a16z: Kumataas ang mga trabaho para sa Software Developer ng 14.6% pagkatapos ng paglunsad ng Claude Code, binabawasan ng AI ang halaga ng tao

May-akda: a16z

Isinalin: Deep潮 TechFlow

DeepChain Overview: Habang bumababa ang pagkawala ng mga trabaho sa buong industriya ng teknolohiya ng 7%, tumataas ang mga posisyon sa software development ng 14.6%—dahil ang mga tool ng AI ay nagpapahintulot sa mga baguhan na isulat ang production-grade code. Ito ay hindi kuwento ng "tinatanggal ng AI ang mga trabaho," kundi ebidensya na ang mga tool ay nagpapahalaga sa tao. Mula sa pagtaas ng mga internship hanggang sa pinakamabilis na pagtaas ng suweldo ng mga kabataan, malinaw ang signal sa merkado ng puwersa ng paggawa: ang mga taong nakakagamit ng AI ay naging nangangailangan.

Larawan: Ang bilang ng mga pagpapahayag ng trabaho sa software development ay bumalik sa 114.6 mula noong ipinakilala ang Claude Code, habang ang kabuuang merkado ay bumaba sa 93. Pinagmulan: a16z

Ang mga problema ng mga publikong kompanya ng trading software ay patuloy, ngunit tulad ng aming nabanggit sa nakaraan, ang kasalukuyang sitwasyon ay hindi isang walang pagkakaiba-iba na "pagsasakripisyo".

Ang pagbebenta ng mga stock ng software ay hindi isang pagpapakita ng kasalukuyan o malapit na mga resulta, kundi ang kolektibong pagdududa ng merkado kung kaya ng mga kompanyang ito na panatilihin ang kanilang performance sa habang panahon:

Ang valuation multiple para sa next December's free cash flow ay nasa o sa ilalim ng antas noong 2014. Sa ibang salita, ang premium na ibinibigay ng mga investor sa kakayahan ng mga software company na lumikha ng pera ay ang pinakamababang antas sa labing-isang taon.

Ang pagkakaroon ng pananaw sa hinaharap ay ang responsibilidad ng mga investor, kahit na ang ebidensya na "nasira na ang SaaS" ay kasalukuyang mahina, at ang hinaharap ay tila maliwanag sa kanilang pananaw.

Ngunit hindi lahat ng mga kumpanya ng software ay may madilim na kinabukasan. Ang pagkakaiba at pagkilala ay nagsisilbing palatuntunan na lalong lumalala. Maaari mong makita ang puntos na ito mula sa ilang iba’t ibang pananaw.

Una, tingnan ang pagkakaiba sa pagitan ng median, upper quartile, at lower quartile ng index na IGV:

Sa nakaraang 30 na trading days, ang top quartile at median ng IGV stock ay lumampas sa kabuuang ETF—ang bottom quartile (kabilang ang ilang pinakamalalaking kumpanya) ang nagdulot ng pagbaba sa kabuuang performance.

Kumakaltas sa pagkukumpara sa taong nakaraan, iba ang sitwasyon:

Sa nakaraang taon, ang median ay mas malapit na tinatahak ang pangkalahatang performance ng ETF—hanggang sa simula ng taon, nagsimula ang pagkakaiba ng quartiles (ngayon, mayroong halos 50 puntos ang pagkakaiba sa pinakamataas at pinakamababa).

Bumalik sa 30-araw na pananaw, malinaw na ang mga pangunahing katotohanan ay hindi eksaktong nagpapadali sa pagkilos ng presyo sa nakaraang panahon:

Sa pananaw ng paglago ng kita, walang malaking ugnayan sa pagitan ng paglago at kamakailang pagganap (kahit na patas na sabihin, marami sa ito ay maaaring ipaliwanag sa pamamagitan ng pagbabago sa paglago kaysa sa antas ng paglago). Ayon sa quartile ng performance, parehong pattern ang lumabas: maraming software company ang nakapulot sa interval ng 10-20% na paglago ng kita, ngunit ang pagganap ay halos vertikal ang distribution, kung saan ang ilang mga kumpanya na may pinakamalaking paglago ng kita (at ang pinakamalaki sa ETF) ay nasa pinakamababang quartile ng performance.

