维克多·科英布拉因在人工智能创新领域做出的杰出贡献，入选了《福布斯》“巴西30岁以下精英榜”。他成长于里约热内卢郊区，克服了巨大的社会和经济障碍，共同Artefact拉丁美洲Artefact业务，如今该业务已发展成为拥有200名员工的全球科技中心。他在扩展人工智能解决方案以及在国际市场上组建高绩效科技团队方面拥有深厚的专业知识。
引言
长期以来，科技界一直致力于让编程技术不再仅限于懂编程的人群。这一进程一直在缓慢演进，从汇编语言等难以理解的低级编程语言，逐渐发展到更接近自然语言的“高级”语言，例如Python。如今，我们正在打破这一壁垒，或许即将实现完全基于“自然语言”的编程过程。 像 Cursor AI 这样的工具市值已达 1 亿美元，“氛围编程”（vibe coding）这一术语也正日益普及。
当然，这属于过度炒作的范畴，我并不认为它会完全取代经验丰富的软件工程师或数据工程师。但这并非重点——我们根本不需要取代这些岗位。 归根结底，许多业务需求并没有那么复杂；通常一份设计精良的 Excel 电子表格就能胜任。这正是其价值所在：我们让业务团队能够极快地制作产品原型，无论是 CRM 流程中的新功能，还是用于在供应链某处捕获价值的表单。
业务团队将能够创建超越当前 Excel 电子表格的“超个性化”软件，从而缓解 IT 和技术开发团队面临的巨大需求压力，并可能提供经过充分验证和梳理的需求，使工程师的工作变得更加轻松。挑战何在？从企业角度来看，公司如何在建立良好治理机制的同时，既能管理这种去中心化趋势，又不限制这些 AI 代理带来的收益？
技术可及性的演变
计算技术的发展历程可以被视为一场迈向易用性的稳步进军。早期的程序员直接处理二进制机器码，这是一个费时费力的过程，需要深厚的技术知识和极高的精准度。汇编语言提供了第一个抽象层，随后出现的FORTRAN和COBOL等过程化语言，则使编程概念更贴近人类的思维模式。
Java 和 Python 等面向对象的编程语言通过将代码组织成反映现实世界实体的概念化对象，进一步简化了开发过程。过去十年间，低代码和无代码平台应运而生，引入了可视化编程界面。借助 Microsoft Power Apps、Bubble 和 Zapier 等工具，业务用户无需编写传统代码，即可通过图形界面创建基础应用程序。
将大型语言模型融入开发工作，标志着这些平台实现了质的飞跃。与前代产品不同，GitHub Copilot、Cursor AI 和 Claude 等 AI 编码助手能够理解上下文，根据自然语言描述生成复杂功能，并能从交互模式中学习。
“氛围编码”这一概念精准捕捉了这种范式转变——即能够传达意图而非明确的指令。例如，一位市场经理只需简单描述：“我需要一个能够展示跨渠道营销活动表现的仪表盘，并支持按日期范围和目标人群进行筛选”，就能收到相应的可运行代码。
这种方法以前所未有的方式弥合了商业思维与技术实现之间的鸿沟。业务用户无需了解变量、函数或数据结构——只需关注他们试图解决的业务问题即可。
人工智能代理的商业价值
打破IT瓶颈
几十年来，企业一直面临着同一个根本性挑战：技术需求长期超过开发能力。麦肯锡的研究表明，超过85%的企业收到的软件开发请求超出了其处理能力，非关键项目的积压工期通常长达6至12个月。
这一瓶颈导致了多种业务问题：
- 错失良机：项目在排队等待期间，市场环境发生了变化
- 影子IT：受挫的部门部署未经授权的解决方案
- 低效的权宜之计：员工通过创建手动流程来弥补
- 被浪费的战略优势：数据驱动的洞察尚未得到充分利用
AI 代理通过让业务团队能够自主解决许多技术需求，从而应对这些挑战。销售团队无需排队等待 IT 部门协助，即可创建自己的销售漏斗可视化工具；营销团队也能自主开发营销活动效果追踪工具。
民主化发展的经济学
从财务角度来看，采用人工智能代理具有极强的吸引力。传统的企业软件开发遵循一种可预见的模式，通常耗时数月，成本从数千到数百万美元不等，具体取决于复杂程度。其中最隐蔽的成本在于目标错位——由于需求在传达过程中出现偏差，最终产品往往无法满足实际的业务需求。
