首先要明确一个核心观点：传统软件工程的经济学体系建立在一条基本假设之上——代码实现的边际成本非常高。围绕这一假设，所有的开发流程、管理决策和团队架构都被设计出来。然而，如今这条基础假设正在逐步动摇和瓦解。

OpenAI Codex 桌面应用负责人 Andrew Ambrosino 在近期访谈中分享了一个关键数据：OpenAI 内部高达 90% 的员工（注意，并非仅指 90% 的工程师）每周都在使用 Codex。这意味着代码生成能力已不再局限于专业开发人员，而是跨越了岗位边界，正转变为全员可调用的通用生产力工具。

Andrew 的核心洞察直击要害：“实现的成本已不再是高昂的那部分。过去是‘先研究、再设计、最后实现'，而现在的情况是，90 个不同的人同时实现 90 个不同版本的方案，然后再从中进行筛选。” 这句话背后，蕴藏着两个深刻的产业经济结构变化。

一、供给冲击：从“实现稀缺”到“实现过剩”的范式剧变

在传统的开发模式下，组织的核心任务是在开始大规模编码前，通过 PRD（产品需求文档）、设计草图、用户研究和原型测试等手段来“规避风险”。这本质上是一种实物期权的定价逻辑：先投入少量前期成本进行验证，以避免后期耗费大量工程资源。但现在，这条逻辑链条已经被彻底颠倒过来。

当 90 个并行实现的成本竟然低于一次协调会议的成本时，组织面临的核心问题就不再是“如何高效生产”，而是“如何高效收敛成果”。这解释了为何 Andrew 特别强调“品味”和“策展”正在成为核心竞争力——这并非因为它们突然变得高雅，而是在供应无限丰富的情境下，筛选成为唯一具有价值的动作。

更进一步说，产品开发的投资决策模型也需要被重新定义。传统模型是：前期投入 + 工程投入 = 预期价值。而在 AI 时代，投入结构已经改变：前期投入被压缩到极致，但路径依赖的风险反而急剧上升。一个看似可用的原型，可能会锚定整个团队的方向，即使它背后缺乏充分的验证。Andrew 的原话点明了问题的核心：“你不想过份锚定在一个本应作为探索的东西上，但它看起来已经可以直接上生产环境了。”

这实际上是一个典型的“沉没成本悖论”：生成一个原型的成本越低，放弃它的心理成本反而可能越高。团队会不自觉地用“已经生成”来代替“已经验证”。这正是管理层需要高度警惕的一个行为金融学陷阱。

二、关键变量：模型能力的时间差

Andrew 的第二个关键判断，对投资决策有着直接的参考价值。他在回顾 Codex 的演进路径时，提到了一个耐人寻味的细节：“Codex 应用在去年 11 月就已经达到了可发布的状态，但如果放在今年 2 月才发布，在市场上很可能会失败。而事实上它在 2 月成功了——唯一的变量就是从 11 月到 2 月之间模型能力的跃升。同样的产品形态，仅仅相隔几个月，结果却截然不同。”

这段描述揭示了一个被严重低估的产业现象：模型能力的迭代速度，正在制造大量“过早发布的产品”的尸骸。这些产品本身并没有做错任何事，只是因为它们出现得太早了。

从投资角度来看，这意味着两点：第一，“先发优势”的权重正在下降，而“时机精准度”的权重急剧上升。过早发布可能会消耗市场信任和品牌资产，过晚发布则会错过最佳的窗口期——而这一窗口期是由模型能力决定的，而非竞品的动态。第二，产品策略必须内嵌对模型能力的预测。这不仅是在产品路线图里添加“AI 功能”几个字，而是要求团队具备判断模型能力进化节奏的能力。Andrew 团队的做法是：列出所有感兴趣的方向 → 全部原型化 → 筛选出“当下 ready 的”进行发布 → 那些“尚未 ready 的”则持续跟踪，等待模型能力的下一次跃升。本质上，这是一种基于能力时间序列的实物期权策略：用极低的成本持有大量等待行权的方向期权，当模型能力到位时便迅速执行。

三、人才与组织：深度专业化 vs 全栈通才的平衡点

在人才议题上，Andrew 的立场与当前流行的“人人都能成为构建者”“角色边界消亡”的叙事形成了明确的对立。他的观点值得仔细推敲。

首先，角色的技能内核并没有消失，只是获取门槛降低了。Andrew 直接指出：“每个学科都有可教授的专业知识。工程师常犯的一个错误是认为只有写代码才是技能，而其他角色只是在‘凭感觉做事’。这显然是错误的。你会用 Excel，并不代表你能胜任财务团队的工作。” 这句话的实质在于：专业化分工的经济学基础依然存在——比较优势仍然成立。变化的是跨职能学习的摩擦成本大幅降低，因此“兼顾多领域”的可行性提高了。但“可行性提高”并不等同于“专业化消失”。

