AI 不会实现技术平权，只会奖励合适的人

作者： Naman Bhansali

编译： 深潮 TechFlow

深潮导读：在新技术普及的初期，人们总会产生一种“技术平权”的幻觉：当摄影、音乐创作或软件开发变得轻而易举，竞争优势是否就会随之消失？Warp 创始人 Naman Bhansali 结合其从印度小镇跨越到 MIT 的个人经历，以及在 AI 领航 payroll 赛道的创业实践，深刻揭示了一个反直觉的真相：技术越是降低门槛（Floor），行业的天花板（Ceiling）反而升得越高。

在这个执行力变得廉价、甚至可以被 AI “振动编码”（vibecoded）的时代，作者认为真正的护城河已不再是单纯的流量分发，而是难以伪造的“审美”（Taste）、对复杂系统底层逻辑的深度洞察，以及愿意在十年尺度上持续复利的耐心。这篇文章不仅是对 AI 创业的冷思考，更是对“平民技术导致贵族结果”这一幂律法则的有力论证。

全文如下：

每当一项新技术降低了准入门槛，同样的预测总会接踵而至：既然现在每个人都能做到，那么谁都不再拥有优势。拍照手机让每个人都成了摄影师；Spotify 让每个人都成了音乐家；AI 则让每个人都成了软件开发者。

这类预测总是对了一半：底线（The floor）确实升高了。更多的人参与创造、更多的人发布产品、更多的人加入竞争。但这种预测总是忽略了天花板（The ceiling）。天花板上升的速度更快。而底线与天花板之间——即中位数水平与顶级水平之间——的差距并没有缩小，反而正在扩大。

这就是幂律法则（Power laws）的特征：它不在乎你的意图。平权的技术总是产生贵族化的结果。每一次都是如此。

AI 也不会例外，甚至会表现得更加极端。

市场的演变形态

当 Spotify 发布时，它做了一件真正激进的事：它让地球上的任何音乐人都能获得以前只有唱片公司、营销预算和极佳运气才能触及的分发渠道。结果是音乐产业的爆发——数百万新艺人涌现，数十亿首新歌发布。底线确实如承诺的那样升高了。

但随后发生的事是：顶尖 1% 的艺人现在捕获的播放量比例比 CD 时代还要大。不是变小了，而是变大了。更多的音乐、更多的竞争、更多寻找优质内容的途径，使得不再受地理位置或货架空间限制的听众们，纷纷向最顶尖的作品靠拢。Spotify 没有实现音乐的大同，它只是加剧了这场锦标赛。

同样的故事也发生在写作、摄影和软件领域。互联网催生了历史上数量最多的作者，但也产生了一个更残酷的注意力经济。更多的参与者，更高的顶层赌注，同样的基本形态：极少数人获取了绝大部分价值。

我们对此感到惊讶，是因为我们习惯用线性思维思考——我们期望生产力的提升能像往扁平容器里倒水一样均匀分布。但大多数复杂系统并非如此运作，它们从未如此。幂律分布并非市场的怪癖或技术的失信，它是大自然的默认设置。技术并没有创造它，技术只是揭示了它。

想想克莱伯定律（Kleiber's Law）。在地球上的所有生物中——从细菌到蓝鲸，跨越 27 个数量级的体重规模——代谢率与体重的 0.75 次方成比例。鲸鱼的新陈代谢并非按比例的鲸鱼规模。这种关系是一个幂律，而且在几乎所有生命形态中都保持着极高的精度。没有人设计了这种分布，它仅仅是能量在复杂系统中遵循其内在逻辑时呈现的形态。

市场就是复杂系统，注意力是一种资源。当摩擦力消失——当地理、货架空间和分发成本不再起到缓冲作用时——市场会向其自然形态收敛。这个形态不是正态分布的钟形曲线，而是幂律。平权的故事与贵族化的结果并存，这正是为什么每项新技术都会让我们猝不及防。我们看到底线在升高，便假设天花板也在以同样的速度跟随。事实并非如此，天花板正在加速远离。

AI 对这一进程的推动将比以往任何技术都更快、更狠。底线正在实时升高——任何人都可以发布产品、设计界面、编写生产环境代码。但天花板也在升高，且升得更快。值得追问的问题是：究竟是什么决定了你最终的位置？

当执行力变得廉价，审美成为信号

1981 年，史蒂夫·乔布斯（Steve Jobs）坚持认为初代 Macintosh 内部的电路板必须是美观的。不是外观，而是内部——那个客户永远看不到的部分。他的工程师觉得他疯了。但他没疯。他理解了一些容易被斥为完美主义、但实际上更接近某种证明的东西：你做任何事的方式，就是你做所有事的方式。一个能把隐蔽部分做得美观的人，并不是在表演质量，而是他在性格上就无法容忍发布任何次品。

