当代码失守之后，SaaS 何去何从
目录
AI 让做软件变得越来越便宜，抄软件也一样。逆向工具接上 AI，大厂几十年攒下的功能，一个小团队在很短的时间里就能复刻出来，“软件已死""SaaS 已死”的说法又冒了出来。
在代码层面，这话可能没说错。AI 吃掉的，是 SaaS 最外面那一层——界面、功能，那些看得见、也抄得走的东西。但我觉得有两样东西没那么容易被吃掉：SaaS 里沉淀下来的客户数据，和在一个细分领域里做到极致的客户体验。如果 SaaS 还有护城河，大概就在这两样里。
这篇想聊几件事：客户买 SaaS 到底买的是什么；AI 正在吃掉 SaaS 的哪一部分；Skill 和 SaaS 有什么不同；为什么能复刻不等于能赚钱；以及 SaaS 接下来可能往哪走。很多问题现在还没有答案，这里说的只是我的一些判断和猜想。
只要给人用，代码就藏不住
最近 GitHub 上有个很火的项目，叫 REA（Reverse Engineer Anything），名字很嚣张，能力也确实对得起这个名字。它把各种逆向分析工具打包好，接给 Claude Code、Codex 这类 AI 编程工具用。原生程序、Electron 桌面应用、安卓 APK、网站，丢进去，AI 就能顺着读出它的结构和逻辑。项目的案例页里有一个例子，是把 Notion 桌面端剪贴板功能的实现链路一路追了出来。
前几天还有一条新闻更直接：有人用 AI 把 Adobe 最常用的几款软件挨个复刻了一遍，修图、调色、剪视频，开源免费，叫 ArtCraft，还放话要一个月内做到功能对齐（见 Tom’s Hardware 的报道和 Futurism 的报道）。开发者自己说是”净室重写”，没有用 Adobe 的源码，但不管怎么定义，结果是一样的：Adobe 这种订阅制软件的头部玩家，几十年攒下来的功能，被一个小团队借着 AI 在很短的时间里做出了一个能用的替代品。
这意味着什么？你写出来的代码，只要交给用户用，就可能被逆向、被复刻。 以前逆向是少数高手的手艺，费时费力；现在 AI 把这件事的成本打下来了。
对 SaaS 来说，这是一枚硬币的两面。AI 让定制软件变便宜了，以前不值得做的小需求，现在值得做了；但你能便宜地做，别人也能便宜地抄。功能简单的工具类 SaaS，格式转换、在线改图、各种小计算器，可能是最先被冲击的——要么被人复刻成免费版，要么用户干脆让 AI 当场写一个。
查理·芒格（巴菲特的长期搭档，伯克希尔·哈撒韦公司副董事长）在 1994 年的一次演讲（《论基本的、普世的智慧》）里讲过一个故事：伯克希尔早年做纺织生意，有人跑来跟巴菲特说，发明了一种新织布机，效率能翻倍。巴菲特的反应是：但愿这东西没用，要是真有用，我就得把厂子关了。因为所有同行都会买同一台机器，织布的成本降下来，省下的钱最后全流到买布的人手里，厂子自己留不住。
AI 写代码，有点像那台新织布机。写代码的能力你有，别人也有，它就很难定价了，省下来的钱流向了用户。当然，以现在 AI 的水平，写代码这门手艺一时半会儿还死不透，再发展几年会怎样，谁也说不准。但被冲击的是”写代码”这门手艺，不一定是 SaaS 本身。要说清楚这一点，得先回到一个更根本的问题。
回到根本：客户买 SaaS，到底买的是什么
客户为一个 SaaS 付钱，买的到底是什么？
不是代码。客户从来不关心你用什么语言写的、写了多少行。客户买的，是”某件事能被稳定地办好”。拆开来看，大概是三样东西：
- 功能：这件事能做。
- 数据：做过的事有记录、能追溯，明年还能接着用。
- 体验：这件事在他自己的场景里，做得顺不顺、准不准，出了问题有没有人管。
以前，这三样都长在代码上。写代码贵，能把功能做出来本身就值钱，所以大家习惯了把”软件”和”代码”画等号，把”有功能”当成”有价值”。
