维克多-科英布拉（Victor Coimbra）因其对人工智能创新的杰出贡献而荣登福布斯巴西30岁以下精英榜。他在里约热内卢郊区长大，克服了巨大的社会和经济障碍，共同创建了 Artefact 的拉丁美洲业务，该业务现已成为拥有 200 名员工的全球技术中心。他在扩展人工智能解决方案和在国际市场上建立高性能技术团队方面拥有深厚的专业知识。.
导言
长期以来，技术一直在努力让那些不懂编程的人也能使用。这一过程在慢慢演变，从汇编等难以理解的低级编程语言，到 Python 等更接近自然语言的 “高级 ”编程语言。现在，我们正在打破障碍，也许能达到完全的 “自然语言 ”编码过程。像 Cursor AI 这样的工具市值已经达到 $1 亿美元，而 “振动编码 ”一词也越来越流行。.
当然，这只是极端的炒作，我并不认为它能完全取代经验丰富的软件或 Data Engineer。但这不是问题的关键--我们不需要取代这些角色。归根结底，许多业务需求并不复杂；通常一个制作精良的 Excel 电子表格就能完成工作。这就是我们的价值所在：我们为业务团队提供了快速开发产品原型的能力，无论是客户关系管理流程中的新功能，还是在供应链中获取价值的表单。.
业务团队将能够创建自己的 “超个性化 ”软件，超越当前的 Excel 电子表格，减轻 IT 和技术开发团队的巨大需求负担，并可能带来更多经过验证和消化的需求，使工程师的工作变得更加轻松。挑战是什么？从企业的角度来看，公司如何在建立良好治理的同时，在不限制这些人工智能代理收益的情况下管理这种分散化？
无障碍技术的发展
计算机的发展史可以看作是向无障碍化稳步迈进的过程。早期的程序员直接使用二进制机器代码，这是一个需要深厚技术知识和极高精确度的费力过程。汇编语言提供了第一个抽象层，随后的程序语言（如 FORTRAN 和 COBOL）使编程概念更接近人类的思维模式。.
Java 和 Python 等面向对象的语言通过将代码组织成反映现实世界实体的概念对象，进一步简化了开发过程。过去十年间，低代码和无代码平台兴起，引入了可视化编程界面。微软 Power Apps、Bubble 和 Zapier 等工具使企业用户能够通过图形界面创建基本应用程序，而无需编写传统代码。.
将大型语言模型整合到开发中代表着超越这些平台的飞跃。与它们的前辈不同，GitHub Copilot、Cursor AI 和 Claude 等人工智能编码助手能够理解上下文，从自然语言描述中生成复杂的功能，并从交互模式中学习。.
“Vibe 编码 ”捕捉到了这种模式转变--传达意图而非明确指令的能力。营销经理可能会简单地描述：“我需要一个仪表盘，它能显示跨渠道的营销活动绩效，并能按日期范围和目标人群进行筛选”，然后收到响应的功能代码。.
这种方法以前所未有的方式缩小了业务思维与技术实施之间的差距。业务用户无需了解变量、函数或 data 结构，只需了解他们试图解决的业务问题。.
人工智能代理的商业案例
打破 IT 瓶颈
几十年来，企业一直在与同样的基本挑战作斗争：技术需求长期超过开发能力。麦肯锡的研究表明，超过 85% 的企业的软件开发需求超过了他们所能满足的能力，非关键项目的典型积压时间长达 6-12 个月。.
这一瓶颈造成了多种业务问题：
- 失去的机会:市场条件发生变化，项目却在排队等待
- 影子 IT:沮丧的部门部署未经授权的解决方案
- 效率低下的变通办法:员工创建人工流程进行补偿
- 浪费战略优势:Data驱动的洞察力仍未得到开发
人工智能代理可以帮助业务团队解决自身的许多技术需求，从而应对这些挑战。销售团队可以创建自己的管道可视化工具，营销团队可以创建营销活动绩效跟踪器，而不是加入 IT 队列。.
民主化发展的经济学
人工智能代理的经济效益令人信服。传统的企业软件开发遵循一种可预测的模式，通常耗时数月，成本从数千到数百万美元不等，视复杂程度而定。最隐蔽的成本是错位--最终产品往往无法满足实际业务需求，因为需求在翻译过程中丢失了。.