Mas mahalaga ang nakikita na pangmatagalang tiyaga kaysa sa paglago. Narito ang parehong graph ayon sa industriya:

Kahit mahirap klasipikihin nang malinaw ang bawat kumpanya, ang mga lider at pangalawang kuartil ay karaniwang pinamumunuan ng (1) cybersecurity/observability; at (2) vertical SaaS. Sa kabilang banda, ang dalawang huling kuartil ay isang kombinasyon ng horizontal SaaS, cloud/infrastructure, at mga kategoryang "iba pa," na kabilang ang mga market platform, advertising technology, at point solutions (kasama na ang mga kumpanya tulad ng MicroStrategy na mahirap klasipikihin).

Malinaw ang pangunahing punto. Anuman ang tama o mali, ang merkado ay naramdaman ang malinaw na pagkakaiba sa pagitan ng mga kumpanya ng software—ang mga tila may tiyak na AI na depensa at/o kahilingan (at ang mga walang ganito).

Para sa网络安全 at observability, inaasahan na pataasin ng AI ang pagkakaroon ng pagkakataon ng mga bumibili (at mas mahirap palitan ang existing vendors dahil sa kanilang premium sa tiwala).

Para sa vertical SaaS, ang espesyalisadong impormasyon tungkol sa workflow, data, at customer relationships ay itinuturing na hadlang sa pagpasok para sa mga AI challenger (hindi maaaring sabihin iyon sa mga horizontal platform).

Ngunit para sa lahat ng iba, malinaw ang mensahe: ang software mismo ay hindi ang moat.

Ang mga taon ng sticky at patuloy na nakumpuni na ARR, malaking set ng mga tampok, at malawakang paggamit ay simpleng balita ng kahapon. Malamang na ang ilang kuartal ng matatag at/o pagpapabuti sa paglago ang magbabago ng sitwasyon, ngunit sa kasalukuyan, ang merkado ay hindi bumibili at hindi naniniwala.

Maaari mong marinig ang pagbabago sa pagkakaintindi mula sa token-maxxing patungo sa token-optimizing, at ito ay isang malaking bagay.

Bagaman tumataas ang gastos sa pag-train ng mga pinakamoderno na modelo, ang marginal na benepisyo ng mga ito ay maaaring hindi sapat upang pagsanayan ang mga customer na tanggapin ang karagdagang gastos. Maaaring hindi maksimizahin ng mga customer ang paggamit ng pinakabagong at pinakamalakas na token, kundi mag-degrade sa mas mura at mas mahinang modelo kung де diin (kabilang ang mga open-weight model).

Para sa ilan, naniniwala sila na ang pagbabagong ito ay nagtatanong sa katatagan ng pag-unlad ng mga frontier model—kung ang mga customer ay hindi sumusuporta sa gastos ng pinakabagong at pinakamalakas na model, ano ang gagawin ng mga laboratorio? Patas, bagaman medyo irony ang pagtutol na ito, dahil ang mabilis na pagiging obsolete ng mga non-frontier model ay dating itinuturing na banta sa katatagan ng pag-unlad ng mga frontier model... at ngayon, habang ang mga non-frontier model ay mas kakaunti na ang nagiging obsolete, ito ay palaging masama. Ok.

Hindi namin pinag-uusapan kung sino ang tama o mali sa debate, ngunit napansin namin na ang mga gastos para sa AI ay umuunlad nang mabilis, na tila may positibong epekto sa pangangailangan para sa AI. Sa ibang salita, patuloy na tumutupad ang Jevons-style na dinamika: mas mura ang AI, mas maraming tao/kompanya ang gustong gamitin ito (para sa higit pang mga bagay).

Ang pagpapalawak sa demand ay ang mga gusto mong makita.