这很重要，因为信任很难建立，却很容易在短时间内伪造。我们不断地运行启发式判断（Heuristics），试图搞清楚谁是真正的卓越，谁只是在表演卓越。凭证（Credentials）有帮助但可以被操纵；出身（Pedigree）有帮助但可以被继承。真正难以伪造的是审美（Taste）——即一种持久的、可观察到的、对某种无人要求的标准的高度坚持。乔布斯不必把电路板做得那么美。他这么做了，这件事本身就告诉了你，在你看不见的地方他会怎么做。

在过去十年的大部分时间里，这种信号在某种程度上被掩盖了。在 SaaS 的鼎盛时期（大约 2012 年到 2022 年），执行力变得如此标准化，以至于分发（Distribution）成了真正的稀缺资源。如果你能高效获取客户，建立销售机器，达到“40 原则”（Rule of 40）——产品本身几乎不重要。只要你的进入市场（Go-to-market）策略足够强，你就可以靠一个平庸的产品获胜。审美所发出的信号被淹没在增长指标的噪音中。

AI 彻底改变了信噪比。当任何人都可以在一个下午生成一个功能性的产品、精美的界面和可运行的代码库时，一件东西“是否好用”便不再是差异化因素。问题变成了：这东西是否真的卓越？这个人是否知道“好”与“卓越”（Insanely great）之间的区别？即使没人强迫，他们是否足够在乎去弥合那最后一点差距？

对于业务关键型软件（Business-critical software）来说尤其如此——那些处理发薪、合规、员工数据的系统。这些不是你可以随意试用并在下季度放弃的产品。切换成本是真实存在的，故障模式是严重的，部署系统的人要对后果负责。这意味着在签约之前，他们会运行所有的信任启发式判断。一个美观的产品是能发出的最响亮的信号之一。它在说：建造它的人很用心。他们在乎你肉眼可见的部分，这意味着他们也很可能在乎你看不见的部分。

在执行力廉价的世界里，审美就是工作量证明（Proof of work）。

新阶段奖励什么

这套逻辑一直成立，但在过去十年中，市场环境让它变得几乎不可见。曾几何时，软件行业最重要的技能甚至与软件本身无关。

在 2012 年到 2022 年间，SaaS 的核心架构已经定型。云基础设施廉价且标准化，开发工具趋于成熟。构建一个功能性产品虽然难，但那是一种“已被解决的难”——你可以通过招聘来搞定，遵循既定的模式，只要资源充足就能达到及格线。真正稀缺的、能将赢家与庸才区分开的是分发能力。你能否高效获取客户？能否建立可重复的销售动作？你是否足够了解单元经济模型（Unit economics），从而在正确的时刻为增长之火添柴加薪？

在那个环境下如鱼得水的创始人大多来自销售、咨询或金融领域。他们对那些在十年前听起来像天书的指标了如指掌：净金额留存率（NDR）、平均合同价值（ACV）、魔力指数（Magic number）、40 原则。他们生活在电子表格和销售管线审核中，在那个语境下，他们确实是正确的。SaaS 巅峰期催生了巅峰期的 SaaS 创始人。这是一种理性的演化适配。

但我却感到窒息。

我成长于印度一个拥有 2.5 亿人口的州的小镇。每年全印度只有大约三名学生能考入麻省理工学院（MIT）。毫无例外，他们都来自德里、孟买或班加罗尔昂贵的预科学校——那些专门为此目标而建立的机构。我是我所在州历史上第一个考入 MIT 的人。我提这件事不是为了炫耀，而是因为这是本文论点的一个微缩版：当准入门槛受限时，出身（Pedigree）预测结果；当准入门槛开放时，深耕的人（Deep people）总会胜出。 在一个满是出身名门者的房间里，我是一个靠深度取胜的筹码。这也是我唯一知道的下注方式。

我学习了物理、数学和计算机科学，在这些领域中，最深刻的洞察并非来自流程优化，而在于看到了别人错过的真相。我的硕士论文是关于分布式机器学习训练中的掉队者缓解（Straggler mitigation）：当你在大规模运行系统时，如果部分环节落后了，你该如何在不损害整体完整性的情况下优化这一约束。

当我二十出头看向创业世界时，我看到的是一个这些深度洞察都显得无关紧要的图景。市场的溢价给了“进入市场”（Go-to-market），而非产品本身。构建技术卓越的东西似乎显得有些天真——那被视为对“真游戏”（即获客、留存和销售速度）的干扰。

随后，在 2022 年底，环境变了。

ChatGPT 所展现的——以一种比多年研究论文更直观、更震撼的方式——是曲线已经弯曲了。一个新的 S 曲线已经开启。阶段性的转型（Phase transitions）不会奖励那些最能适应前一阶段的人，而是奖励那些能在别人还没看清价格前，就洞察到新阶段无限可能的人。