人工智能代理将这一周期大幅缩短。业务团队能够快速迭代，在数小时内而非数月内完成解决方案的测试。这种方法：
- 可将简单应用程序的开发成本降低70%至90%
- 将部署时间从数月缩短至数天或数小时
- 增强业务需求与技术解决方案之间的契合度
- 支持根据实际反馈进行快速迭代
自动化与监控：AI 代理的核心能力
在企业环境中，AI 代理的一个关键特征在于其兼具自动化能力和对适当监督的需求。这两个要素决定了 AI 代理在组织环境中的运作方式。
智能自动化
AI 代理在自动化处理以往需要人工干预的重复性任务和工作流程方面表现出色。与遵循 rigid 规则的传统自动化工具不同，AI 代理能够：
- 适应输入数据和上下文的变化
- 基于对各种情景的概率性理解来做出决策
- 从过去的互动中汲取经验，以提升表现
- 处理自然语言输入，无需严格的语法要求
这种智能自动化能力意味着业务用户可以将日益复杂的任务交由人工智能代理处理。例如，一个代理不仅可以自动化处理数据收集，还能完成初步分析、异常检测和常规决策，从而让人类能够专注于处理例外情况和战略考量。
监督要求
尽管人工智能代理具备强大的能力，但仍需适当的人工监督——这是企业实施过程中的一项关键考量。有效的监督模型包括：
- 人机协同：适用于关键流程，其中每项 AI 输出在执行前都需要经过人工验证
- 人机协同：指在常规流程中，AI 自主运行，但由人类监控其表现并可在必要时进行干预
- 人-环：适用于低风险流程，其中人员会定期审查整体性能
合适的监督模式取决于风险承受能力、监管要求以及人工智能系统的成熟度。组织必须在自动化带来的好处与监督需求之间谨慎权衡，以防止出现错误、偏见或与业务目标不一致的情况。
实际应用与超个性化
企业软件历来遵循“一刀切”的模式。CRM、ERP 和 HRIS 等主要系统虽然提供配置选项，但最终仍会在各种业务职能中强制推行标准化工作流程。这种标准化虽然提高了效率，却牺牲了针对特定场景的优化流程。
超个性化颠覆了这一范式。超个性化应用程序不再强迫业务流程适应软件的局限性，而是能够适应特定部门、角色甚至个人的独特需求。
请考虑以下这些常见场景，其中人工智能代理实现了超个性化：
- 一位供应链分析师正在开发一款动态库存预测工具，该工具整合了天气数据、历史销售数据和供应商交货周期
- 一个客户服务团队正在构建一个具备语义搜索功能的知识库，以加快问题解决速度
- 人力资源专业人士正在开发一款员工入职应用程序，该程序可根据员工的角色和经验提供个性化培训
- 销售代表制作定制化的可视化仪表盘，用于跟踪其特定的绩效指标
这些案例有一个共同点：它们都是极具价值的业务工具，虽然不足以成为IT部门正式优先考虑的理由，却能显著提升部门效率。正如一位首席信息官所言：“我们并非要用人工智能生成的代码来取代ERP系统，而是赋能业务用户，让他们能够解决那些总是被排在优先级末尾的‘最后一公里’问题。”
这种方法的优势在于，解决方案是由最深入了解业务问题的人员来构建的。传统的企业软件难以实现这种程度的定制化，因为开发成本会随着个性化复杂度的增加而呈线性增长。人工智能代理从根本上改变了这一局面，使个性化软件在经济上变得可行。
实施挑战与治理
企业面临的核心挑战在于在技术民主化与适当管控之间取得平衡。过于严格的框架会迫使用户重返“影子IT”，而过于宽松的做法则可能导致组织混乱。
成功的组织通常会根据应用程序的特性，实施分层治理模型并采取分级控制措施：
一级 – 沙箱环境：数据访问范围和用户范围受限的低风险应用程序。此类应用程序可能包括个人生产力工具、使用预先批准数据源的简单仪表盘，或用于概念验证的原型应用程序。
第2层级——部门级解决方案：用于支持特定业务功能且数据敏感度适中的应用程序。治理措施包括同行评审、简化版安全评估以及基本文档要求。
第3层 – 企业级应用程序：涉及敏感数据或对组织产生广泛影响的关键业务解决方案。此类应用程序需要进行正式的安全审查、性能测试、文档编制以及长期支持的过渡规划。
