AI 如何重写企业软件交付模式
返回洞察
产品与技术

AI 如何重写企业软件交付模式

2025-11-12
阅读约 12 分钟

核心要点

"AI 正在悄悄瓦解企业软件交付的旧做法:不是取代开发人员,而是改变人的精力真正该用在哪里。"

情况已经变了,多数公司却没有察觉

不妨想一个问题:您的工程团队上一次整整一个 Sprint 都在从零写代码,是什么时候?

不是做配置,不是对接别人做好的 API,也不是排查依赖冲突,而是从一个空文件开始,一行一行写新的业务逻辑。

对大多数企业团队来说,诚实的答案是“很少”。而这在 AI 工具出现之前就是如此。现代软件工程师的日常,本来就大半花在阅读现有代码、梳理复杂系统、开会对齐需求和处理部署流水线上。真正“写代码”的部分,大概只占工作的 30%。

现在 AI 把这 30% 大幅压缩了。GitHub Copilot、Cursor 和 Claude 这类工具能在几秒内生成可运行的实现。一个原本要 45 分钟来编写、测试和打磨的函数?用一条写得好的提示词,3 分钟完成。一个数据库迁移脚本?咖啡还没喝完就生成了。

这听起来是好消息,也的确是。但它带来一个多数组织尚未认真面对的问题:如果写代码不再是瓶颈,那瓶颈是什么?而如果您的整套交付模式,包括估算框架、团队结构和供应商合同,都建立在“写代码又慢又贵”这个前提上,这个前提不成立时会发生什么?

工程交付的瓶颈

真正的瓶颈从来不是代码

先看看究竟是什么拖慢了企业软件项目。在这个行业待得够久,您已经知道答案。多数时候,不是打字速度,甚至也不是技术复杂度。

是对齐。

让各方就真正想要的东西达成一致。把“我们需要更好的客户留存”这样的业务需求,转化为具体的功能、数据流和用户体验。弥合产品负责人在会上描述的需求,与开发人员三天后终于开始处理工单时所理解的需求之间的差距。

业界对软件项目失败的研究,其中首推 Standish Group 的 CHAOS 研究,长期指向同一个根本原因:多数失败源于需求不佳,而不是工程不佳。代码没有问题。是团队做错了东西,或者做对了东西却顺序不对,或者直到六个月项目的第四个月才发现一个关键约束。

这正是 AI 的影响变得有意思的地方。它不只是让开发人员打字更快。它压缩了“我想我明白您要什么”和“这是一个您可以真正点着看的可运行原型”之间的反馈回路。当这个回路从几周缩短到几小时,下游的一切都会改变。

实践中是什么样子

下面用我们去年做的一个项目来具体说明。

一家金融服务客户需要一个合规报告模块。在旧的做法里,这类功能会先花三周收集需求,产出一份没人会完整读完的 40 页规格说明书,再花六周开发,其间至少经历两轮“我们不是这个意思”的返工。

这一次我们换了做法。我们与客户的合规负责人开了一次工作会议,把对话录下来,将文字记录交给 AI 系统,一小时内就生成了一组结构化的用户故事和验收标准。但关键在后面:我们当天还生成了一个可点击的原型。它不是成品,而是一个粗略但能运行的样稿,合规负责人可以直接操作。

两位工程师在现代化办公室里一起评审代码

她点了一遍,立刻发现我们有三处假设是错的,并说:“这个字段要显示历史审计轨迹,而不只是当前状态。”这个修正在第一天就发现了;如果等到 QA 测试阶段才发现,就是两周的返工。我们当场调整了原型。到这周结束时,我们得到了一份大家一致认可、经过验证的设计。

最终模块的总开发时间?三周,含测试和部署。同样范围按旧方式的工期估算?十到十二周。

代码写得更快了吗?是的,快了一些。但真正节省的时间来自消除了歧义循环,也就是因误解而来回反复的过程,它吞掉了大多数企业项目的时间线。

关于估算,一个不太舒服的事实

如果您负责工程预算,这一节是写给您的。

大多数企业软件合同仍然按投入的工作量定价:工时、消耗的故事点、完成的 Sprint。隐含的假设是投入越多,价值越大。您买的是时间,而时间贵,是因为熟练的开发人员贵。

AI 让这个模式出现了尴尬的裂缝。如果一位资深开发人员现在两小时能完成过去十二小时的工作,客户该为两小时付费,还是十二小时?如果供应商报十二小时、两小时交付,是不是赚走了十小时的利润?如果报两小时,是不是低估了让这两小时富有成效的架构思考?