于是我辞掉工作，创立了 Warp。

这场赌注非常具体。美国有 800 多个税务机构——联邦、州、地方——每个都有自己的申报要求、截止日期和合规逻辑。这里没有 API，没有程序化的访问接口。几十年来，每个薪酬服务提供商（Payroll provider）都以同样的方式处理这个问题：堆人。成千上万的合规专家通过手动方式，在这些从未被设计为规模化运行的系统中周旋。传统巨头——ADP、Paylocity、Paychex——围绕这种复杂性建立了完整的商业模式，他们不是去解决复杂性，而是将其吸收进雇员人数中，并将成本转嫁给客户。

在 2022 年，我能看到 AI 智能体（Agents）还是脆弱的。但我也能看到改进的曲线。一个深耕于大规模分布式系统、近距离观察模型演进轨迹的人，可以下一场精准的赌注：当时脆弱的技术，在几年内将变得无比强大。所以我们下注了：从第一性原理出发构建一个 AI 原生平台，从该类别中最难的工作流切入——那个因为架构限制而导致传统巨头永远无法自动化的工作流。

现在，这个赌注正在兑现。但更宏观的一点在于模式识别。AI 时代的技术型创始人不仅拥有工程优势，更拥有洞察优势。他们能看到不同的切入点，下不同的赌注。他们能审视一个被所有人默认为“永久复杂”的系统，并追问：要实现真正的自动化需要什么？然后，关键在于，他们能亲手构建出答案。

巅峰 SaaS 时代的霸主是约束条件下的理性优化者。而 AI 正在移除这些约束，并安装新的约束。在新的环境下，稀缺资源不再是分发，而是洞察可能性的能力——以及将其构建到应有标准的审美与信念。但还有一个决定一切的第三变量，而这正是大多数 AI 时代的创始人们正在犯下灾难性错误的地方。

高速中的长线游戏

现在的创业圈流行着这样一个迷因（Meme）：你有两年的时间来逃离永久底层。快建、快融、要么退出（Exit）要么完蛋。

我理解这种心态从何而来。AI 的演进速度让人感到某种生存危机，抓住浪潮的窗口期似乎极窄。在 Twitter 上看到一夜成名故事的年轻人理所当然地认为，游戏的本质在于速度——赢家是那些在最短时间内跑得最快的人。

这在完全错误的维度上却是正确的。

执行速度确实至关重要。我对此深信不疑——这甚至刻在了我公司名字里（Warp）。但执行的速度不等同于视野的短浅。 在 AI 时代能够建立最具价值公司的创始人，不是那些冲刺两年就套现的人。而是那些冲刺十年，并享受复利的人。

短视主义错在：软件中最具价值的东西——私有数据、深度的客户关系、真实的切换成本、监管层面的专业知识——都需要数年时间积累，且无论竞争对手带来多少资本或 AI 能力，都无法被快速复制。当 Warp 为跨州公司处理发薪时，我们正在累积跨数千个司法管辖区的合规数据。每一个解决的税务通知、每一个处理过的边界案例、每一个完成的州政府登记，都在训练一个随着时间流逝而变得越来越难以被复制的系统。这不是一个功能点，这是一条护城河，它之所以存在，是因为我们以极高的质量深耕了足够长的时间，以至于它产生了质量密度。

这种复利在第一年是看不见的。在第二年若隐若现。到第五年，它就是游戏的全部。

Snowflake 的前 CEO Frank Slootman 曾建立并规模化了比现存任何人都多的软件公司，他对此言简意赅：要习惯于“不舒服”的状态。不是为了短跑，而是将其作为一种永久状态。初创公司早期的“战争迷雾”——那种方向迷失感、不完整的信息、以及不得不做出行动决策的要求——并不会在两年后消失。它只是在演变，新的不确定性会取代旧的。能够持久的创始人不是那些找到了确定性的人，而是那些学会了在迷雾中清晰移动的人。

构建一家公司是极其残酷的，这种残酷很难向没做过的人传达。你生活在持续的轻微恐惧中，并时不时被更高级别的恐怖所点缀。你在信息不全的情况下做出数千个决定，深知只要一连串错误的决定就会导致终结。你在 Twitter 上看到的那些“一夜成功”不仅是幂律分布中的离群值，更是离群值中的极端。根据这些案例来优化你的策略，就像是通过研究那些跑错路、误打误撞跑完 5 公里的人的成绩，来为马拉松做训练。

所以为什么要这么做？不是因为舒服，不是因为胜算大。而是因为对于某些人来说，不这样做就感觉不是在真正地生活。因为唯一比“从无到有构建某物”的恐惧更糟糕的，是“不曾尝试”所带来的无声窒息。

