一、焦虑的错位:被讨论的是「饭碗」,被改变的是「链路」
每隔一段时间,「AI会不会抢走程序员的饭碗」这类讨论就会重新热起来。作为一个长期关注企业技术落地的人,我注意到一个有意思的反差:在社交媒体上最焦虑的,往往不是真正在一线交付系统的人;而那些已经把大模型接进业务流程的团队,反而在悄悄扩大对「懂业务的技术人」的需求。
原因并不复杂。争论的焦点通常停留在「AI能不能写出一段能跑的代码」,而企业真正付钱买的,从来不是一段代码,而是一个能稳定运行、能被维护、能承担责任的系统。这两者之间隔着的,是需求澄清、架构选型、数据建模、权限设计、部署运维、长期迭代这一整条链路。大模型压缩的是链路中「敲键盘」的那一段,却没有办法替你承担链路其余部分的判断。
所以,与其追问「AI会不会取代开发者」,不如换一个更有价值的问题:在这条交付链路里,哪些环节的边际成本正在趋近于零,哪些环节的价值正在被重新抬高?
二、代码生成只是起点,不是终点
2.1 「能写」和「能交付」之间隔着什么
今天的模型已经可以相当流畅地生成 CRUD 接口、单元测试、正则表达式、SQL 查询,甚至一份像模像样的技术方案。但把视角拉到项目层面,你会发现真正的难点几乎从来不在这些地方:
- 业务语义的模糊性:客户说「要一个会员体系」,背后可能是积分、等级、权益、续费、退款、对账七套逻辑,模型无法替你决定边界在哪里。
- 历史包袱:一个跑了六年的老系统,字段命名混乱、文档缺失、有几处「不能动的祖传逻辑」,这些隐性知识不在任何训练语料里。
- 责任归属:线上事故发生时,需要有人复盘、定位、修复。责任无法被外包给模型。
换句话说,AI 把「写」的成本压低了,同时把「判断」的价值抬高了。一个团队如果原本就因为需求混乱、数据脏乱、流程不清而交付困难,接入大模型之后只会更快地生产出更多难以维护的东西。
2.2 上下文才是真正的稀缺资源
大模型的能力上限,很大程度上由喂给它的上下文决定。企业内部真正有价值的信息——业务规则、客户投诉记录、历史工单、口径不一致的报表——通常散落在十几个系统里,格式各异、质量参差。这才是 AI 落地中最贵的一块投入,也是最容易被低估的一块。
很多企业以为自己在做「AI 项目」,做着做着发现其实是在做「数据治理项目」。这不是坏消息,恰恰相反:数据治理的收益是长期且可复用的,模型会换代,但整理干净的知识资产会一直留下来。
三、RAG 与智能客服:最先跑出正收益的场景
如果要在企业内部找 AI 落地的最短路径,知识问答与智能客服几乎总是排在第一梯队。原因很现实:场景高频、边界相对清晰、效果容易衡量,而且 RAG(检索增强生成)把「模型不知道的事」交给企业自己的文档来回答,绕开了重新训练的昂贵成本。
但「接一个向量库就能用」是最大的误解。真正决定成败的是几个工程细节:
- 切分策略:按固定字数切分文档,会把一条完整的业务规则拦腰砍断,检索出来的片段答非所问。按语义结构切分、保留标题层级,效果差异往往是数量级的。
- 权限隔离:HR 政策和财务数据不能对所有人开放。检索层必须继承原有的权限体系,否则智能客服会变成一个高效的信息泄露通道。
- 答案可追溯:每一句回答都应能回链到原始文档,让坐席和用户自己判断可信度。
- Badcase 闭环:把答错的、答不出的、用户追问的问题收集起来,定期回流优化知识库与提示词。没有这个闭环的系统,上线三个月后准确率一定会下滑。
我见过不少项目在第一周演示效果惊艳,第三个月被业务部门弃用,问题几乎全部出在上述四点,而不是模型本身不够强。
四、AI Agent:从「能聊」到「能干活」的三道坎
智能客服解决的是「问答」,AI Agent 解决的是「执行」。它要调用工具、读写系统、按步骤完成任务,比如自动建单、跨系统对账、按规则生成并推送报表。这条路径的价值明显更高,难度也明显更大,主要卡在三处:
