中——「這不再只是工程領域。」過渡期的定價也清楚可見：即使在非 AI/ML 職稱中，職務名稱含有「AI」也能帶來 13–26% 的基本薪資溢價（產品管理 +26%、技術顧問 +21%、軟體工程師 +20%、銷售賦能 +18%、資料科學 +13%），而 AI 原生公司支付高出 7% 的基本薪資，並提供非 AI 同業 1.63 倍的新進員工股權。這就是普及前的溢價——一項仍稀缺到足以定價的技能，正朝比喻所預測的基準線擴散。這是勞動市場對應專業回報的發現：市場如今在各職能中，為「AI 流暢度加領域知識」付費，是「編碼是容易的部分，領域知識才是差異化因素」在薪資端的回聲。（由 VC 發布，但資料來自 Ashby/Pave 的資料合作夥伴——是實際職缺描述與薪酬，而非調查。）

相關連結#

• Boris Cherny — 這個框架的作者
• Seven Powers Applied to AI — 哪些護城河能存續的配套分析
• Engineer PM Convergence — 更小時間尺度上的相同方向（公司內部的角色合併）
• Claude Character as Product — 當任何人都能建構時，軟性特質（品味、性格）成為差異化因素
• Harness Shrinkage as Models Improve — harness 的縮小是同一擴散現象的一個切面：軟體之上的軟體也變得更簡單
• Compute Allocator — 民主化建構者扮演的角色：既然生產變得便宜，決定什麼值得生產
• Disposable Micro-Apps — 單一任務規模下的豐富經濟學：軟體便宜到可以建構、使用一次後丟棄
• AI-Native Startup Lifecycle — Anthropic 將這項論點落實為逐階段的創辦人作戰手冊（2026 年 5 月）
• Founder as Agent Orchestrator — 民主化帶來的角色轉移；創辦人開始來自非工程垂直領域
• Compounding Data Moat — 當軟體編寫普及後，取代「編寫軟體能力」的護城河：時間鎖定的行為資料加上編碼的領域邊界案例
• Vibe Coding vs. Agentic Engineering — Karpathy 的「vibe coding 拉高底線」正是從實作者詞彙描述的相同民主化
• The AI-Native Safe-Choice Inversion — 需求端的鏡像：當任何人都能建構 AI 原生軟體，買方開始期待這種軟體，顛覆哪個供應商才是「安全選擇」
• AI as Primary Author — 供給端的終點：當創作權轉移到機器，Faros AI 衡量出 AI 已被接受進 60% 的程式碼——民主化的「任何人都能建構」變成「機器建構其中大部分」
• Returns to Expertise in Agentic Coding — 這個比喻的衡量結果。 Boris 所說「最適合編寫會計軟體的人是優秀的會計師，因為編碼是容易的部分」，正是 Anthropic 的發現：每種職業都能在距離軟體工程師 7 個百分點內達到驗證成功，而放大工具效用的是領域專業（不是編碼技能）——這正是「會計師編寫會計軟體」主張一直等待的硬數據
• Organizational Complements to AI — 民主化能力是供給面；實現的價值仍集中在存在互補條件（存取權、技能、審查流程）的地方——兩者共同解釋了為什麼同一模型下，OpenAI 的 Codex 使用量在不同族群間如此不均
• Experimental Learning Impact of Generative AI — 對提高底線的反向訊號：在隨機學習實驗中，AI 的增益偏向能力較高的四分位數，暗示 AI 可能擴大而非縮小技能差距——在學習層面上，這與民主化故事相反
• AI-Native Organization — 在單一機構內觀察到的論點：Tan 的 YC 財務職員將約 100 個 Excel 工作簿整合成她自己建構的應用程式（「她不是程式設計師，她現在是代理的管理者」），以及他最後展示的案例——一位沒有實驗室或研究經費的父親，為患有罕見癲癇的兒子建立 80,000 個檔案的醫學知識庫（「豐富不是政策白皮書，而是已出貨的軟體」）
• Emergent — 將民主化作為市場觀察：20 萬以上非技術客戶在其「盒裝工程團隊」平台上建構自己的 ERP/CRM 軟體——領域專家大規模為自己的領域創作 production 工具

開放問題#

• 2026 年，領域專家成為建構者真的正在大規模發生嗎？軼聞（店主、微控制器愛好者）是肯定的；非工程師以主要工作建構軟體則較不明確。（部分已有答案：Anthropic 的 40 萬次工作階段研究 發現，非軟體職業在產生程式碼的工作階段中，達到驗證成功的程度約在軟體工程師 7 個百分點內——這是迄今最有力的證據，至少在 Claude Code 使用者群中，該主張成立。市場規模的佐證：Emergent 報告有 20 萬以上的非技術付費客戶——運輸公司、工廠與營造企業建構自己的 ERP，物業管理者建構 CRM 工具（TechCrunch, July 2026, vendor-claim）——Boris 的「會計師編寫會計軟體」已作為付費市場被觀察到，而不只存在於單一供應商的遙測資料中。）
• 全民編碼識字的義務教育，其對應形式是什麼？還是這根本不會發生，而我們會得到一長串自學建構者？
• Boris 的「會計師編寫會計軟體」——這會不會導致 1 萬個彼此無法互通的狹窄工具？整合策略是什麼？

衍生文章#

• Learning to Co-Work with AI: A Software Engineer's Field Guide — 將民主化論點套用到個人工程師技能發展（領域深度加上跨學科廣度成為新的差異化因素）
• Opinions on Using AI Tools & the Future of the Software Engineering Role — 將這個比喻作為「看多的內行人」立場，以及未來角色章節背後的宏觀驅動因素

資料來源#

• Anthropic's Boris Cherny: Why Coding Is Solved, and What Comes Next
• Beyond Benchmarks 2026: Five Data Sets Grounded in the Real World — Emergence Capital，Beyond Benchmarks 2026（2026 年 6 月）：AI 流暢度在科技與商業職缺描述中擴散，加上職稱含「AI」的 13–26% 薪資溢價——以招聘與薪酬資料衡量的擴散