AI 把这三样拆开了。功能是最容易被复刻的那一样：看得见，就抄得走。 剩下的数据和体验，没法从外面看一眼就复制过去。后面说的所有东西，基本都是从这一点推出来的。
SaaS 被吃掉的是哪一层
那是不是所有 SaaS 都会被吃掉？我觉得未必。
常说的护城河大概有几类：品牌和牌照这类无形资产、客户换掉你的成本、用的人越多越好用的网络效应、成本优势。挨个对一下会发现，AI 逆向主要打穿的是一条：复制起来很贵。 以前复刻一个软件要一个团队干好几年，现在成本低了很多。只靠”别人做不出来”活着的 SaaS 确实危险，但剩下几条，AI 暂时还很难碰到。
再换个角度，把一个 SaaS 拆开看。
微软 CEO 萨提亚·纳德拉在一次播客访谈里表达过一个很直白的判断，大意是：企业应用，本质上就是一个数据库，外面套一层增删改查和业务逻辑的壳；以后业务逻辑会转移到 AI 这一层。顺着这个说法，一个 SaaS 大致可以分成两层：
- 底下是数据：状态、记录、历史。客户有哪些订单、钱分给了谁、合同签到哪一步了。这一层要长期保存、要可追溯、不能丢。
- 上面是操作层：界面、流程、按钮、报表。人通过它去读写数据。
AI 吃掉的，主要是上面这层。用户不需要再打开一个系统、找到某个菜单、点十几下，直接跟 AI 说一句，AI 去调用能力、把事办了。界面可能会越来越不重要，我觉得以后很多 SaaS 的入口，都会变成一个对话框。这基本上也是 AI 时代做软件的一条最佳实践：一定要留一个把 AI 接进来、让人和 AI 交互的地方。好在人和 AI 的交互，不像传统的人机交互那么复杂，用处最广的就是一个输入框，对着 AI 说话就行。
但数据不会凭空消失。钱总要记在某个地方，记录总要有人能查。操作层可以换，数据很难换。
所以我猜，和数据相关的工作在 AI 时代会越来越重要，比如数据治理、数据库。互联网时代，数据库作为基础设施实在太默默无闻了。这件事眼下主要是一小部分开发者的机会，但也很难讲：会 vibe coding 的人越多，自己动手做应用的人越多，数据库这种基础设施反而越重要。Supabase 就是一个做得很成功的例子：它把开源数据库 PostgreSQL 包装成开箱即用的后端，这两年不少 AI 生成的应用，数据都直接放在它上面。
Skill 和 SaaS：入口不一样
SaaS 的操作层被吃掉之后，替代它的是什么？我觉得有相当一部分会是 Skill。
可能有人会问，为什么不是 Agent？Agent 其实很难定义。多数所谓的 Agent，就是接了一个大模型的 API，加上一些特定领域的知识——这部分往往就是 Skill 再搭配一个知识库——再配一个符合这个领域习惯的界面。随着通用 Agent 越来越强，专门做某个领域的 Agent 可能会越来越少，而 Skill 离普通人更近。所以这里主要讲 Skill。
Skill 和 SaaS 比，入口的不同是很直观的：
- SaaS 是根据业务逻辑开发出来的工具。逻辑藏在功能里，人得先懂业务、再学会这套工具，才能用它把事做成。不懂业务逻辑的人，拿着 SaaS 也很难做事。Excel、Photoshop 就是典型：功能非常强大，但学起来很难。而现在的 AI 表格、AI 修图，已经在一定程度上替代了它们的一部分用法。
- Skill 是把业务逻辑直接塞给 AI。AI 懂了这套逻辑，就可以去做；人只需要把相关的上下文给它，比如这个月的数据、这次的特殊情况。
说得再直白一点：正确地使用 SaaS，其实就是 Skill。 一个老员工熟练用 SaaS 的那套方法——先点哪里、哪种情况选哪个选项、哪些数要再核一遍——写下来，就是一份 Skill。以前这套方法在人的脑子里，现在交给 AI。
而且 Skill 里还可以带工具（tool）。需要精确计算、需要读写数据的地方，Skill 调用一段代码去做，这部分就替代了原来 SaaS 的功能，也减少了模型的不确定性。
