软件吃掉了世界的一半：从规则化到 Token 化的产业轨迹
不知道你有没有这种感觉：我们手机里的 App 已经很久没有发生过什么本质的变化了。
虽然各个大厂还在拼命优化界面、卷运营活动、提高开屏速度，但那种让人兴奋的现象级产品已经多年未见。大家常把这种现象归结为“存量时代”，或者觉得商业模式的红利被吃光了。但我总觉得，这并不是一个短暂的周期波动问题，而是软件这门生意本身，已经走到了它原有轨道的物理极限。
直到大模型的出现，我们才在这个极限的边缘，看到了一条截然不同的新轨迹。
但这场变革推进的方式，与大多数人的直观感受并不相同。它不是简单地让应用层变得更聪明，也非用 AI 去直接替代部分程序员。它在做的是一件更底层的事情：它拓宽了原本软件建立在规则上的轨道，分叉出了一条新的路径。
一、 软件至今只吞噬了世界的一半
Marc Andreessen 在 2011 年发表过一篇著名的文章，标题是《Why Software Is Eating the World》，这一论断在此后被反复应证，软件不断侵蚀并重塑着各行各业。但如果今天回头再看，会发现这句话其实只对了一半。
软件并不是完整地吞噬了世界。它吞噬的，只是现实世界中能够被规则描述清楚的那一部分。而剩下的另一半，它从未真正触碰过。
在一线写代码的工程师其实最清楚这点，只是平时大家很少往这个角度去想。我们构建的每一个系统，背后都矗立着一个隐性的共识：业务流程必须能被拆解为步骤，定义为状态，并表达为一组条件判断。凡是能拆解清晰的，我们就能用代码写出来；凡是拆解不清晰的，我们就只能在文档里留下一句“具体处理逻辑由人工介入”。
回顾过去几十年里被软件成功吞噬的版图，这个规律显而易见：
- 记账被搬进 ERP：是因为复式记账法早已将所有可能发生的账务变化拆解为了有限的几种规则。
- 沟通被搬进 IM：是因为传递一段消息这个动作本身没有什么需要主观研判的灰色地带，发送方、接收方、时间与已读状态全是确定的。
- 检索被搬进搜索引擎：是因为人类对相关性的复杂需求被简化为了一组可计算的特征指标。
- 出行被搬进打车软件：是因为从 A 点移动到 B 点这一交易的核心结构高度稳定。
任何领域在被吞噬之前，都必须先通过同一道关卡：问题必须能够被彻底规则化。
这不是一种风格选择，而是软件作为一种工程产物的底色。可调试、可测试、可审计、可托付，这些性质全都建立在行为是被规则描述出来的这个前提之上。一段代码之所以能被信任，是因为它不会今天这样执行、明天那样执行。它只会按写出来的逻辑跑。规则化是软件能成为基础设施的前提，而不是它的某种偏好。
所以软件吃掉世界，从一开始就有一个被忽略的限定条件：它吃的是世界里那部分能按规则行事的现实。规则化得越彻底的领域，软件渗透得越深；规则化不彻底的领域，软件只能止步于外，隔岸观火。
二、 规则化只能盖到人类需求的一半
由此，一个自然而然的问题随之浮现：那软件尚未触及的另一半，究竟是什么？其实它并不遥远，就隐藏在每个人每天的具体工作里。
一个产品经理写了一份方案，他需要的并非用 Word 完美排版，而是有人能帮他把关这份方案是否合理，指出他未曾察觉的逻辑漏洞；一个律师拿到一份合同，他真正想要的不是用 PDF 格式存档，而是有人能帮他指出合同中潜藏着哪些法律风险；一个产品负责人看到上线后用户不买账，他需要的不是在 BI 系统里跑一个查询，而是有人能告诉他用户流失的真实原因；一个工程师写完代码，他不仅希望测试通过，更需要有人帮他判断这段逻辑在公司具体的业务场景下是否站得住脚。
这些需求在过去，没有一个真正被软件解决过。
这并非因为没人想做——咨询、法律、市场研究，每一个领域都对应着庞大的市场，只不过做这件事的不是软件，而是人。这其中也并非缺乏尝试：过去十几年里，专家系统、规则引擎、决策树和知识图谱一波接一波地试图将这些需要人类高阶思考的工作搬进系统。虽然它们能在特定垂直场景里跑出 Demo，但谁也无法将其转化为通用的软件能力。原因其实是一致的：它们无法被规则化。每一个具体场景的决策背后，都包含着人类的主观思考与审视，而这部分心智活动是无法用代码硬编码写出来的。
