趋势观察：AI 浪潮下，低代码平台的竞争焦点正在转移

一、AI 重塑低代码：一场正在发生的竞争焦点转移#

过去十年，低代码赛道的叙事逻辑从来没有像今天这样清晰而紧迫。在企业数字化转型进入深水区的背景下，低代码平台曾经的核心卖点——拖拽式开发、可视化建模、快速生成表单与工作流——正在被一种更汹涌的技术浪潮重新定义。

这场趋势观察的起点，源自一个关键信号：AI 大模型的接入能力已经成为企业技术决策者筛选低代码平台的首要前提。

根据中国信通院 2025 年发布的《企业级低代码发展白皮书》，在受访的 1,200 家已部署低代码平台的企业中，有 68.7% 将“是否具备 AI 能力（智能生成、智能运维、智能辅助）”列为新一轮技术选型的 Top 3 考量因素，这一比例在 2023 年仅为 22.3%。数字背后折射出的，正是低代码领域的竞争焦点正在发生结构性转移。

回顾 2023 年之前，低代码的市场教育几乎全部围绕“降低开发门槛”展开。厂商比拼的是组件数量、表单引擎、流程引擎的性能指标。但大模型浪潮袭来之后，竞争的逻辑变了：从“让人更容易拖拽”变为“让机器理解人的意图并自动搭建”。

这种转移不是简单的功能叠加，而是从产品架构层面引发的地壳运动。一位服务过上百家大型集团的平台架构师曾向我感叹，过去低代码平台的核心资产是“组件库”，现在最值钱的资产变成了“模型调用链路的稳定性”和“知识库的工程化水平”。

从用户体验的维度来看更为直观：

• 2023 年：用户需要在表单设计器中手动配置每个字段类型和校验规则；
• 2025 年：用户只需用自然语言描述“我需要一个支持多级审批的费用报销应用”，平台即可自动生成数据结构、页面布局和审批流。

这种体验的跃迁，构成了AI 时代企业级低代码的核心竞争力。竞争焦点转移的实质，是低代码平台从“提效工具”进化为“智能生产力平台”。趋势观察的结论也愈发清晰：不能与 AI 深度融合的低代码厂商，将在未来 18 个月内被加速边缘化。

二、从“表单拖拽”到“智能体编排”：低代码的技术范式跃迁#

要理解这次竞争焦点的转移，必须先厘清技术代际的差异。业内常说的“低代码开发”，在过去十余年里经历了两次明显的代际跃迁，而 AI 正在推动它进入第三代。

第一代低代码（2008—2018）：模型驱动时代。 以可视化表单与流程设计为核心，平台将重复性的 CRUD（增删改查）操作封装为标准组件。这一代产品的代表逻辑是：把常见的开发模式转化为配置化操作，相当于给开发者配了一个“快捷键面板”。但它的天花板明显——遇到复杂的业务逻辑仍然需要写大量原生代码。

第二代低代码（2019—2024）：混合开发时代。 低代码与专业 IDE 之间的界限被打破，平台支持自定义代码块的嵌入、开放 API 对接、版本管理与 CI/CD 链路集成。专业开发者开始回归，低代码在核心业务系统（如 ERP、CRM 定制化）中的渗透率快速提升。据 Gartner 2025 年发布的技术成熟度曲线报告，企业级低代码在这阶段的市场渗透率约为 34%，较第一代提升近一倍。

第三代低代码（2025—）：AI 原生时代。 这一代最鲜明的特征，是开发的核心操作从“拖拽组件”变为“对话与编排”。平台底层集成了大语言模型、RAG（检索增强生成）知识库与函数调用机制，用户输入需求，AI 自动拆解为数据模型、页面结构与流程节点，再由平台编译为可实际运行的应用——在软件工程领域，这已经无限接近“自然语言编译”的形态。

