一、反直觉的判断：程序员不会减少，反而会更多
在大多数人的想象中，AI编程工具的崛起意味着程序员岗位的萎缩。但OpenAI Codex产品负责人Alexander给出了截然不同的答案：五年后，程序员的数量只会比现在更多，而不是更少。
他的论据来自历史。当年人类从汇编语言转向高级语言时，没有人认为“编程被自动化了”，相反，写代码的门槛降低后，需求爆炸式增长，软件工程师供不应求。甚至“computer”这个词最初指的是从事计算工作的真人，随着计算工具自动化，这个岗位消失了，但整个IT行业却诞生了无数新职业。
这一观点看似反直觉，实则符合技术演进的普遍规律。每一次自动化都让某项具体技能贬值，但同时也让更高层次的创造变得可能。AI编程并不会取代程序员，而是把程序员从繁琐的语法和调试中解放出来，让他们更专注于系统设计和业务理解。
二、真正的瓶颈：人类懒得输入，而不是模型不够强
Alexander提出了一个非常有意思的观点：AGI的瓶颈不是算力，也不是模型架构，而是人类的打字速度和验证意愿。他举例说，OpenAI内部工程师的Codex几乎从不关机，甚至开会时也开着，因为“Codex没活干”就等于浪费时间。然而，即便知道AI能帮自己做任何事，他每天主动使用AI的次数也只有三十多次——因为打prompt本身是一种负担。
这揭示了一个常被忽视的事实：AI的价值不仅取决于模型能力，更取决于用户是否愿意把任务“委托”出去。如果每次都要精心设计提示词，使用AI的心理门槛就会高得惊人。理想的AI应当主动感知上下文，在用户需要时自动出现，而不是等待指令。
在我看来，这一观点对产品设计有深远影响。未来AI产品的核心竞争力，或许不是模型参数，而是如何降低用户的“输入成本”——无论是通过语音、自动触发还是隐式意图识别。
三、从结对编程到委托编程：Codex的进化路径
Alexander将AI开发演进分为三个阶段：第一阶段让AI代理做好软件工程；第二阶段让AI学会操作电脑；第三阶段实现高度产品化的开箱即用。目前Codex正处于从第一阶段向第二阶段跨越的过程中。
转折点出现在GPT-5.2版本的Codex。在此之前，AI编程更像是“结对编程”，程序员必须守在键盘前，逐行接受建议；而之后，模型在长程任务、端到端处理和指令遵循方面实现了质的飞跃，程序员可以直接把任务“委托”给AI，让它自己制定计划并执行。OpenAI内部的大部分代码已由AI生成，很多人甚至不再打开IDE。
这种转变带来了一个关键变化：计划审查正在变得比代码审查更重要。当AI负责写代码时，人类需要确认的是AI对任务的理解是否正确、方案是否合理，而不是逐行检查语法。Codex专门训练了代码审查能力，其反馈信噪比高，值得信任。未来，工程师的核心技能将从“写代码”转向“评审AI的计划”。
四、企业落地与未来：自下而上，开放标准
关于企业AI落地，Alexander反对一上来就搞大而全的workflow自动化，因为这需要穿透安全合规、对接数据系统，工程浩大且严重低估AI潜力。他更推崇自下而上的方式：把AI直接交到一线员工手里，让他们在干活的同时被AI赋能。当客服专员自己用ChatGPT处理工作时，他感受到的是赋能而非替代。
为了降低企业集成成本，OpenAI正在构建浏览器内核，通过控制浏览器来实现安全的agentic browsing层，这样无需FDE（现场交付工程师）就能接入大量现有系统。
在留存策略上，Codex选择了反直觉的开放路线：推广agents.md开放标准，让代理之间可以自由切换。编程任务本身是“密封”的，迁移成本低；但一旦代理接入Google Docs、企业工具等系统，迁移成本就高了。因此，真正的护城河不是模型推理能力，而是与系统的连接深度。
对于创业者和投资人，Alexander给出的建议是：SaaS公司如果拥有终端用户关系或重要的系统记录，反而比以往更重要；纯“粘合层”企业则危险。创业者需要展示品味和主动性，而不是仅仅“会做产品”。他看好的领域包括复杂物理基础设施、金融科技和银行集成等。