中国 ToB 软件公司想赚钱，先对 AI Coding 祛魅

4 月，Lovable 推出“可视化编辑”功能，允许用户通过可视化界面修改 AI 生成的界面；5 月起，Anysphere 逐步让 Cursor 脱离 IDE，推出“后台代理”，支持 Slack 集成，并可通过移动或 Web 浏览器发送自然语言指令，实现功能开发或修 bug。

AI Coding 类产品，在演进的第一阶段，已经完成了对专业开发者的提效；但在第二阶段，服务于“公民开发者”时，情况发生了变化。

项目管理协会 (PMI) 将“公民开发者”定义为：无需编码知识即可构建应用程序的人，全称是：Citizen Development，简称 CD。

企业需要在不增加成本的情况下，加快交付速度，这里最优的解决方案就是培养“公民开发者”，只需要 IT 提供支持，“公民开发者”就可缓解企业 IT 团队的沉重压力，在 GenAI 能力成熟后，“公民开发者”群体的兴起几乎已是既定事实。

“公民开发者”不懂代码，因此 AI Coding 产品正试图让自己变得更“亲民”，尽量减少人与 AI 交互过程中的“代码含量”。

况且，企业开发往往是团队作战，很多问题并非技术能解决的，而是人的问题。例如，前端的业务需求变化和后端技术实现如何高效对齐；各个部门之间的数据、业务系统如何打通；数据安全如何保证；有限的项目预算和客户预期如何平衡等等。任何一个环节出错，都可能给企业造成大量损失。

然而，对于这些问题，现有的 AI Coding 产品仍有诸多“不稳定因素”。

DevOps 在 6 月 19 日发布的报告中指出，尽管许多 AI 工具可以生成源代码，但它们很少考虑应用程序的设计和架构，或者架构组件之间的关系；无法像人类开发者那样，在生成代码时充分考虑可维护性、可重用性、可扩展性和性能；此外，AI 生成的代码通常不安全且包含错误。而早在 2022 年，斯坦福大学就有研究表明，相当一部分人工智能生成的代码包含安全漏洞，这对企业来说更为致命。

企业级应用软件开发，是否还有更好的选择？

“Code + GenAI”  VS  “No Code + GenAI”

在企业级软件交付中，乙方公司常遇到的头号难题就是“定制”，特别是面向中大型 B 端客户。

尽管标准化软件足以解决很多问题，但超过 60% 的软件项目仍以定制交付为主，这主要是因为客户需求多样且变化快。然而，传统的高度依赖手写代码的定制开发模式，加之频繁的需求变更和激烈的市场竞争，导致许多项目成本失控，最终“入不敷出”。

长远来看，更大的挑战在于，软件应用不仅仅局限于传统的 IT 场景。如今，数字化转型已渗透到企业的各个岗位和角色，每个人都需要有个性化的应用来提升工作效率。

同时，生产环境的软件还需与管理软件实现高效的数据联通和交互响应，这对软件的架构设计、软件本身的功能边界以及软件应用的实际效果都提出了极高的要求。

这些困境都使得整个国产软件行业的发展步履维艰，亟需寻找更高效、更可控的开发模式来打破僵局。

那么，企业为“公民开发者”提供的 IT 支持方案，应该是 Code + GenAI 吗？无论是代码完成、编程任务还是项目的一些自动化，包括 Cursor、Github Copilot 等在内的很多工具已经可以大幅度提升代码编码效率，甚至重塑开发者的工作流程。未来，“生成、确认和验证”成为新常态，即“AI 生成 80% 的内容，人来完成 20% 的确认和验证工作”。

可就是这 20% 的确认和验证，实际上需要相当强的专业能力。我们先来看看市面上 AI Coding 类产品的定位和分类。

图片部分引用自海外独角兽公众号《AI Coding 最全图谱：Agent 将如何颠覆软件》

如上图左所示，针对面向的是专业开发者还是公民开发者，以及从软件工程智能化程度两个维度，目前的市面上的产品，当然很多还不能称为产品只能说是实验品，大体可以分到四个维度。目前比较成熟的也比较热的是左下象限，即面向专业开发者的 Copilot 型的 AI Coding 工具，Anysphere 的 Cursor、Codeium 的 Windsurf 以及微软的 Github Copilot 是典型代表，它们可以完成包括代码完成、编程任务以及项目自动化等任务，大大提升了跟代码相关的很多任务的效率和质量。但在企业级应用软件定制交付中，如果我们仍然用编码的形式去完成定制任务，那么，下面这些问题仍然是巨大的挑战：

• 复杂业务逻辑的实现：大模型并不能完成诸如多系统集成、强合规性和类似物联对接等私有场景的一些编码任务，这在定制中是最常见的。

• 数据安全和合规风险：敏感业务数据输入公有的 AI 模型可能泄漏隐私，此前就有报道称，用户使用 Loveable 开发的 web 应用中，超过 10% 有安全问题。