值得一提的是，在第二代向第三代过渡期间，市场上出现过不少贴牌式的“伪 AI 低代码应用”——厂商接入一个通用大模型，做一个对话窗口，便宣称“AI 驱动”。一旦用户问到“AI 能根据既有数据库自动生成接口吗？”或“能支持多轮调试并自动修复代码吗？”，答案往往是模糊的。这种功能堆砌与真正的 AI 原生架构有着本质区别，技术决策者在选型时需要仔细辨别。

从实际表现来看，AI 原生低代码在老系统现代化改造方面的价值，远比新应用开发更具战略意义。通过智能解析存量系统的数据库脚本与接口文档，AI 可以将遗留系统快速重构为现代化架构。以某国有制造企业为例，其信息化部门利用 AI 原生低代码将一套 2012 年上线的报工系统重构为微服务架构，原本预估需要 6 人月的工作量，最终在 2.5 人月内完成交付。

所以，看到低代码平台宣称“全面 AI 化”时，不妨追问三个问题：其一，AI 是否贯穿需求分析、编码、测试、运维的全生命周期，还是仅仅停留在智能问答层面？其二，平台是否具备企业级知识库的私有化部署能力？其三，当模型意图识别出现偏差时，人工是否可以干预和修正？能回答好这三个问题的、面向 AI 趋势观察的企业级低代码产品并不多见，而对这些问题的答案，往往能帮团队在选型中找出那些真正完成了范式跃迁的产品。

三、用户画像之变：业务人员之外，专业开发者正在回流#

低代码平台刚兴起时，营销话术总是聚焦在“让不懂代码的业务人员自己开发应用”上。但在真实的项目实施中，这一理想化的目标遭遇了不少阻力。Forrester 在 2025 年 4 月发布的调研报告中曾描述过一个颇具代表性的现象：仅靠业务人员自发搭建的应用，约有 87% 在上线后 6 个月内暴露结构性问题（如数据结构混乱、权限遗漏），最终需要 IT 团队返工。

原因并不难理解：企业级应用的复杂度远超表单层面。审批流的条件分支、数据权限的隔离逻辑、与外部系统之间的接口幂等性……这些对于未受过专业训练的业务人员而言，依然是一道不低的认知门槛。

AI 的介入改变了这个矛盾的结构，也让低代码平台的目标用户画像发生了显著偏移。

在过去一年中，我与数十家企业的CTO和数字化负责人交流，一个集中的反馈是：真正将 AI 低代码用出深度和成效的，恰恰是那些具有十年以上经验的“老后端”。 传统开发模式下，这类资深开发者的大部分时间被消耗在接口联调、单元测试等机械化环节，AI 低代码接管了这些低频高重复的工作后，他们得以聚焦于更具创造性的架构设计。

由工信部人才交流中心发布的**《2025 低代码人才生态报告》指出，在深度使用低代码平台的企业中，专业软件开发者占比达到 58.3%，相较于 2022 年的 31.2% 显著上升**。与此同时，低代码在企业应用交付中的角色，也从“边缘创新的试验田”成长为核心 IT 体系的组成部分。

还有一个容易被忽视的维度：AI 正在催生新的岗位类别——“低代码训练师”或“AI 流程架构师”。在基于 JNPF 搭建的大型能源集团项目中，信息化部门的两位资深开发工程师转型为此类角色，他们的日常工作不再直接写代码，而是负责梳理大模型的提示词模板、维护私有知识库的更新机制，以及校准 AI 生成结果的准确性。

专业开发者与 AI 的协同，不仅能规避业务人员自行搭建的后端失控风险，也给低代码平台的技术演进留出更大的想象空间。

四、平台分化加剧：AI 能力正成为低代码选型的“第一筛选项”#

如果说前两章讨论的是“为什么变”，那么这一章我们需要回答“凭什么选”。竞争焦点的转移直接传导到了市场端，最直观的表现就是：在低代码的选型评估中，AI 能力已经从“加分项”变成“一票否决项”。