这种分层方法既能提供适当的监督，又能保持人工智能辅助开发所特有的高效与灵活性。
在选择人工智能辅助开发平台时，企业应警惕供应商锁定。许多平台提供专有环境，这可能会导致应用程序难以迁移或与其他系统集成。企业应优先考虑采用开放标准、支持数据可移植性并提供明确退出路径的解决方案。此类工具的市场正在迅速发展，保持灵活性以适应新选项对长期成功至关重要。
工作的未来：新的技术分工与职业发展
新的技术分工
随着人工智能辅助开发日趋成熟，我们正目睹企业技术岗位正在经历根本性的重塑。企业不再将员工简单地划分为“技术”和“非技术”两类，而是正在构建一个涵盖多种技术创新能力的体系：
业务创新者：利用人工智能辅助构建解决方案以满足特定业务需求的领域专家。这些人深刻理解其业务流程，但技术背景可能较为有限。借助人工智能辅助，他们能够创建仪表盘、自动化工作流以及基础应用程序，而这些工作此前通常需要开发人员的参与。
公民开发者：指对技术有更深兴趣的业务用户，他们充当各部门与IT部门之间的桥梁。这类人员通常对软件设计原则有更深入的理解，能够创建更复杂的解决方案。他们往往成为内部倡导者和导师，帮助同事有效利用AI工具。
技术顾问：指那些从编写所有代码转向推动并指导业务主导型开发的信息技术专业人员。他们建立治理框架，创建可复用的组件，并就架构和安全问题提供咨询。他们不再是瓶颈，而是成为能够扩大组织开发能力的倍增器。
专业工程师：专注于复杂系统、基础设施及业务关键型应用程序的专业开发人员。他们不将时间耗费在简单的部门级应用程序上，而是致力于解决那些需要深厚专业知识的技术难题。
这种演变与数据分析领域的发展如出一辙。二十年前，数据分析工作主要由专业分析师承担；如今，数据分析已成为各业务职能部门普遍具备的技能，而专业分析师则专注于应对最复杂的分析挑战。
职业发展的未来
与某些预测相反，人工智能辅助开发不太可能减少对专业软件工程师的需求。相反，它将促使他们将工作重心转向更高价值的活动：
平台工程：构建和维护支持人工智能辅助开发的基础设施。这包括创建安全的数据连接器、建立监控系统，以及开发支持业务用户的测试框架。
复杂系统开发：专注于需要深厚技术专长、高性能或复杂架构的任务关键型应用。这些系统构成了企业级应用的基石。
技术指导：作为顾问，协助业务团队处理架构决策、集成难题及安全考量。这一咨询角色既能发挥工程技术专长，又能赋能业务用户自主实施解决方案。
应用程序升级：识别应“升级”为企业级应用的成功部门级应用，并对其进行优化，以满足组织在安全性、可扩展性和可维护性方面的标准。
这种转型为业务和技术专业人士都创造了机遇。业务团队获得了自主解决自身问题的权限，而技术团队则专注于那些能充分发挥其专业技能的挑战。其结果是人才配置更加高效，整体业务价值的交付速度也更快。
对于个体专业人士而言，这一转变需要适应。业务用户需要培养基本的软件设计思维、数据素养和安全意识。技术专业人士则需要加强咨询、教学和架构设计能力。投资于这些能力的组织将在敏捷性和创新性方面获得显著的竞争优势。
结论：探索人工智能辅助的未来
借助人工智能代理实现软件开发的民主化，是过去十年企业技术领域最重大的变革之一。那些审慎拥抱这一变革的企业，将在敏捷性、个性化和创新方面获得巨大优势。
要成功实现这一转型，必须在看似矛盾的各项要求之间取得平衡：既要赋能业务用户，又要保持适当的治理；既要鼓励创新，又要确保安全；既要支持去中心化，又要防止碎片化。
对于企业领导者而言，这一信息不言而喻：人工智能辅助开发并非旨在取代技术团队，而是为了扩大参与技术创新的人员范围。通过审慎地应用这些技术能力，企业能够实现长期以来追求的目标——打造真正个性化的软件，使其能够适应企业的独特需求，而非强迫企业去适应软件。
企业软件的未来，既不是“一刀切”的系统，也不是高度可配置的平台——而是一个由用户亲手打造、专为特定用途设计且由人工智能生成的应用程序生态系统。拥抱这一未来的组织将获得一个强大的新工具，助力创新、提升效率并赢得竞争优势。