• 问题修改和缺陷修复：如果代码有问题要去修改问题，可能需要去理解生成的完整代码，或者要去关注到散落在各处的代码相关性。

• 需求的歧义和幻觉：需求歧义会导致生成功能偏差，模型幻觉也会导致结果答非所问。

• 企业的规则和最佳实践：如果我们需要定制代码能够遵循企业自己的一些规则，或者能够习得历史的最佳实践，我们需要给大模型很多对齐的工作，大部分 AI Coding 工具甚至不支持这些功能。

在企业中，“可信性大于创造性，凡是不能被验证的，就是不能被使用的”。从这个意义上来说，这类 AI Coding 工具仍然是软件工程人员最好的工具，需要人和工具协同来提升效率，短期内很难完全取代编码人员了，或者将软件定制交付的效率提升数倍、乃至数十倍。

另外，在真实的企业场景中，企业应用软件成功开发只是第一步，要让这个软件丝滑融入企业的业务流程，解决客户问题，还需要大量琐碎的需求沟通、代码检视、代码修改、部署、运维、文档撰写和维护等工作，这是个“软件工程”问题，传统意义上，是一个需要产品经理、架构师、开发人员、测试人员以及运维人员的一个混合团队才能完成的事情。

因此，已经有业界头部的 AI Coding 企业开始探索新尝试。例如，Loveable 就在近期发布了可视化设计器。此外，业内也出现了类似 Devin 这种覆盖软件工程更多领域的、更自动化的工具。只是，这些工具大部分还处于实验阶段，还不能真正用于大型企业的商业化应用软件交付中。

企业应用软件的复杂性，决定了在当前阶段，必须通过人机协同的方式，才能确保交付质量。

这也是为什么，我认为，无代码平台仍然是此类解决方案的必备软件能力——无代码平台的本质是 No Code + GenAI，比 Code + GenAI 更适配“公民开发者”的能力情况。

为什么说无代码是当下最合适的形态？

我们这里所说的“无代码”，并非传统的无代码开发，而是与生成式 AI 融合形成的新产物。

过去十年间，产业界一直试图解决企业定制软件交付的问题。“低代码”和“无代码”开发被作为最重要的举措之一被提出。

一时之间，无论是软件厂商，还是企业的 IT 部门都号称自己是低代码或无代码开发。但实践当中，企业会发现这些产品大多只能应对简单需求，但对于业务逻辑比较复杂、数据分析要求较高以及对页面美观和交互效果要求较高的需求，就显得力不从心了。

更不用说中大型企业对可靠性、性能、可测性以及安全性的要求更是很多平台无法系统化解决的。这些功能特性的完成，需要大量的技术积累、研发投入和业务打磨。

从应用场景上看，如果只是作为某一个或者几个垂直业务的延伸，低 / 无代码是可以在有限条件下，满足定制扩展需求的，但作为数字化底座型，或者业务无关型的底层平台，很少有产品能满足要求。

我们可以通过几个不同的维度，来量化感知这种产品要求。

首先，曾经有客户问我，为了做 smardaten，数睿数据大概投入多少预算在研发上。我表示，结合融资和我们自己的投资情况，总投入大约四、五个亿。他表示，那差不多。

做平台与做应用软件是完全不同的生产模式，你不能期望花费 500 万建立一个平台，产生 5 个亿的价值，这个可能性不大。

第二，从软件体量的角度看，smardaten 的代码行数超过 500 万，全部由我们自己编写，体量非常大。我们大约有 1500 个组件，包括各种界面、逻辑以及算法等组件。此外还有 15 万个功能项。在低 / 无代码领域，许多公司的组件数量，甚至比我们小一个数量级。

第三，在我看来，一家企业如果没有超过 1000 个项目并且这其中还要有一定数量的较大规模的应用软件的交付经验，是无法积累足够的能力和形成成熟的产品的。所以交付经验，也是一种隐性的产品要求。

以上因素导致，国内企业级低 / 无代码赛道，“能上桌”的玩家其实很少，体感上不超过 10 家，常年与数睿数据共同出现的企业，也只有 5 家左右。

如果以上在产品维度的能力积累做得足够好，那么用无代码平台来完成企业定制化软件的交付，就变得非常合适了。

Gartner 预估，未来 5 年软件应用的需求量是过去 40 年之和。在现有供需环境下，专业程序员难以独自承担如此庞大的开发任务，因此，可视化的、无代码的方式应运而生，旨在让“人人都能成为软件工程师”。

