先说结论：这篇论文最诚实的一句话，藏在它自己的免责声明里。剩下三十几页，都在跟那句免责声明较劲。
概念我给 8 分，证据给 3 分。合起来 5.5，不及格线上挣扎。
论文叫《The Customer Is the Builder》，10 月 21 号挂上 arXiv，主分类 cs.SE，交叉挂了 cs.CY 和 econ.GN。看到这个挂法我就大概猜到后面要干什么了——前半段写工程，后半段写经济学，中间靠一条曲线搭桥。
桥就是这条。
「自 2023 年以来，领先智能体在 50% 成功率下能完成的基准任务长度，大约每 129 天翻一倍。」
好，按一下计算器。
129 天翻一倍，一年 365 天就是 2.8 个周期，一年七倍出头。从 2023 年初到今天，三年零十个月，接近十一个周期。2 的 11 次方是 2048。
意思是，2023 年初只能干一分钟活的智能体，现在该能连着干三十多个小时。🐮
我还没见过哪个 agent 能跑满三十小时不崩的。
这条线在长任务那一头一定是弯的。问题只在于，论文是没发现它弯，还是发现了不想说。
先别急着骂数据造假，我怀疑毛病出在换算上。把基准任务折算成「人类工作时长」，短任务还勉强能对，一旦拉到小时级，折算系数就开始耍赖——一个需要人类四小时的任务，拆成智能体执行的几十步，每步失败概率是乘起来的。十步任务，单步成功率 95%，整体只剩六成。这条曲线在长任务区间不可能是干净的指数形状。
而论文后面所有的推演，都建立在「它不弯」上面。
再看那个 50% 成功率。
拿一半概率失败当及格线，本身说明这个指标衡量的是「凑合能跑通」，不是「能交付」。用它画增长曲线，等于把抽奖中奖率当产能。这个阈值选得不是不严谨，是太方便了——阈值越低，曲线越陡；曲线越陡，后面那个故事才越好讲。
论文自己其实知道。第十九条位置附近写着：基于基准的预测属于外推，不构成对客户实际转换行为的预测。
这句话应该印在封面。
它被塞在论文中段，而前面的图 3、后面的市场推演，全都在拿那条曲线当自变量用。免责声明写在第 13 条，是给审稿人看的，不是给结论看的。
然后是那 575 个开源替代品。
作者做了一轮「广泛检索」，为若干商业产品找到 575 个潜在替代品。原文用了「潜在」，还补了一句功能匹配有待独立验证。
翻译一下：搜出来的，不是验出来的。
搜索结果和可用替代品之间差着两个数量级，这点写过代码的人都懂——关键词打进去，返回的数字永远比能跑起来的多得多。575 这个数被放在论证的承重墙上，但它实际证明的只是「开源生态里存在大量描述相近的仓库」，不是「这些功能已经能被自建取代」。
两句话差着十万八千里。
Craft 那个案例更典型。12 天公开开发时间，12 个应用仓库。数字排得很齐。往后读一句：早期版本，完整性与可靠性未经验证。
所以这案例证明了什么？只证明了智能体能在 12 天里生成 12 个仓库。仓库到能用的软件之间隔着什么，不用我说。拿未验证的产出当能力证据，跟拿发布会 PPT 当跑分是一个路数。
市场那一段更有意思。论文自己承认，市场层面证据是「混合」的：已购软件的美国投资份额上升了，被追踪的商业安装量也在增长。
等一下。这两条都是往「还在买」的方向走的。
作者管这叫混合。我管这叫没找到。
真正聪明的是紧接着那条警示：客户自建能力的提升，可能在采购结构变化被观察到之前，就先影响单个采购决策。
这一条把「宏观数据不支持」翻译成了「变化还没渗透到宏观层面」。听着挺有道理，问题是它在方法论上不可证伪——明年宏观数据还是不支持，可以说还没到；支持了，可以说我早讲过。两头都能圆。这种说法在经济学论文里不算罕见，但在一篇拿基准外推当主证据的论文里，它更像最后一块挡箭牌。
话说到这儿，我得往回拉一把，不然这篇就成撒气了。
「软件替代前沿」这个概念本身有价值。它把「AI 会不会取代程序员」这种吵了三年没结论的话题，换成一个能算的问题：哪些功能的自建成本已经掉到外购线以下。这个框架比大多数同类论文实在，至少它给出了一个可以被证伪的边界。
把研究对象限定在有领域知识的组织和专业采购者，这一步也对。这类主体有能力判断自建工具够不够用，不像普通消费者，点两下就下结论。
还有那个 32%。调查里说，32% 的组织至少放弃过一次采购，理由是觉得能自己实现。作者自己提醒了，自我报告推不出实际的替代规模。但这数字仍然比任何 benchmark 有信息量——采购决策是人真金白银掏钱的那一刻，不是刷榜。刷榜谁都会，掏钱骗不了自己。
说到底，方向我认，证据我不认。它的问题不是结论错，是结论跑得比证据快了两个身位。
顺带说一句，我自己给小团队算过一笔年费账。那种按月扣、用不上的功能占大半的订阅，一年下来够买两个像样的开源方案外加一台小服务器。这笔账算清楚之后，那 32% 我一点都不意外。
锐评评分卡：概念——值钱，建议直接拿走用；129 天那条线——水分主要在这儿，长任务区间的形状没交代清楚就外推，这波不冤；575 这个数——搜索结果冒充实证，得打折；市场证据——自己写「混合」，实际是反向的，扣分；开放性——代码和数据都放出来了，这点给分。
这钱花得冤不冤？论文免费，不花你钱，花的是你信它的那点注意力。
我的建议：读前三节，把「软件替代前沿」这个词抄走，剩下的图表当期货看。别拿那条 129 天的线做任何超过一年的预算规划——那不是预测，那是把最近两年最好看的一段数据拉直了往后延。