传统软件工程的终结:从software to C 到 end-to-end result-夜雨聆风

传统软件工程的终结:从software to C 到 end-to-end result

最近，我的“小龙虾”在飞书群里变得越来越强。

一开始，它只是一个群里的 AI 助手。

你问它一些问题，它回答；你给它一些资料，它总结；你让它帮忙写点东西，它能快速生成一版初稿。

这听起来不稀奇。

但最近有一件事让我突然意识到：它开始不只是“会说话”了，而是开始具备某种真正的业务能力。

比如，预测电价。

在一次模型优化里，我们把原始模型和优化模型做了对比：

MAE 从 60.86 降到 54.46，改善约 10.5%；
R² 基本持平；
特征数从 30 增加到 55；
正则化参数也进一步增强，用来防止过拟合；
更重要的是，在部分日期的地板价日预测上，模型已经做到完全准确。

这不是一个“AI 写文案”的场景。

这是一个更有意思的信号：

一个在群聊里的 AI，开始拥有面向真实业务问题的预测能力。

它不再只是回答“什么是电价预测”，而是可以基于数据，跑模型，输出结果，形成一个可复用的预测脚本，甚至沉淀成一个 skill。

这件事很小，但它背后的意义很大。

因为它指向了一个问题：

当 AI 已经可以直接交付结果，我们到底还需要什么样的软件？

一、过去的软件，是把流程做成界面

过去二十年，软件工程的核心逻辑，大体是这样的：

先理解用户需求，
再拆解业务流程，
再设计功能模块，
再做成一个个页面，
最后让用户在界面里完成操作。

所以我们有了大量的 SaaS、ERP、CRM、BI、交易系统、运维系统。

这些系统的底层假设是：

人是操作主体，软件是工具。

人要进入软件，点击菜单，选择条件，配置参数，查看报表，然后自己判断下一步。

所以传统软件最重视的是：

用户界面、信息架构、功能路径、操作效率、权限体系、流程闭环。

这套方法论当然非常重要。

但它有一个隐藏前提：

用户愿意、也必须亲自操作软件。

问题是，当 AI agent 开始能理解目标、调用工具、读取数据、运行模型、生成结果时，这个前提开始松动了。

用户真正想要的，可能从来都不是一个“软件”。

用户想要的是结果。

二、人要的不是 software to C，而是 end-to-end result

传统互联网时代，我们常说 software to C、software to B。

意思是：软件被交付给用户，用户通过软件完成任务。

但 AI 时代，这个逻辑可能会变成：

result to C，result to B。

用户不再关心你有没有一个漂亮的页面，也不再关心你有多少功能模块。

用户只关心：

今天电价怎么走？
我要不要报这个价格？
这座储能站明天应该怎么充放？
哪个时段风险最大？
这个策略大概能赚多少钱？
如果市场规则变了，我的决策要怎么调整？

换句话说，用户不需要一个“电力交易软件”。

用户需要的是：

直接可执行的交易建议、价格预测、风险提示和收益判断。

这就是端到端结果。

从数据进入，到模型计算，到策略判断，到结果输出，甚至到后续执行和复盘，都应该尽可能被 AI 串起来。

这时候，软件界面不是消失了，而是退后了。

它不再是用户工作的主战场，而变成了 AI 调用能力、展示结果、记录过程的基础设施。

真正站到前台的，是一个能完成任务的智能体。

三、传统软件工程面临的不是升级，而是“物种替换”

这也是我最近很强烈的一个判断：

传统软件工程并不是简单地被 AI 提效，而是会被 AI 重新定义。

过去的软件工程，是围绕“功能”组织的。

我们会问：

用户需要什么功能？
页面怎么设计？
流程怎么走？
按钮放在哪里？
数据怎么展示？

但未来的 AI 工程，可能会围绕“任务”组织。

我们会问：

用户最终要什么结果？
这个结果需要哪些数据？
需要调用哪些工具？
需要什么模型？
怎么验证准确性？
怎么形成反馈闭环？
怎么把一次性能力沉淀成可复用 skill？

这就是两套完全不同的工程范式。

前者是在构建 software。
后者是在构建 capability。

前者交付的是系统。
后者交付的是结果。

前者的核心是“让人更好地操作”。
后者的核心是“让 AI 更好地完成”。

所以，传统软件工程不会立刻消失，但它的中心地位会被削弱。

尤其是那些本质上只是“把流程搬到线上”的软件，会越来越危险。

因为一旦 AI 可以绕过复杂界面，直接完成任务，用户就没有理由继续忍受那些笨重的系统。

四、传统人机界面方法论，也正在面临终结

这件事对产品经理和设计师的冲击也很大。

过去我们做产品，非常强调 UI 和 UX。

但 AI agent 出现后，人机交互正在从“点击式界面”变成“意图式界面”。

以前用户要自己找入口。

现在用户只需要说：

“帮我预测一下明天的湖北地板价。”
“把最近三天的误差解释一下。”
“如果我把正则化参数调高，结果会不会更稳？”
“把这个预测结果整理成明天早会能用的一页纸。”
“以后每天早上自动给我发一版。”