这里还有一个有意思的过程。一件事刚开始做的时候，可以让 AI 每次都从头摸索；做多了，发现哪些步骤是固定的、哪些地方需要判断，就把它整理成 Skill；再做多了，固定的部分干脆写死成代码，变成 Skill 里的一个工具。现在很多网页端的 Agent 都带了类似的能力，做得好不好先不说，反正是有了，间接替代了一部分 RPA（按固定脚本模拟人点鼠标的自动化软件）在浏览器里干的活。
我给一家直播店做过分账工具：他们每次从抖音后台导出数据，要按规则给各个渠道分账，以前全靠人在 Excel 里手工点。我把这套分账规则摸清楚以后，直接写成了一个计算器，导入数据就出结果。这就是走到了最后一步：规则完全摸清楚了，直接固化成程序。
所以在我看来，Skill 不是 SaaS 的对立面，更像是 SaaS 拆开之后的样子：业务逻辑变成文字交给 AI，操作交给 AI 来做，固定的功能变成工具，数据留在底下。
Skill 自己，也会被抄
问题来了：Skill 本质上主要是一份写给 AI 看的 md 文档，虽然有时也会带点代码。代码都能被逆向，一份文档拿过去就能直接用，岂不是更容易抄？
是的。所以我不觉得 Skill 本身能成为护城河。用前面的拆法说，Skill 仍然属于”功能”那一层，只不过是用文字写的功能。
有一个说法我很认同：一个干了十年的专家，能写下来的东西大概只占他能力的七成。剩下三成——看一眼就觉得”不对劲”的感觉、两个方案都说得通时凭什么选那个对的——很难写进文档里。文档记录的是他思考的结果，不是他思考的方式。
Skill 也一样。Skill 是对业务理解的一份存档，不是理解本身。 别人抄走了这份存档，拿到的是你今天的版本；可客户的业务明天会变，分账规则会调整，会冒出新的特殊情况。最能跟着变、把 Skill 一版一版往下改的，还是守着这个场景、真正理解这个业务的人。
SaaS 的护城河：数据和细分领域的极致体验
那 SaaS 最终的护城河是什么？回到前面的拆法，功能守不住，剩下的就是另外两样：数据，和在细分领域做到极致的客户体验。
数据：让客户走不了
数据，就是 SaaS 底下那一层。逆向能还原你的代码、复刻你的功能，但还原不了客户三年的订单、历年的分账记录、每一笔异常是怎么处理的。
数据成为护城河，不只是因为它值钱，更因为它让客户走不了：历史记录、对账依据、业务的连续性都在里面。换一个系统，等于把过去几年重新搬一遍、对一遍。别人能复刻你的功能，但复刻不了客户留在你这里的过去。
还有一种数据更容易被忽略：跨客户的积累。你给一家直播店做分账，只是一个项目；给一百家直播店做过分账，你就见过一百种分账规则、踩过一百种坑。这些东西不在任何一个客户的系统里，只在你这里，可以拿去帮同样业务的新客户少走弯路。
细分领域的极致体验：让客户不想走
这一条最容易被说空，所以我想说得具体一点：为什么是”细分”，什么叫”极致”，为什么抄不走。
先说为什么是细分。 通用的体验，比如界面好不好看、操作顺不顺，正好是 AI 最先吃掉的部分——入口都变成对话框了，界面再漂亮也没多大意义。而且通用场景，大厂和通用 Agent 都会做，小 SaaS 拼不过。真正有机会的，是那些足够窄、大厂看不上、通用 Agent 又做不深的场景。
再说什么叫极致。 还是拿直播店分账来说：能算出分账结果，只是及格。做到极致，大概是这样的：抖音后台导出的表格式变了，很快就能适配；退款、跨月结算这些特殊订单，自动标出来，不让人漏掉；算出来的结果，能直接发给各个渠道对账；规则一变，客户说一句话就能改好。这些细节单拎出来，每一条都不难；难的是把一个细分场景里所有这样的细节，一条一条都做到位。
有赞给电竞行业出过一整套打包方案，我觉得就是这个思路：从开店、收款到财税，连战队周边、赛事款项这种电竞行业才有的东西都考虑进去了。这种方案，是把一个细分行业里的大大小小的场景拼起来、一点点磨出来的。