Magsimula tayo sa isang iba pang makabagong halimbawa na nagsimula bilang sentralisado at mahal, at naging decentralisado at mura: ang computer. Kumpara sa nakaraang teknolohikal na paglakas na dinisenyo ng PC, mas mabilis ang pagbaba ng gastos sa智能化 sa AI:

Nakamit ng PC ang pagtaas ng kakayahang abot-kaya sa loob ng halos dalawampu taon, samantalang ang AI ay nakamit ito sa loob ng tatlong taon.

Ito ay isang hindi pangkaraniwang track, at tulad ng computer, ang pagbaba ng gastos ay tila tumutulong na ipagpatuloy ang pagtaas ng demand sa AI patungo sa kanan at pataas (mayroon pa ring malaking puwang para sa pag-unlad).

Sa konsyumer端, batay sa datos ng PNC Bank, ang rate ng paggamit ng bayad ay patuloy na maliit, ngunit umuunlad:

Ang bahagi ng pamilya sa mga bayad na AI at ang kanilang average na buwanang gastos ay patuloy na tumataas—ang pagtaas ng buwanang gastos ay mas malakas, na tumataas ng halos 25% mula sa simula ng taon.

Hindi ito perpektong paghahambing, ngunit bilang ilang pananaw, noong 1997, lamang ang halos 45% ng mga adult na 35-54 taong gulang ang nagsasabing may PC (mga dekada pagkatapos ng paglunsad ng komersyal na computer, pangunahin sa sektor ng negosyo). Sa kasalukuyan, ang bahagdan ng mga tahanan na may computer ay halos 90%, at kung kasama ang smartphone, malapit na sa 97%—ang pangunahing punto ay ang mass market adoption ay nangangailangan ng ilang panahon, at ito ay umuunlad kasabay ng utility at gastos.

Mayroon ding iba pang data na nagpapakita na ang pangangailangan sa AI ay tumataas kasabay ng pagtaas ng efficiency at pagbaba ng gastos.

Batay sa pagsusuri ni YipitData sa data ng OpenRouter (na nagmamarka lamang ng subset ng kabuuang token consumption), patuloy na tumataas ang paggamit ng frontier token, habang patuloy na mabilis na kumukuha ng bahagi ang open weights token:

Ang bahagi ng "Asian suppliers" sa kabuuang token (na isang proxy para sa mga alternatibong open-weight) ay tumataas sa halos 60%, na tatlong beses ang dami noong simula ng taon. Ang sample ng OpenRouter ay maaaring may kamalian sa direksyon patungo sa mga user ng open-weight, ngunit ito ay sumasalungat sa kuwentong pagkakaiba ng presyo, at pati na rin sa kuwentong Jevons.

Gayundin, ayon sa OpenRouter, bagaman ang bilang ng tokens bawat user at ang gastos bawat user ay mabilis na tumataas, mas mabilis ang paglago ng una kaysa sa ikalawa mula sa simula ng taon:

Ulitang paalala, nakikita lamang ng OpenRouter ang mga bagay na makikita nito, at ang modelo na ito ay nagsasalamin ng isang malakas na pagkakatulad sa pagkakasulat ni Jevons (ang pangangailangan ay tumataas kasabay ng mabilis na pagpapababa ng gastos at pagpapabuti sa AI).

Kasalukuyan, malinaw na habang lumalambot ang智能化, ito ay nagpapalakas pa ng kurba ng pangangailangan patungo sa kanan at pataas. Ang mga mas mura na token mula sa mga modelo sa pangalawang harapan ay talagang nakakuha ng bahagi, ngunit ang netong epekto ay ang pagpapalakas ng kabuuang gastos sa exponential na antas. Mahirap itong tawaging kuwento ng pagkabigo.