4.1 系统集成与工具设计
Agent 的能力边界,等于它能调用的工具集合。企业内部的 ERP、CRM、老旧自建系统往往只有粗糙的接口,甚至没有接口。工具的描述是否清晰、参数是否收敛、返回值是否结构化,直接决定 Agent 会不会「乱来」。很多时候需要先把内部能力重新封装成一组语义明确的 API,这一步工作量不小,但它本身就是一次系统架构的现代化。
4.2 权限、审计与边界
让一个模型自动执行写操作,风险等级和问答完全不是一个量级。可行做法是分级的自主权:低风险动作(查询、生成草稿)全自动;中风险动作(发送通知、创建工单)自动执行但可回滚;高风险动作(资金、删除、对外承诺)必须人工确认。同时全链路留痕,每一次工具调用、每一个决策依据都可追溯。
4.3 评测与兜底
对话系统可以用人工抽检,Agent 不行。你需要一个持续运行的评测集,覆盖典型任务、边界条件和恶意输入,用量化指标替代「感觉它挺聪明的」。同时必须有兜底路径:模型置信度低、工具调用失败、超时无响应时,如何优雅地转交人工,这是产品设计问题,不是模型问题。
五、给企业的五条落地建议
- 从高频、低风险、可衡量的场景切入。先用一个季度验证「AI 到底给哪个环节省了多少时间」,再谈平台化。
- 把知识库当成长期资产而不是项目副产品。文档结构化、口径统一、权限梳理,这些投入会在第二个、第三个 AI 场景里继续产生回报。
- 先建评测集,再谈优化。没有量化标准的调优,本质是在赌运气。
- 按人机协同设计流程,而不是按全自动设计。保留人工接管点,用户信任度会高得多。
- 选交付伙伴时,看它能不能同时覆盖「工程」和「模型」。只会调 API 的做不稳系统,只会做系统的调不好模型。
六、交付能力正在被重新定价
从产业视角看,这一轮变化对区域型技术服务商其实是利好。过去,一个团队在深圳网站建设市场里拼的是响应速度和报价;现在客户会问:能不能在官网里嵌一个靠谱的智能问答,能不能让内容自动生成并结构化,能不能把客服历史数据用起来。在制造业密集的惠州网站开发需求中,类似的问题越来越多地指向企业内部系统——设备台账查询、售后工单分派、报价单自动生成。
这些需求有一个共同点:它们都要落到具体的入口上。官网、企业微信、移动端。于是小程序开发和 APP开发 不再只是「做一个界面」,而是变成 AI 能力触达用户和员工的前端载体。模型在云端,价值却发生在用户点下按钮的那一秒。
而真正拉开差距的,是 AI Agent 开发 这类需要同时理解业务规则、系统集成和模型特性的工作。它要求团队既能梳理清楚流程,又能把老系统的接口重新封装,还要设计权限与审计。这类能力很难被工具替代,反而因为工具的普及而变得更稀缺——因为门槛降低后,愿意做脏活、把细节做扎实的团队更少了。
七、结语:工具越强,越考验判断力
回到最初的那个问题。AI 确实在改变开发这件事,但它改变的是分工方式,不是价值本身。会写代码的人不会因此失去位置,只会写样板代码的人会;能把业务问题拆解清楚、能把系统稳稳交付、能为结果负责的人,反而会更值钱。
对企业而言,真正要做的不是纠结「要不要用 AI」,而是找到一个懂业务、懂系统、也懂模型的团队,把 AI 从演示 PPT 里搬到真实的业务流程中。微商派(vsppt)长期深耕网站开发、小程序开发、APP开发与系统定制,并在大模型应用、RAG 知识库与 AI Agent 开发上积累了完整的交付方法:从知识资产梳理、权限与审计设计,到工具封装、评测体系与上线后的持续调优。如果你正在评估第一个 AI 场景该从哪里开始,不妨把业务流程摊开来聊一聊——先找到那个高频、低风险、能被量化的切口,剩下的路会清楚很多。