这就是许多问题背后的底层答案：为什么软件公司越来越在拼运营、拼增长、拼用户体验？这并非产品团队失去了想象力，而是因为容易被规则化的需求池子已经见底了。能数字化的确定性流程基本已被挖掘殆尽，再往前走，碰到的全是必须由人进行主观研判的硬骨头。规则化啃不动，就只能在已经吃下去的那一半里精细化运作：优化界面、缩短路径、提升留存。这虽然有商业价值，但在本质上已不再是拓荒新大陆，而是在已开垦的土地上精耕细作。
为什么 SaaS 公司过了某个规模就特别难再往上走？因为单一规则能服务的业务是有限的。所有客户都必须套用同一套规则，规则覆盖不到的空白区就只能由客户自己处理，或者依靠乙方驻场人工填补。每一个定制化客户的背后，都有一段无法被标准化产品吸收的个性化需求。这种个性化需求，本质上就是规则化覆盖不到的那一部分。
为什么咨询业、律所、心理咨询、医生这些行业过去几乎没被软件动过？因为它们的核心交付物全都是主观判定。一个咨询顾问的价值不在于他用什么工具产出报告，而在于他在面对你这个具体公司、这个具体问题时，现场在大脑中形成的那段权衡和判断。这段研判是即时生成的，无法被任何预设的业务规则提前写死。
规则这条轨道铺设到这里，就无法再往前延伸了。这并非某个具体软件产品的失败，而是通过规则化去交付软件的整条供给路径触及了物理上限。剩下的需求都需要人脑进行研判，而这种即时思考，在过去从未能成为一种可以被标准化、规模化交付的资源。
三、 Token 让“思考与研判”第一次变成可调度的资源
大模型真正改变的，正是这点。
但它带来的变革，并非技术圈常讨论的模型变聪明了、参数变大了或是跑分更高了——这些只是技术层面的指标，而非真正的产业变量。决定性的变量在于：软件历史上第一次开始能够处理非规则化的领域问题。
Token 这个词，通常容易被理解为 AI 的计费单位，就像 CPU 时间或带宽流量。但它在产业上的真正含义要深远得多。一个 Token 背后，代表着模型的一次推理动作。它读取上下文，进行了一段无法用确切规则描述的处理，然后将其转化为一段输出。这段输出可能只是一行字符，但它的本质，是一个决策、一次分类，或是一次主观的研判。
也就是说，Token 把人类本无法标准化拆解的思考，切分成了极小的、可度量且可按需购买的颗粒。
在过去，这在数字化系统中是不可想象的。如果你希望在某个软件流程中嵌入一段思考判定，唯一的办法就是雇佣具体的人。人有上下班限制、有情绪起伏、有薪资结构和招聘成本。思考在过去从来不能像电力那样按需供给，它只能以一个“完整的人”为最小采购单位。
而 Token 让思考第一次真正接近了“按需供给”。需要一次判断，调用一次 API；需要一万次判断，调用一万次 API。需要在秒级响应里嵌入一段智力裁决，可以；需要在一个长流程里反复调用判定，也可以。这种思考的质量在当下未必能赶上顶尖专家，但它的可调度性，是过去任何载体都无法比拟的。
黄仁勋这两年反复在讲一条关于算力的供应链：从电力、数据中心、模型，一路延伸到应用。这条供应链很完整，但它主要是在陈述供给侧的事实——算力越来越便宜，模型越来越强。如果非要给这条供应链寻找一个终局落点，这个落点可能是：它最终向整个产业输出的，是一种全新的、可被随时调用的“思考颗粒”。
至此，软件吞噬世界的方式便有了第二条轨迹：它刚刚起步，走的并非规则化的路径，而是把“思考”直接变成了可调度的资源，让那些过去因为规则化盖不住而留在外面的长尾需求，第一次有了被数字化的可能。
这两条路并不互相替代。规则化能解决的部分仍然会以规则化的方式存在，没必要更换形态。但规则化盖不住的那一半，开始松动了。
过去许多产品里，判断那一步是缺席的，留给用户自己来做。比如简历筛选，过去 HR 系统能做的只是将简历存起来并做关键词过滤，至于这个人到底合不合适，必须由 HR 亲自看完简历做判断。现在，这一步可以被软件填补进去——系统能给出一个关于候选人是否匹配的初步判断，HR 在此基础上做最终决策。同样的变化，正在合同初审、报告摘要、客服分流、内容审核等无数个曾经因为决策盖不住而被迫留给人来做的环节中发生。