Ang mga pesimista ay maaaring patuloy na mangako na ang mga open-weight model ay nagpapalubag sa mga pinakamataas, ngunit ang mga alternatibong skenaryo kung saan ang mga pagpapabuti sa efficiency ay walang malinaw na epekto sa pangangailangan at/o nagpapadali sa pagbaba ng kabuuang gastos, ay mas malapit sa isang apokaliptikong skenaryo. Sa kabilang banda, ang Jevons ay eksaktong nais ng mga bull.

Tungkol sa pangangailangan sa AI, bagaman sinasabing hindi sapat na kapaki-pakinabang ang AI upang makapagproduce ng makabuluhang ROI, ngunit sapat na kapaki-pakinabang upang linisin lahat ng mga trabaho, masaya naming ipahayag na kasalukuyan ay wala pang malaking ebidensya na ang AI ay aktuwal na nagpapalabas ng anumang epekto sa pagkawala ng mga trabaho.

Sa totoo lang, kahit ang isang mahinang punto sa merkado ng paggawa—ang paghingi ng mga entry-level worker—ay mayroon na ring pag-usbong, at kung mayroon man pagkakaiba, ang AI ay tila tumutulong kaysa sumira.

Una, ayon sa data ni Revelio, ang pagsubaybay sa mga summer internship para sa 2026 ay mas mataas kaysa sa mga nakaraang taon:

Ang internship ay hindi katumbas ng trabaho, ngunit ito ay isang signal ng pangangailangan sa mga kabataan, at ang 2026 cycle ay higit pa sa '25 at '24 (kahit na hindi kasama ang '23).

Mas maganda pa ay ang pagtaas ng kita ng mga kabataan at mga batang-matanda:

Ayon sa datos ng ADP, ang pagtaas ng sahod ng mga kabataang manggagawa (16-24 taong gulang) ay bumalik mula sa pinakamababang antas noong 2025. Ang pagtaas ng sahod ay malamang isang signal ng pangangailangan; kung tumataas ang sahod, maaaring maipagpalagay na nagpapabuti rin ang mga oportunidad sa entry-level na pagtrabaho.

Kung may epekto ang AI, mas maganda pa ang sitwasyon. Parang pinapabilis ng AI ang pag-recruit ng mga baguhan:

Batay sa pagsusuri sa data ng mga posisyon ni Revelio at ang gastusin ni Ramp, ang "malakas na paggamit ng AI" ay tumutugma sa pagtaas ng halos 6 porsyento sa bilang ng entry-level na empleyado dalawang taon pagkatapos ng paggamit. Sa kabilang banda, ang "mahinang paggamit ng AI" ay tumutugma sa pagbaba ng halos 0.5 porsyento.

Litrat: Ang porsyento ng entry-level employees sa mga kumpanyang may mataas na paggamit ng AI ay tumataas nang 1.15 puntos porsyento pagkatapos ng dalawang taon, habang bumaba nang 0.52 puntos porsyento sa mga kumpanyang may mababang paggamit, na nagpapakita na ang AI ay 'nagpapagawa' at hindi 'nagpapalitan' ng entry-level na mga posisyon. Pinagmulan: a16z

May ilang paraan ng pagpapahalaga: mula sa "ang AI ay naglilikha ng mga entry-level na posisyon sa paghahanap ng trabaho," hanggang sa "ang mga tagagamit ng AI ay mga kompanyang may paglago, kaya't natural na sila ang naghahanap ng empleyado," at pati na rin ang "ang data ni Ramp ay maaaring hindi kumakatawan sa kabuuang ekonomiya, kaya't mahirap makakuha ng anumang konklusyon." Lahat ng ito ay makatotohanan, ngunit halos siguradong mali ang pagpapahalaga na "ang AI ay nagpapatay sa mga entry-level na trabaho."

Maaaring mangyari isang araw (kahit may sapat na dahilan na ito ay hindi gagawin), pero hindi ngayon.