人工智能代理大大压缩了这一周期。业务团队可以快速迭代，在数小时而不是数月内测试解决方案。这种方法
- 通过 70-90% 降低简单应用的开发成本
- 将部署时间从数月缩短到数天或数小时
- 提高业务需求与技术解决方案之间的一致性
- 可根据实际反馈进行快速迭代
自动化和监督：人工智能代理的关键能力
人工智能代理在企业环境中的一个重要方面是其自动化的双重能力和适当监督的需要。这两个要素决定了人工智能代理如何在组织环境中运行。.
智能自动化
人工智能代理擅长将以前需要人工干预的重复性任务和工作流程自动化。与遵循严格规则的传统自动化工具不同，人工智能代理可以
- 适应输入 data 和环境的变化
- 根据对情景的概率理解做出决策
- 从过去的互动中吸取经验教训，提高绩效
- 处理自然语言输入，无需精确语法
这种智能自动化能力意味着企业用户可以将日益复杂的任务委托给人工智能代理。例如，人工智能代理不仅可以自动收集 data 信息，还可以自动进行初步分析、异常检测和常规决策，从而将人类解放出来，专注于异常情况和战略考虑。.
监督要求
尽管人工智能代理能力强大，但仍需要适当的人工监管--这是企业实施的一个重要考虑因素。有效的监管模式包括
- 人在回路中:对于关键流程，每个人工智能输出在执行前都需要人工验证
- 人在回路中:用于人工智能可自主运行但人类可监控性能并进行干预的常规流程
- 人在回路中:对于低风险流程，人工定期审查总体性能
适当的监管模式取决于风险承受能力、监管要求和人工智能系统的成熟度。企业必须在自动化优势与监督需求之间谨慎权衡，以防止出现错误、偏差或与业务目标不符的情况。.
实际应用和超个性化
企业软件历来采用 "一刀切 "的方式。客户关系管理（CRM）、企业资源规划（ERP）和人力资源信息系统（HRIS）平台等主要系统提供配置选项，但最终还是在不同的业务功能中强制推行标准化工作流程。这种标准化在提高效率的同时，却牺牲了特定环境下的最佳流程。.
超个性化颠覆了这一模式。超个性化应用程序不是强迫业务流程适应软件限制，而是适应特定部门、角色甚至个人的独特要求。.
请看这些人工智能代理实现超个性化的常见场景：
- 一位供应链分析师创建了一个动态库存预测工具，将天气 data、历史销售额和供应商交货时间整合在一起
- 一个客户服务团队建立了一个具有语义搜索功能的知识库，以加速问题的解决
- 人力资源专业人员开发员工入职培训应用程序，根据角色和经验进行个性化培训
- 销售代表制作定制的可视化仪表板，以跟踪其特定的业绩指标
这些例子有一个共同点：它们都是有价值的业务工具，虽然不能证明正式的 IT 优先级是合理的，但却能显著提高部门效率。正如一位首席信息官所说：“我们并没有用人工智能生成的代码取代ERP系统，而是让我们的业务用户有能力解决总是排在我们优先列表末尾的最后一英里问题”。”
这种方法的价值在于，解决方案是由最了解业务问题的人来构建的。传统的企业软件难以实现这种程度的定制，因为开发成本与个性化的复杂程度成线性关系。人工智能代理从根本上改变了这一等式，使个性化软件变得经济可行。.
实施挑战和治理
企业面临的核心挑战是平衡民主化与适当控制之间的关系。限制性太强的框架会让用户重新使用影子 IT，而过于放任的方法则有可能造成组织混乱。.
成功的组织通常会实施分级治理模式，根据应用程序的特点进行分级控制：
第 1 层--沙盒环境:data 访问权限和用户范围有限的低风险应用程序。这可能包括个人生产力工具、使用预先批准的 data 资源的简单仪表板，或用于概念验证的原型应用程序。.
第 2 层--部门解决方案:服务于特定业务功能、具有中等 data 敏感性的应用程序。管理包括同行审查、简化安全评估和基本文件要求。.
第 3 级 - 企业应用程序:具有敏感 data 或广泛组织影响的关键业务解决方案。这些应用程序需要正式的安全审查、性能测试、文档和过渡规划，以便提供长期支持。.