其次，“产品角色消亡论”是一种危险的过度简化。Andrew 提到了一个值得警惕的现象：“我看到很多公司声称‘我们要取消产品经理角色，让所有人都做构建者’。然后，整个产品学科积累的最佳实践就被全盘抛弃了，因为有人写了几行代码，就觉得自己不再需要产品职能了。” 这是一种由幸存者偏差驱动的组织决策——看到成功的 AI 公司拥有跨职能文化，就据此得出结论说所有角色都会消失。实际上，跨职能文化建立在两个前提之上：高密度的人才质量以及强有力的筛选机制。这两个条件对大多数公司来说并不成立。

最后，关于团队的形态，Codex 的实际配置是：两位数规模的工程师，设计师数量约为工程师的一半，产品人员则极少。产品职能采用“区域联防”模式——产品人员分散覆盖不同的业务区域，避免重叠，确保全局无空白。Andrew 的原话很精炼：“两个产品人员走得太近，通常不是个好信号。” 这实质上是一种分布式覆盖策略：在快速变化的环境中，传统的“集中规划 → 分层执行”模式已经过时。替代方案是，将具备决策能力的人员分散部署，要求他们拥有判断力、行动力和自我协调能力——这类似于量化基金中投资经理独立决策、集中风控的架构。

四、“品味”：被误读的核心竞争力

Andrew 对“品味”的定义值得被写进尽职调查备忘录。他的第一句话就直接破题：“品味并不等于审美。Paul Graham 穿着工装短裤，但没人会说他没品味。” 然后他拆解了品味的四层含义，每一层都有具体的对标对象：

核心结论非常清晰：在实现能力无限充裕的环境下，唯一稀缺的认知能力就是从无限选项中筛选出“正确的那一个”的判断力。这一点与顶级投资机构的核心能力完全一致——面对无限可获取的信息和数据，超额收益的来源是筛选和判断，而非信息获取的速度或处理能力。

五、市场结构启示：谁是赢家，谁在裸泳？

结合 Andrew 的访谈，可以对当前 AI 产品组织的竞争格局做出一个基本判断。

赢家的特征很明确：高密度的判断力加上低协调摩擦。团队由拥有高品味的个体组成，每个人都能独立地做出“构建/不构建/重构”的判断。组织设计围绕“快速收敛”而非“高效生产”展开。能够容忍 90 个并行尝试带来的短期“浪费”，因为从长期来看，这是筛选出正确方向的必要成本。

输家的特征也同样清晰：过度依赖自上而下的优先级设定，理由是“实现需要花钱，不能随意尝试”；无法区分“原型验证”和“生产就绪”的信号差异，因为两者看起来相似；管理的核心职能仍然是“资源分配”而非“判断力培养”。

这里有一个关键风险需要警惕：判断力的不可规模化。与代码不同，品味和判断力难以通过提示工程或自动化流程来规模化复制。这意味着个体贡献者的杠杆率大幅提升——一个人加上 AI 可以输出过去一个团队的生产力。但优秀判断力的供给仍然极度有限，无法通过培训快速制造。因此，人才争夺的焦点将从“工程师数量”转向“有判断力的工程师密度”。

六、对创业公司和投资人的实操建议

基于以上分析，可以给出以下四条建议：

建议一：重新设计产品开发流程。取消“PRD → 设计 → 开发 → 测试”的线性流程。替代方案是：“方向假设 → 全员原型化 → 快速收敛 → 模型能力窗口触发 → 规模发布”。核心指标从“功能交付率”转向“正确决策率”——有多少方向被放弃、有多少方向被合并，这些才是值得关注的数字。

建议二：重新定义人才估值模型。“年资”和“技术栈深度”的权重下降，“跨职能学习速度”和“判断力密度”的权重上升。面试流程可以加入“模糊方向下的决策演练”环节，而不仅仅是纯算法或纯设计测试。

建议三：主动放弃“先发优势”迷信。在模型能力快速迭代的环境中，过早发布的风险被严重低估。需要建立“能力时序追踪机制”：持续测试原型在不同模型版本下的表现，在“足够好”的临界点选择发布时机。

建议四：刻意保留专业化深度。不要因为“跨职能可操作性提高”就取消专业角色。设计、产品、工程的专业 know-how 仍然是判断力的基础。跨职能是“增强”，而非“替代”。

结语：供给冲击重塑需求结构

软件实现成本趋近于零，这是一场真正的供给冲击。它不会消灭产品团队，但会彻底改变产品团队的结构和运作逻辑。在新的均衡中，执行能力将从稀缺品转变为大宗商品，而判断能力将成为唯一的稀缺品。

那些能够快速适应这个新逻辑的组织——有能力识别、培养和配置判断力的组织——将在下一个周期的竞争中占据结构性的优势。

（本文基于 Lenny's Podcast 对 Andrew Ambrosino 的访谈内容，结合组织经济学与投资分析框架撰写，不代表 OpenAI 或其关联方立场。）