Sa kabuuan, bagaman ang pagbaba ng mga trabaho na "exposed sa AI" sa panahon pagkatapos ng zero interest rate ay malawakang pinag-uusapan, mas kaunti ang pag-uusap tungkol sa katotohanan na ang mga trabaho na "exposed sa AI" ay kumikilos bilang mga lider sa pagbabalik:

Batay sa data ng Indeed Hiring Lab, mula noong Mayo 2025, mas malaki ang pagbabalik ng mga posisyon kung mas mataas ang eksposur sa AI. Ito ay lalo na makikita sa mga software engineer, kung saan tumataas ang pagpapalabas ng mga posisyon ng humigit-kumulang 15%, habang bumaba ang kabuuan ng humigit-kumulang 7% (mula sa paglalabas ni Claude Code).

Sa mas malawak na antas, masyadong maaga pa para magkaroon ng kongklusyon, ngunit ang datos ay hindi sumusuporta sa mga taong gustong ipahayag na "ang AI ay nagpapalabas sa tao". Kung mayroon man, ang kalagayan ay kabaligtaran—ang antas ng pagkakaroon ng AI ay tila may positibong ugnayan sa paglago ng pagkakataon sa trabaho.

Larawan: Mas malaki ang pagbabalik ng bilang ng pagpapahayag ng mga posisyon na may mas mataas na antas ng pagkakasaligan sa AI mula noong Mayo 2025, kasama ang pagtaas ng mga posisyon sa software development na halos 15%, na nangunguna sa buong merkado. Pinagmulan: a16z

Sa pagiging patas, hindi pa malinaw kung gaano kahalaga ang kategoryang "AI Exposure," dahil wala pang malaking pagkakasundo kung ano o sino ang nailalabas sa AI (at gaano karami ang pagkakalabas):

Patunay na ang mas mataas ang karaniwang "eksposur sa AI" ng isang partikular na propesyon, ang mas malaki ang pagkakaiba-iba sa antas ng eksposur.

Figure: Ang mas mataas ang average occupational AI exposure score, ang mas malaki ang pagkakaiba-iba sa pagkakakilanlan ng akademya tungkol sa pagkakaroon nito, na nagpapakita na ang konseptong ito ay patuloy na kulang sa pagkakasundo. Pinagmulan: a16z

Hindi nakakagulat na may iba’t ibang pananaw ang mga makatwiran sa pagbibilang ng hinaharap na epekto ng mga bagong teknolohiya.

Mayroon din naman mga pagkakataong nagkakaroon ng pagkakaiba. Lahat ng tao ay sumasang-ayon na ang mga editor, mga underwriter ng insurans, mga statistiko, at kahit na kasiyahan, ang mga ekonomista, ay napakalaking panganib na mapalitan ng AI. Kung ang AI ay huling palitan ang mga tao bilang mga ekonomista, babalewala ba nito ang kasalanan, o wala nang mga ekonomista na mananatili upang ilarawan ang kuwento?

Sa simula ng linggo, inihayag ni Governor Hochul ng New York ang pagtigil sa pag-unlad ng data center para sa isang taon. Bukod sa iba pang mga bagay, ang layunin ng pagtigil ay "protektahan ang mga user ng kuryente... dahil may banta na pataasin ng pag-unlad ng data center ang mga taksil sa tubig at kuryente." Walang intensyon na magsira sa kanya, ibinigay ng guvernador ang karagdagang paliwanag sa kanyang dahilan sa podcast na Odd Lots, kung saan maaari mong marinig.

Kahit ganito, ito ay isang nakakalito na pahayag.

Kahit na tumataas ng paggamit ng kuryente ng mga data center, ang ebidensya ay nagpapakita na ang mga data center ay tunay na tumutulong sa pagbaba ng gastos ng mga user:

Batay sa pag-aaral ng Berkeley National Laboratory at The Brattle Group, sa antas ng estado, ang pagtaas ng presyo ng kuryente ay may negatibong ugnayan sa pagtaas ng demand. Mas maraming paggamit, mas mababa ang bayad—kakaibangunit totoo.