整个行业都能看到这种矛盾。有些供应商在内部悄悄使用 AI 工具,却仍按旧价格计费。另一些则在价格上竞相压低,把报价砍掉 50%,指望以量补差。这两种做法都不可持续。

诚实的答案是,价值的计量单位需要改变。企业客户买的不应该是工时,而是成果:一个能运行的合规模块、一条迁移完成的数据流水线、一套重新设计的结账流程。供应商的任务是可靠而快速地交付这个成果。至于怎么做,是人逐行手写,还是由 AI 生成 80% 的样板代码,对买方不应该有影响。重要的是质量、可靠性和速度。

项目经理在平板电脑上查看交付时间线

在 GTEMAS,我们正是出于这个原因转向以成果为基础的合作模式,这也是 FastDX(我们的 AI-native 交付流水线)背后的商业逻辑。我们按交付物和里程碑界定工作范围,而不是按人头和工时。这个模式更难推销,因为客户习惯了数人头,但它能让双方的激励一致:我们因高效而得到回报,而不是因缓慢。

对工程团队意味着什么

有一点讨论得还不够:AI 工具不会减少对资深工程师的需求,反而会增加。

这听起来有违直觉,下面解释一下。当 AI 能快速生成代码,每天产出的代码量就会大幅上升。总得有人审查这些代码。总得有人判断 AI 的架构选择放在更大的系统里是否合理。总得有人发现 AI 引入的隐蔽缺陷,比如代码能编译、也通过了基础测试,却有一个只在生产负载下才会出现的竞态条件。

初级开发人员可以针对孤立的任务有效地向 AI 提问。但要在更大的系统背景下判断输出是否正确呢?这需要深厚的经验。您得知道“好”是什么样子,才能识别 AI 给您的东西只是“能用”而已。

我们已按这个现实重组了团队。我们不再采用传统的金字塔结构,即少数资深人员带领众多初级人员,而是运行更扁平的团队,要求每位工程师都在架构层面工作。过去初级开发人员做的事,如编写样板代码、生成测试脚手架、处理常规迁移,现在交给 AI。人则专注于系统设计、安全评审、性能优化,以及 AI 无法可靠做出的判断。

这对招聘有实际影响。我们现在看重的东西不同了。五年前,编程面试可能考的是候选人能否凭记忆实现一棵二叉搜索树。今天,我们更关心他们能否审视一份生成出来的代码库,并指出缺了什么:AI 跳过的错误处理、它没有考虑的边界情况、藏在它所选依赖中的安全漏洞。

“最危险的代码,是在测试中运行完美、在生产中悄无声息地出错的代码。AI 非常擅长写出能通过测试的代码。知道何时不该信任它,是人的能力。”
AI 治理评审

没人愿意谈的治理问题

这一切还有比较黑暗的一面,行业里大多对此视而不见。

AI 生成的代码,该由谁负责?如果一个 AI 生成的函数引入了安全漏洞,并导致数据泄露,责任在于采纳这条建议的开发人员、批准拉取请求的团队负责人,还是部署这个工具的供应商?

大多数企业的法律框架还没有跟上这个问题。在医疗、金融、政府等受监管行业,这不是抽象的担忧。审计人员想知道代码是谁写的,以及是否经过有资质的人员审查。“AI 写的,开发人员点了批准”,满足不了 SOC 2 审计人员。

我们认真对待这件事,因为我们的客户正处在这样的环境中。进入我们交付流水线的每一段 AI 生成代码,都与人工编写的代码走同样的评审流程:同行评审、自动化安全扫描,以及资深工程师的明确签字确认。我们保持完整的可追溯性:您可以清楚看到代码库的哪些部分有 AI 辅助,以及是谁评审的。

这不是为官僚而官僚,而是信任的基础。如果您不能用对待人工编写代码的同等严格程度来审计 AI 辅助的代码,就不应该在生产环境中使用 AI。

高管向董事会听众展示交付指标

这一切将走向何方

现在还处于早期。今天可用的 AI 工具,尽管令人印象深刻,也只是第一代。它们会变得更好:模型会更能理解上下文,更擅长理解大型代码库,给出的架构建议也会更可靠。“AI 辅助”与“AI-First”开发之间的差距会缩小。

但基本面不会变。软件交付从根本上说,始终是一个沟通问题。难点在于理解人想要什么,并把它转化为机器能执行的东西。AI 让执行变得更便宜,但理解依然昂贵,而且依然属于人。

会变的是成功的交付合作关系的形态。能够胜出的供应商,是那些真正把 AI 融入工作流程的,不是作为营销噱头,而是作为一种结构性优势,让每一美元创造更多价值。它们会按成果定价,以资深人员占多数的团队配置人手,并维持企业客户所要求的治理框架。

落败的供应商,则是那些仍在出售人头、计算工时的,指望客户不会注意到:五个人加 AI 工具,可以胜过十五个没有 AI 工具的人。

在 GTEMAS,我们已经下了注。我们围绕这样一个前提,在 FastDX 的支撑下建设交付组织:AI 是工程领域的长期组成部分,而不是可能退潮的潮流。我们的团队、流程和商业模式,都是为人的判断与机器的能力协同工作的世界而设计的。这不是因为它在路演材料里听起来不错,而是因为当您坐下来把数字算清楚,这是唯一真正行得通的模式。

率先想清楚这一点的公司,会获得实质性的优势。不只是速度,虽然它们会更快,还包括质量、可预测性,以及在需求不可避免地在项目中途变化时的适应能力。因为需求一定会变,总是如此。问题在于,您的交付模式是能从容应对,还是每当有人说“其实,我们需要它的工作方式稍微不同一点”时就崩溃。

这才是 AI 在企业交付中真正的价值所在。不是更快的打字,而是更好的思考。

需要工程方面的建议吗?

告诉 GTEMAS 团队您正在构建什么,与专家把想法谈透。

与专家交流