过去用户使用软件，必须承担“翻译”的角色。要想搜索，得先提炼关键词；要想查数据，得先把需求拆成菜单选项；要想让系统执行操作，得按它定义的形式表达。这种翻译动作过去全部由用户承担，因为传统软件没有能力直接理解未经翻译的需求。现在，这层翻译可以交给 Token 来做——用户用自然语言表达需求，系统在中间做一次理解与判定，自动将其转化为自身可执行的指令。这层变化表面上只是交互层的优化，但它打开的，是一整条此前因为用户“不会翻译”而流失掉的需求大盘。
过去软件的长尾是做不动的。每个用户的具体情况都不一样，规则覆盖不过来，做了大客户就照顾不了小客户，照顾了主流场景就吃不下边缘场景。所以做产品必须砍需求，把长尾砍掉，只保留能被一套规则覆盖的主流。现在，长尾第一次有可能被吃下去。因为 Token 可以针对当前的具体情况临场进行判定，而不需要开发者在事前将所有可能的情况穷尽。这并不意味着所有长尾需求都会立刻被吃下，但路径已经走通了。
四、 当下的所有 AI 产品，都在用 LLM 模拟一个人
确立了这条新轨迹之后，下一个问题随之而来：这条轨迹上的软件，究竟应该长成什么样？
观察今天市场上的答案，会发现结果高度一致：Agent。
不管叫法是 AI 助手、智能体、Copilot 还是数字员工，核心都是相同的逻辑：给它一个角色设定、一份岗位说明、一组工具，然后让它像人一样去接活、思考、调用工具并产出结果。AI 客服扮演接线员，AI 程序员扮演工程师，AI 销售扮演 BD，AI 研究员扮演分析师。整个行业仿佛达成了一种默契：大模型最自然的用法，就是去模拟一个人。
如果这只是一家两家公司的选择，那只是产品决策。但当所有人都不约而同走到这条路上时，就值得停下来想一想了：为什么我们一定要去模拟人？
最关键的原因是：在 LLM 出现之前，思考这件事情在我们的认知里只有一种载体，就是人，我们没有别模型可以参照。所以，当一种新的、可被随时调用的思考能力出现时，我们能想到的第一种用法，自然就是把它装入我们最熟悉的那个容器里——一个虚拟的人，有角色、有上下文、有明确的任务和产出的要求。
这个用法本身并没有错，它是这条新轨迹上能被立刻搭出来的最近的一个落点，也确实在很多场景里跑得通。
但它大概率不是终点。它更像是这条轨迹上的初始形态，是我们这一代人受限于思维惯性写下的第一个答案。再过一些时间回头看，今天满屏的 Agent 产品，可能与这条轨迹成熟后的样子相差甚远。
为什么会有这样的判断？这需要我们先跳出软件本身，去看一段并不遥远的历史。
五、 电机用了四十年才不再是一台更好的蒸汽机
蒸汽机普及之后，工厂仍然倾向于建在水边。这听起来很不合常理——蒸汽机的好处不就是不依赖水力吗，为什么还要建在水边？答案是：因为过去几百年里，工厂只有一种组织方式，就是围绕水车展开。水车必须在水边，动力从水车出来，经过一根粗壮的中央传动轴横穿车间，再用皮带分发到每一台机床。蒸汽机出现之后，工厂主们做的第一件事不是重新设计工厂，而是把蒸汽机放在原来水车的位置上，带动同一根中央传动轴，皮带照旧。蒸汽机被当成了一台更好的水车在用。
后来电机也出现了。电机的物理特性跟蒸汽机完全不同，它可以做得很小，可以分布式部署，每一台都能独立工作。但工厂第一次用电机的时候做了什么呢？依然是把它放在工厂中央，带动那根熟悉的中央传动轴，皮带照旧分发到各个工作台。电机被当成了一台更好的蒸汽机在用。
工厂主们不是不聪明，而是当时除了“中央动力 + 皮带传动”这种组织方式，没有见过别的形态。新能源被装进了旧的使用方式里，生产力的提升非常有限。
真正的变化要等到大概四十年后。有人开始在每一台机床上各装一台小电机。这一步看起来很小，但它打开了一个全新的可能性：动力不再需要被集中、再分发，它可以直接安装在每一个需要动力的地方。一旦这个模式被应用，工厂的物理布局就被彻底解放了，机床不再需要排成一长串以迁就传动轴，而是可以按工艺流程自由排布，流水线由此才真正成为可能。福特的流水线、现代制造业的整套秩序，都是从这一步开始的。