而 AI 在这一过程中扮演着关键角色，它并非直接生成交付客户使用的软件应用，而是生成无代码平台上的物料，尤其是 DSL（领域特定语言）。这些 DSL 再经过各种引擎的翻译后，会变成实际的代码，从而大大简化了软件开发的流程，使得非专业程序员也能参与到应用构建中来。

过去大家对无代码有很多误解，比如：无代码不支持写代码，无代码不支持复杂业务逻辑，无代码只适合简单应用开发、只能设计一些简单的工作流……

但我们过去九年的实践已经证明，大部分复杂的企业应用软件都可以采用数睿数据的无代码平台开发，这其中也包括了对性能要求极高或者业务逻辑特别复杂的应用的部分甚至全部。国外也已出现了诸如 bubble、unqork 等较大规模的企业级无代码开发平台，甚至传统的低代码平台像微软的 Power Platform 或者西门子的 Mendix 等也在强化它们的无代码开发能力。

这样一个无代码平台，应当在可靠性、性能以及安全性等企业级应用必备特性上有很好的基础。在这个大逻辑之上，我们总结了七个具有一定行业普适意义的核心特征，即“ADVANCE”。具体来看，可理解为：

• A (AI First) 目标是让 AI 生成 80% 的工作内容，人类主要负责验证和确认，从而大幅提升效率。

• D (Data Driven) 强调支持数据驱动的应用开发，覆盖数据（Data）、信息（Information）、知识（Knowledge）以及智慧（Wisdom）的全生命周期管理。

• V (Visualized) 指提供丰富的可视化界面，确保确认、修改和验证过程直观便捷。

• A (Adaptive) 意味着平台具备强大的适应性，采用积木式的组装式开发模式，且积木组件本身支持灵活扩展。

• N (Natural) 追求自然的交互体验，让用户感觉平台不仅好用，而且爱用。

• C (Citizen Usable) 是核心主张——人人可用，目标是让懂业务、具备基础 IT 知识的普通用户也能成功交付应用。

• E (Economic) 聚焦经济性，即大大降低平台自身成本以及使用该平台交付项目的成本。

不过，面对日益复杂的企业软件定制需求，“No Code+ GenAI”的开发范式还有待完善，仍要面临如下挑战：

• 交互设计升级：构建精准提示词体系、标准化工具调用接口及闭环反馈机制，强化人机协作效率；

• 上下文增强：融合平台原生数据、垂直领域知识库与长时记忆能力，提升需求理解精度；

• 泛化能力平衡：在 DSL 可控性与开放问题解决间取舍，通过多 Agent 协作拆解任务，复用大模型在数据库设计、工作流编排等场景的泛化知识；

• 成本效益优化：根据企业级应用场景，在模型参数规模、推理成本与输出质量间动态调优；

• 扩展性保障：预留专业代码开发接口，支持通过生成式编码实现插件开发、算法集成等定制化需求。

尽管目前仍面临一些挑战，但我们仍然认为，短期内，具备强大 GenAI 能力的无代码开发平台几乎是客户解决企业应用软件定制问题的最优解。

从技术和产品能力来看，除非源代码型的 AI Coding 的产品形态出现重大变化，进化成了全新物种，否则它们和无代码平台不存在相互取代、吞噬的问题。无代码平台以自然语言生成应用为核心，将大语言模型作为操作系统，加速应用开发全流程；同时通过结构化设计规避模型幻觉，确保企业级应用的可信度要求。针对公民开发者，平台提供可视化操作界面，支持便捷修改与微调。伴随知识库积累（涵盖行业模型、开发流程、应用模板等），平台自动化水平将持续提升，未来也有望孵化更智能的软件工程 Agent，推动行业革新。

从市场增长的潜力来看，过去无代码产品正在面临新的增长机会。

据 Gartner 预测，到 2028 年，60% 的开发团队将采用低代码平台作为核心开发平台，而到 2029 年，80% 的企业将依赖低代码开发任务关键型应用，市场规模预计突破 460 亿美元。在这之中，海外需求更旺盛，市场规模占比 97%，国内占比约 3% 左右，大概百亿人民币左右。

国内外市场之所以有如此巨大的差距，原因是复合的，与需求情况、人力成本、项目平均毛利、技术积累都有关系。但国外市场正在对国内市场形成反哺——企业可以从全球化的市场中，得到更多的商业机会，进而加速完成技术和产品积累，以更优质的产品，撬动国内市场更多的需求。

以数睿数据为例，公司在新加坡的子公司也已经运作起来了，年营收突破千万，还在稳步增长。

综合来看，如果无代码平台，在技术、产品上有生命力、想象力，在全球市场又有足够的利润空间，那么我们没有理由不拥抱它。相反，为了概念新颖而盲目追求“AI is All”，不根据客户的实际情况来制定解决方案，或许才是对 GenAI 浪潮最大的误解和错付。