Totoo, sa loob ng nakaraang 6 taon, ang ilang estado na may pinakamabilis na paglago ng demand (pinakamaraming pag-unlad ng data center), tulad ng Texas at Virginia, ay halos walang pagtaas ng presyo. Sa kabilang banda, ang mga estado na may pinakamataas na pagtaas ng presyo (kaunting bagong data center), tulad ng California at New York, ay nakaranas ng pagbaba sa paglago ng demand—bumaba ang pangangailangan sa kuryente sa California ng humigit-kumulang 5%, habang ang pagtaas ng presyo ay higit sa anumang iba pang estado sa bansa, mas mataas ng humigit-kumulang 33% kaysa sa ikalawang pinakamataas na estado.

Larawan: Ang paglago ng load ng kuryente sa mga estado ng Amerika mula 2019 hanggang 2025 ay may negatibong kaugnayan sa pagbabago ng presyo ng kuryente; bumaba ang demand sa California at New York, ngunit pinakamataas ang pagtaas ng presyo. Pinagmulan: a16z

Hindi lamang iyon, ang baligtad na ugnayan sa pagitan ng demand sa enerhiya at presyo ng enerhiya ay tila tumutugma rin sa Europa:

Ayon sa datos ng EIA, ang pinakamalaking pagtaas ng presyo sa mga bansang EU, maliban sa Ireland, ay may pinakamalaking pagbaba sa pangangailangan ng kuryente.

Larawan: Ang pagbabago sa pangangailangan sa kuryente ng mga pangunahing ekonomiya sa Europa at Amerika mula 2019 hanggang 2024 ay may negatibong kaugnayan sa pagbabago sa presyo ng kuryente; ang pagtaas sa pangangailangan sa Texas at Virginia ay mayroong pare-parehong presyo. Pinagmulan: a16z

Kapareho nito, mas maraming kinokonsumo, mas kaunti ang binabayad. Ito ay lumalabag sa intuisyon, di ba?

Alam nating lahat na, sa parehong iba pang kondisyon, mas maraming demand ay dapat magpataas ng presyo, hindi kabaligtaran (tulad ng sinasabi ni Gobernador Hochul). Ngunit sa mga grid ng kuryente, ang sitwasyon ay kabaligtaran. Ang dahilan kung bakit ang demand at gastos ay may ugnayang baligtad ay dahil sa madalas na nakikinabang ang mga grid ng kuryente sa ekonomiya ng iskala: mas maraming demand para sa kuryente, mas maikli ang paghahati-hati ng mga gastos sa fixed infrastructure, na nagresulta sa pagbaba ng pangkabuuang presyo para sa mga user.

Sa ibang salita, ang paghinto sa mga data center ni Hochul ay maaaring hindi magprotekta sa mga user ng kuryente, kundi magdulot ng kabaligtaran: mas mataas ang pagtaas ng presyo ng kuryente kaysa sa kung may data center na nakakatulong sa paghahati ng mga fixed cost ng grid. Maaaring hindi magpatuloy ang ugnayang ito, ngunit ito ang nangyayari hanggang sa kasalukuyan.

Hindi lang ang gastos sa enerhiya ang dapat isaalang-alang, kundi ang mas malawak na epekto sa ekonomiya. Ang katotohanan ay, walang malaking paglago ng investimento nang walang pagsisikap sa infrastraktura kaugnay ng AI:

Ang mga pag-invest sa teknolohiya ay ang tanging kategorya ng pag-invest na umuunlad, kaya ang paghinto ay direktang nagpapahina sa pinakamahalagang lugar.

Larawan: Mula noong 2022, ang mga pag-invest sa teknolohiya (software, pag-aaral, IT equipment, at data center) ay ang tanging positibong kontribusyon sa paglago ng pribadong fixed investment. Pinagmulan: a16z

May katotohanan ang governadora, ngunit mahirap maintindihan ang isang patakaran na maaaring (a) pataasin ang presyo ng kuryente (bilang bahagi ng pagsisikap na "iprotektahin ang mga user ng kuryente"); at (b) alisin ang pinakamahalagang investment tailwind ng New York.