最后说为什么抄不走。 复刻者能看到的，只是你今天的功能；他看不到的，是这些细节背后的原因——哪个例外是哪个客户踩出来的，哪条规则为什么要这么设计。更重要的是，体验不是一次做完的，而是跟着客户的业务不停地改。复刻者拿到的永远是你上一个版本，等他抄完，你已经又往前走了一步。
所以，数据让客户走不了，体验让客户不想走。
体验从哪里来：know-how 和客情
要把体验做到极致，前提是懂这个细分领域的业务。这里我要说清楚一点：我并不觉得行业 know-how 是多高的门槛。进门谁都能进，问 AI、问客户，很快就能和客户对上话。但进门以后，在客户那里待了很长时间，一次次改需求、一次次处理例外，慢慢长出来的那份理解，最后都会变成体验里的一个个细节。门槛低，不代表护城河浅。反过来说，如果你本身就是行业里的人，自带 know-how，那就是很大的竞争优势——行业专家什么时候都被需要。
那这些细节又是怎么一点点长出来的？靠客户的反馈。客户愿意跟你讲业务，规则变了第一个想到找你，出了问题愿意跟你一起排查——体验就是在这些来来回回里磨出来的。这个反馈的通道，就是客情。当然，这里说的客情，和传统大客户销售理解的客情已经不太一样了：不是关系和饭局，而是客户愿不愿意把业务一点点交给你。这是我自己的体会，不一定对。
有个简单的办法可以检验自己的护城河在哪：把你给客户做的事，从头到尾写成一份说明书，交给 AI 照着做。它能做出来的部分，就是”功能”，迟早可能被别人用 AI 做掉；它做不出来的部分——规则变了该去问客户里的谁、哪个例外要怎么处理、出了问题谁来签字担责——才更可能是你真正的护城河。
能复刻，不等于能赚钱
有个容易踩的坑：觉得既然能复刻，那复刻别人的软件就能赚钱。历史上有不少例子，恰好能说明复刻者拿不走的是什么。
最典型的是社交。 当年谁都想做社交：小米的米聊上线比微信还早，中国移动的飞信背靠运营商，后来网易和电信合作的易信、阿里的来往也都砸过重金。它们的功能不如微信吗？完全不是。很多功能大家你学我、我学你，差不了多少。最后成的是腾讯。我觉得关键在于微信背后有 QQ 多年攒下的关系链：你的朋友都在这里，别的产品功能再好，你也很难把一整个社交圈搬过去。这就是前面说的网络效应，功能抄得走，关系链抄不走。
再说一个 IT 历史上很经典的故事。 有一种开发方式叫”净室设计”，也就是前面 ArtCraft 自称用的那种方法：一组人研究别人的产品，把它的行为写成一份说明书，但一行代码都不许抄；另一组人从没见过原代码，只照着说明书从零重写。这样做出来的东西功能一样，但法律上不算抄袭。
这种方式最出名的一次实战，是八十年代的 IBM PC。当时康柏想造兼容 IBM 的个人电脑，卡在 IBM 受版权保护的 BIOS 上，就用净室的办法重写了一份。IBM PC 就这么被整个复刻了，兼容机满天飞。可钱最后没留在复刻者手里，而是流向了两家复刻不了的公司：提供操作系统的微软，和提供芯片的英特尔。康柏后来在 2002 年被惠普收购。这段经历，康柏联合创始人、首任 CEO 罗德·坎尼恩（Rod Canion）在回忆录《Open》里讲得很详细。
落到企业软件上，财务软件就是现成的例子。 开源的、破解版的财务软件，网上流传的很多，功能和正版差不多，还不要钱，可企业真要上财务系统，最后大多还是乖乖掏钱。因为企业买的从来不只是那套软件：账套里存着好几年的账，换系统就得迁数据、对历史账；上线要有人实施，月底结账出了问题要有人上门处理。破解得了功能，破解不了数据和服务。
当然也有反例：Oracle 的数据库在国内被盗用的情况不少，很重要的一个原因就是太贵了。不过这和 Oracle 在中国的商业逻辑也有关系，不能强行类比。