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的速度和灵活性，这正是人工智能辅助开发的价值所在。.
在选择人工智能辅助开发平台时，企业应谨慎对待供应商锁定问题。许多平台提供的专有环境可能会导致应用程序难以迁移或难以与其他系统集成。企业应优先考虑使用开放标准、提供 data 可移植性并提供清晰退出路径的解决方案。这些工具的市场发展迅速，保持灵活性以适应新的选择是长期成功的关键。.
未来的工作：新的技术部门和专业发展
新的技术分工
随着人工智能辅助开发的成熟，我们正在见证企业技术角色的根本性重塑。与 “技术人员 ”和 “非技术人员 ”之间的二元划分不同，企业正在开发一系列技术创造能力：
企业创建者:领域专家：他们利用人工智能协助构建解决方案，以满足特定的业务需求。这些人深入了解他们的业务流程，但技术背景可能有限。在人工智能的协助下，他们可以创建仪表盘、自动化工作流程和基本应用程序，而这些以前都需要开发人员的参与。.
公民开发者:对技术有较深兴趣的业务用户，他们是部门与 IT 之间的桥梁。这些人通常对软件设计原则有更深刻的理解，并能创建更复杂的解决方案。他们通常会成为内部拥护者和导师，帮助同事有效利用人工智能工具。.
技术顾问:从编写所有代码转向支持和指导业务主导型开发的 IT 专业人员。他们建立管理框架，创建可重复使用的组件，并提供架构和安全方面的咨询。他们不再是瓶颈，而是扩大组织开发能力的倍增器。.
专业工程师:专注于复杂系统、基础设施和关键业务应用程序的专业开发人员。他们不会把时间花在较简单的部门应用程序上，而是解决需要深厚专业知识的技术难题。.
这种演变与 data 分析的情况如出一辙。二十年前，大多数 data 分析都是由专业分析师进行的；如今，data 分析已成为各业务职能部门的通用技能，专家们则专注于最复杂的分析挑战。.
专业发展的未来
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，它将把他们的工作重心转移到价值更高的活动上：
平台工程:建设和维护实现人工智能辅助开发的基础设施。这包括创建安全的 data 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:重点关注需要深厚技术专长、高性能或复杂架构的关键任务应用程序。这些系统是业务应用的基础。.
技术指南:担任顾问，帮助业务团队做出架构决策、应对集成挑战和考虑安全因素。这一顾问角色利用工程专业知识，同时授权业务用户执行自己的解决方案。.
应用提升:确定应 “晋升 ”为企业级的成功部门应用程序，然后对其进行增强，使其在安全性、可扩展性和可维护性方面达到组织标准。.
这种转变为业务和技术专业人员都创造了机会。业务团队获得了解决自身问题的自主权，而技术团队则专注于应对值得他们发挥专业技能的挑战。其结果是更有效地分配人才，更快地实现业务价值。.
对于个人专业人员来说，这种转变需要适应。企业用户需要培养基本的软件设计思维、data 素养和安全意识。专业技术人员需要加强咨询、教学和架构技能。对这些能力进行投资的组织将在敏捷性和创新方面形成显著的竞争优势。.
总结：领航人工智能辅助的未来
通过人工智能代理实现软件开发的民主化是过去十年中企业技术领域最重大的转变之一。深思熟虑地接受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。.
要成功完成这一过渡，就必须在看似矛盾的要务之间取得平衡：既要增强企业用户的能力，又要保持适当的管理；既要鼓励创新，又要确保安全；既要支持权力下放，又要防止各自为政。.
对于企业领导者来说，信息是明确的：人工智能辅助开发并不是要取代你的技术团队，而是要扩大参与技术创造的人员范围。通过深思熟虑地实施这些功能，企业可以实现长期追求的目标，即开发出真正个性化的软件，以适应企业的独特需求，而不是强迫企业朝相反的方向进行调整。.
企业软件的未来不是 "一刀切 "式的系统，甚至也不是高度可配置的平台，而是一个由使用这些软件的人创建的、由人工智能生成的应用程序组成的生态系统。拥抱这一未来的企业将发现自己拥有了创新、效率和竞争优势的强大新工具。.