而且——如果你赌对了，如果你看到了别人尚未定价的真相，如果你在足够长的周期内以审美和信念去执行——结果将不仅是财务上的。你构建了一个真正改变人们工作方式的东西。你创造了一个人们热爱使用的产品。你在你亲手构建的事业中，雇佣并成就了那些在这里发挥出最佳水平的人。

这是一个十年的项目。AI 改变不了这一点，它从未改变。

AI 改变的是，对于那些能够坚持到最后看个究竟的创始人来说，这十年所能达到的天花板（Ceiling）。

无人关注的天花板

那么，在这一切的彼岸，软件究竟会呈现出怎样的面貌？

乐观主义者说 AI 创造了富足——更多的产品、更多的建设者、更多的价值分配给更多的人。他们是对的。悲观主义者说 AI 摧毁了软件的护城河——任何东西都可以在一个下午被复制，防御性已死。他们也部分正确。但这两派都盯着底线（The floor），没人关注天花板（The ceiling）。

未来会出现成千上万的单点解决方案（Point solutions）——微小、功能性、由 AI 生成的工具，足以胜任解决某些狭窄的问题。其中许多甚至不是由公司构建的，而是由个人或内部团队为了解决自己的痛点而开发的。对于某些低门槛、易替换的软件类别，市场将实现真正的民主化。底线很高，竞争异常激烈，利润空间则薄如蝉翼。

但对于业务关键型软件（Business-critical software）——那些处理资金流动、合规、员工数据和法律风险的系统——情况则截然不同。这些是容错率极低的工作流。当发薪系统故障时，员工就拿不到钱；当税务申报出错时，国税局（IRS）会上门；当福利缴纳在开放投保期断档时，真实的人会失去保障。选择软件的人必须为后果负责。这种责任感是无法外包给一个在下午靠“感性编码”（vibecoded）拼凑出来的 AI 的。

对于这些工作流，企业将继续信任供应商。在这些供应商中，“赢家通吃”的动态将比前几代软件更加极端。 这不仅是因为网络效应更强（尽管事实的确如此），更因为一个在大规模运行、于数百万次交易和数千个合规边缘案例中积累私有数据的 AI 原生平台，其复利优势让后来者几乎无法实现“原地起跳式”的追赶。护城河不再是一个功能集，而是在一个惩罚错误的领域中，长期维持高标准运营所沉淀下来的质量。

这意味着软件市场的整合程度将超过 SaaS 时代。我预计十年后的 HR 和发薪领域，不会出现 20 家各占个位数市场份额的公司。我预计会由两到三个平台占据绝大部分价值，而一长串单点解决方案则几乎分不到一杯羹。同样的模式将发生在每一个合规复杂性、数据积累和切换成本共同发挥作用的软件类别中。

处于这些分布顶端的公司看起来会非常相似：由具有真实产品审美的技术型人才创立；从第一天起就构建在 AI 原生架构上；在那些现任巨头如果不拆解现有业务就无法做出结构性响应的市场中运营。他们很早就下了一场独特的洞察力赌注——看到了 AI 创造的某种尚未被定价的真相——然后坚持了足够长的时间，直到复利变得清晰可见。

我一直在抽象地描述这类创始人。但我非常清楚他是谁，因为我正努力成为他。

我在 2022 年创立 Warp，是因为我相信员工运营的整个堆栈——发薪、税务合规、福利、入职、设备管理、HR 流程——都建立在手工劳动和旧架构的基础之上，而 AI 可以彻底取代它们。不是改进，而是取代。老牌巨头通过将复杂性吸收进员工人数中建立了价值十亿美元的业务；而我们将通过从源头上消除复杂性来建立事业。

三年的时间证明了这一赌注。自推出以来，我们已经处理了超过 5 亿美元的交易，正在快速增长，并为那些构建世界上最重要技术的公司提供服务。每个月，我们积累的合规数据、处理过的边缘案例、构建的集成，都让平台变得更难以被复制，对客户也更有价值。护城河尚在早期，但它已经初具规模，并且正在加速。

我告诉你这些，并不是因为 Warp 的成功是命中注定的——在幂律分布的世界里，没有什么事是命中注定的——而是因为引导我们走到这里的逻辑，正是我在全文中描述的逻辑：看到真相。比任何人都钻得更深。建立一个无需外部压力也能维持的高标准。坚持足够长的时间，去看看你是否正确。

AI 时代的卓越公司，将由那些理解了以下道理的人建立：准入从未是稀缺资源，洞察力（Insight）才是；执行力从未是护城河，审美（Taste）才是；速度从未是优势，深度（Depth）才是。

幂律法则不在乎你的意图。但它奖赏正确的意图。