电机真正的革命，不是它替代了蒸汽，而是动力可以被安装到任何位置，这点被人想明白了。
我们现在做 Agent，本质上是在搭会思考的虚拟员工。一个 Agent 一个工位，一个角色一份岗位说明，任务从入口接进来、从出口送出去。这套结构和过去的人类组织几乎是一一对应的。它能跑通，但它没有真正利用 Token 这种东西的特性：思考可以被切得极小、嵌入任意位置、按需供给。Agent 把它重新打包成了“人”这个容器。
这不是说 Agent 错了。它在今天显然是有用的，而且会持续有用很长时间，就像中央电机带动总传动轴的工厂也实实在在地运行了几十年，但它大概率不是最终形态。
六、 再往后，软件可能不再像人
如果 Agent 不是终点，那终点可能是什么样？这件事谁也说不准，正如 1890 年没人能想象出福特的流水线。但顺着前面那条类比往下推，有几个方向是可以隐约看到的。
- 第一，思考可能从被打包变成被分散。今天我们把 Token 打包成一个 Agent，是因为我们需要一个完整的角色来对接现实里的某个岗位。但当工程实践成熟之后，Token 完全可以像小电机一样，直接长在软件每一个需要思考判定的地方。每一个
if/else后面，每一个原本写着“具体情况具体看一眼”的地方，都可以挂一段当场进行的判断。软件不再像今天这样是规则的主体加一个外挂的 Agent，而是规则和判断深度交织在一起，你很难再分清楚哪里是代码、哪里是模型。 - 第二，主流程和长尾的边界可能消失。过去做产品要不断砍需求，因为规则化的成本是固定的，只能覆盖到主流场景，长尾必须被砍掉。Agent 时代这个问题缓解了一些，可以让一个 Agent 兜底处理那些规则覆盖不到的请求。但它本质上还是一种主流走规则、长尾走 Agent 的分层结构。再往后，如果判断真的可以被弥散到每一个节点，那么主流和长尾在工程实现上的成本差就会被抹平。长尾不再需要被特别对待，因为它本来就被吸收在每一段当场进行的判断里。一个产品能服务的客户范围，可能因此被打开很多。
- 第三，规则化基础设施不会消失，但会被重新组织。数据库、消息队列、配置中心、规则引擎这些东西不会因为 Token 的出现而消失，它们仍然是软件能被信任的基础。但它们在新范式里扮演的角色，可能会从承载主流程退到承载确定性骨架，而上层会被分散的判断颗粒重新组织起来。规则负责兜底，Token 负责想通，两者交织成一种新的软件结构。这种结构今天还没有被清晰地命名出来，但它正在被零零散散地试出来。
当然以上都是方向性的猜测，不是预言。具体的形态是什么样、什么时候出现、由谁先做出来，今天没人知道。我们现在能做的，只是不要把今天的 Agent 当成终点，不要因为今天看到的就是这些产品形态，就以为这条轨迹只会这样发展。
七、 软件的未来演化
回到最初的讨论：软件吃掉世界这件事，在 2011 年只对了一半。软件其实从来没有吃掉整个世界，它只吃掉了世界里能被规则描述清楚的那一部分。剩下那一部分，那些需要思考判定的需求，一直留在外面，因为它们没法被规则化。这不是软件的失败，而是软件作为一种工程产物的边界，规则化是它的力量来源，也是它的能力上限。
LLM 真正改变的，正是这条边界。它不是让软件变得更聪明，而是给了软件第二条路径，把那些规则无法消化的需求，通过 Token 的方式吃下去。这条新路径不替代旧路径，它们会同时存在，各自处理各自能处理的那部分。但软件这门产业能伸到的版图，第一次开始往规则之外扩张。
这不会很快，从能数字化到敢用、从敢用到敢托付、从敢托付到能审计，这条路过去走规则化软件走了几十年。Token 化软件大概率也要走类似的节奏，我们正处在这条路的开头。今天看到的所有 AI 产品，无论它们多么炫目，都还只是非常早期的形态。要把这条路真正探索通，需要的不仅是更强的模型，更是围绕模型的整套工程治理：评估、护栏、监控、审计、责任划分。我们之前讨论的所有约束、所有架构、所有工程实践，本质上都是在为这条新路铺路。
软件吃掉世界，下一个十年才刚刚开始。