海外也一样。 Salesforce 的功能，早就被开源 CRM 抄了一遍又一遍，SugarCRM、SuiteCRM 都能免费用，可很多大公司的客户数据，还是一年年地放在 Salesforce 上。
能复刻，不等于能赚钱。 复刻者拿走的是功能；关系链、数据、服务和体验，都留在了原地。
SaaS 可能会怎样
最后说说我对 SaaS 的一些猜想。顺着前面的拆法，我觉得可能会分出这么两条路：
- 沉下去，当数据底座。 手里有大量客户数据、做记录系统做得好的 SaaS，界面可能越来越不重要，但它作为数据底座的地位反而可能更稳。客户可以不打开它，但离不开它。不过这只是个模糊的方向：具体怎么当好数据底座，怎么一直和客户的数据发生关系、比客户更懂他的数据，其实挺难的。
- 扎进去，在细分领域把体验做到极致。 挑一个足够窄的场景，把多年对这个行业的理解做成 Skill、做成工具，跟着客户的业务一起改。卖的不再是一套软件，而是”这件事我帮你办好”。但在中国，这种偏服务的模式能不能得到市场认可，要打个问号。
夹在中间的——没有数据沉淀、也没有在哪个领域做深，只靠功能和界面吃饭的那一类——日子大概会越来越难过。
还有一个很有意思的现象，是大套件和小工具之间的互相挤压。
拿财务系统举例：很多所谓的”AI 改造”需求，其实用友、金蝶的付费版里早就有现成的功能，只要上了，根本不用改。但客户就是不愿意上：贵、上线重，还得把自己的流程改过去适应系统。
这就形成了一个互相挤压的局面。客户如果上了用友、金蝶这样的大系统，绝大多数需求都能满足，小的 AI 企业软件就没什么机会了；反过来，小软件如果把客户贴身的、个性化的需求解决了，比如一家直播店的分账规则，用友、金蝶也就没机会了。
说到底，这是”大而全”和”小而极致”之间的较量。谁赢，不取决于谁的功能多，而取决于客户自己怎么想：是愿意改流程去适应一个大而全的系统，还是希望软件贴着自己现有的做法长出来。AI 把定制的成本打下来之后，后一种选择变得便宜了不少，天平也许会慢慢往小工具这边倾斜，但最终还是看客户。
一个狂想：SaaS 变成卖数据的公司？
写到这里，冒出一个想法，属于狂想，不知道对不对，先记下来。
客户的原始数据，肯定是客户的。可 SaaS 在帮客户处理数据的过程中，会产生很多别的东西：分析出来的结论、清洗加工过的数据、跨客户的统计和规律。这些”二次数据”到底归谁，其实很难讲。国家 2022 年发布的《关于构建数据基础制度更好发挥数据要素作用的意见》（俗称”数据二十条”），就提出要把数据资源持有权、数据加工使用权、数据产品经营权分开来看，说明这件事本身还在探索中。
如果加工过的二次数据可以归 SaaS 公司，事情就变得很有意思了：SaaS 在软件上做的所有努力，可能都只是为了拿到客户数据的入口；真正的生意，是把这些数据加工成数据集，卖给训练模型的大模型公司。做到最后，SaaS 公司变成了一家卖数据的公司。
这也不是完全没影子的事。大模型公司确实在花钱买数据，比如 Reddit 就和谷歌签过内容授权协议，据报道每年约 6000 万美元。
但要走这条路，SaaS 公司得真正懂数据这个行业，而且绕不开数据合规：客户同不同意、个人信息怎么处理、哪些数据能流通、哪些能交易，每一条都是坎。
所以这真的只是一个狂想。很多事现在就是没有答案，先放在这里。
收尾
代码可能被逆向，功能可能被复刻，Skill 也可能被复制。AI 时代，能被写下来、能被看到的东西，大概都很难留住。
我觉得能留得住的，是 SaaS 里沉淀下来的数据，和在一个细分领域里，跟着客户一点点磨出来的极致体验。前者让客户走不了，后者让客户不想走。
还有一点值得高兴：织布机降价的时候，赢家是买布的人。对企业客户来说，以前要花大价钱买的 SaaS、要排期外包的小工具，现在便宜得多，有些甚至自己就能做。这大概是企业用软件最便宜的时候。做 SaaS 的人要重新想清楚自己卖的到底是什么，但对用 SaaS 的人来说，这是好事。