这已经不是传统意义上的人机界面。

它更像是一个工作伙伴。

界面还在，但界面不再是核心。

核心变成了：

AI 是否理解你的业务？
是否能调用正确的数据？
是否能选择正确的方法？
是否能解释结果？
是否能持续学习？
是否能沉淀成组织能力？

也就是说，未来真正重要的不是“界面设计”，而是“任务设计”。

不是让用户学会怎么用软件，而是让 AI 学会怎么替用户完成任务。

五、那这种能力怎么变现？

这是最现实的问题。

如果小龙虾已经会预测电价，那下一步是什么？

我觉得至少有三种可能。

第一种，是工具变现。

把电价预测能力封装成标准化产品，提供给交易员、储能运营方、售电公司使用。

它可以是一个预测插件，也可以是一个飞书/企微里的智能助手。

用户每天不需要打开复杂系统，只需要在群里问一句，就能拿到预测结果和风险提示。

第二种，是服务变现。

不是卖软件，而是卖“预测+策略+复盘”的能力。

比如围绕储能电站，提供日度电价预测、充放电策略建议、收益复盘、异常解释。

这更接近“AI 交易助理”或者“AI 策略顾问”。

客户买的不是账号，而是收益改善。

第三种，是结果变现。

这是最有想象力、但也最难的一种。

如果预测能力足够稳定，策略闭环足够可靠，那么未来收费方式可能不再是软件订阅费，而是和收益挂钩。

比如基础服务费 + 超额收益分成。

这时候，AI 不再只是一个成本工具，而是直接参与价值创造。

它从“提高效率”变成“创造收益”。

六、最关键的不是模型，而是闭环

当然，预测电价这件事本身并不简单。

一次预测准确，不代表长期有效。
某几天 MAE 下降，也不代表模型已经能直接进入生产环境。
电力市场的复杂性，在于规则、交易行为、天气、负荷、新能源出力、市场情绪都会变化。

所以真正难的不是跑出一个模型。

真正难的是建立闭环：

数据闭环：持续获得高质量数据。
模型闭环：持续训练、验证、迭代。
业务闭环：预测结果能被交易员理解和使用。
收益闭环：预测最终能转化为真实收益。
组织闭环：一次能力能沉淀成可复用的 skill，而不是一次性的 demo。

这也是为什么“小龙虾会预测电价”这件事值得兴奋，但还不能过度兴奋。

它说明门打开了。

但门后面真正的路，是工程化、产品化和商业化。

七、未来的软件公司，可能会变成“结果公司”

我越来越觉得，AI 时代的软件公司会分化成两类。

一类仍然在卖系统。

他们会说：

我们有 dashboard，
我们有权限管理，
我们有报表，
我们有工作流。

另一类会开始卖结果。

他们会说：

我可以帮你预测价格。
我可以帮你优化策略。
我可以帮你降低风险。
我可以帮你提升收益。
我可以每天自动复盘，并告诉你为什么赚、为什么亏。

第一类公司卖的是工具。
第二类公司卖的是能力。

而用户最终会选择谁？

我认为答案很清楚。

因为用户从来不想买软件。

用户只是不得不通过软件，去获得自己想要的结果。

当 AI 可以直接给结果时，软件本身就会被重新定价。

八、小龙虾只是开始

所以，小龙虾在飞书群里开始预测电价，这件事对我来说，不只是一个技术小突破。

它更像是一个隐喻。

一个原本只是“聊天助手”的 AI，正在变成业务系统的入口。

一个原本需要软件团队开发、产品经理设计、用户手动操作的流程，正在被 AI skill 重新组织。

一个原本属于“软件工程”的问题，正在变成“智能体工程”的问题。

而一个原本卖软件的时代，正在走向卖结果的时代。

这也是最有意思的地方。

未来我们可能不会再问：

这个软件有什么功能？

而是会问：

这个智能体能不能替我完成任务？
这个任务能不能稳定交付结果？
这个结果能不能变成收益？
这个收益能不能持续复利？

如果答案是可以，那么商业模式自然会出现。

软件不会消失。

但软件会退到后台。

真正走到前台的，是一个又一个能端到端完成任务的智能体。

而小龙虾，只是我们在飞书群里看到的第一个小小的信号。

好了，最后帮吴老师打打广告。

欢迎通过下方链接加入飞书社群「小可爱在电力市场」:
https://applink.feishu.cn/client/chat/chatter/add_by_link?link_token=c00mb116-91e7-4920-8a95-10dc44d41aca

✅ 一手政策、交易规则、行业资料全覆盖
✅ 龙虾 agent 7×24小时智能答疑
✅ 1600+电力市场从业者实时交流