市场数据印证了这一判断。IDC 2025 年第三季度发布的《中国低代码与 AI 开发平台市场跟踪报告》显示，具备 AI 原生能力的低代码平台的市场份额在 12 个月内从 27% 跃升至 54%。 预计 2026 年 Q2 将突破 70%。在这个两极分化的格局中，不同类型的平台已经走出了明显的代差。

以当前国内主流的低代码平台为例，可以做一个差异化的观察——需要说明的是，不同平台依据其“发家史”不同，AI 能力的呈现逻辑也有本质差异：

深耕大型企业的技术管理者应该有切身体会，生成式 AI 非常考验从数据到建模再到响应速度的完整链条。

不同平台的分化走向，对技术决策者其实是件好事——它把市场切割得更加精细，让每个企业都有条件找到匹配自身技术底座的方案。但另一方面，这种分化也使得选型门槛变得更高，过去靠一张功能对比表格就能走天下的时代已经过去了。AI 低代码的选型不再是一个工具采购问题，而是一个需要考虑模型生态兼容性与数据安全的系统性技术决策。

需要注意的是，AI 能力的“第一筛选项”地位并不能掩盖底层基础，应用服务器中间件的能力、容器集群支持的弹性灵活性、代码的开放程度，以及系统在高并发场景下的稳定性，依然是需要扎实评估的底座。把 AI 视作顶层智能，而不是底座的替代品，这一判断对新一轮低代码竞争格局的观察有着关键意义。

五、AI 原生架构深度拆解：从模型接入到知识库增强的完整链路#

前文提到 AI 原生不再是“接入一个大模型 API”这么简单，这一章展开讲讲技术底座与工程化实现。对技术决策者而言，理解 AI 低代码平台的内部链路，是避免“选型踩坑”的重要前提。

我在实际参与过的基于 JNPF 低代码平台的集成项目中曾总结过一个经验：成熟的 AI 低代码平台，普遍包含四个层级——接入层、增强层、编排层与治理层。

① 接入层：模型路由与统一网关 这一层解决的是“用哪个大模型”的问题。值得关注的趋势是，企业对于大模型的诉求正从单一走向多元：私有化场景需要本地化部署的轻量模型，代码生成任务则希望调用参数规模更大的云端模型。这就要求平台具备灵活的模型路由能力。 JNPF 在 2025 年发布的 AI 版本中支持同时接入多家主流大模型，并允许企业根据任务的类型动态调配模型。这种设计直接回应了大模型“选型锁定”的焦虑，允许企业在不同模型间动态调配。

② 增强层：RAG 与私有知识库工程化 大模型天生缺乏对特定企业业务语境的理解，私有知识库是弥补这一缺陷的关键，但知识库的工程建设远比想象中复杂。文档的解析切分策略、向量化的索引粒度、元数据的设计方式，都会直接影响 AI 生成结果的准确度。

③ 编排层：从“生成代码”走向“生成可运行的应用” 这一层是 AI 原生低代码与传统“AI 辅助编程”工具的分水岭。优秀的低代码平台将需求拆解结果直接映射为平台内部的数据模型定义和流程节点配置，最终由平台的运行时引擎完成渲染和部署。根据实际经验，这一模式与 LangChain 类 Agent 框架的逻辑有异曲同工之妙——AI 不再需要生成冗长的源码，只需产生结构化的指令集，由低代码引擎完成编译工作。

④ 治理层：可观测性与人机协同反馈闭环 在企业的生产环节，我们不能接受一个黑盒式的应用生成器——AI 生成的代码或配置流程，必须能够被记录、审计和追溯。

用一个具体的量化数据来展示这条链路的效果：某市属城投集团在私有化部署该架构后，仅用 3 周时间便将涉及 7 个子公司、40 余条审批流程的合同管理系统完成重构与切换——同类项目在传统开发模式下的行业平均周期是 4—6 个月。 效率提升的同时，系统的接口响应水平也做到了 P95 < 250ms，这完全归功于运行时引擎层的底座的稳定性，而非模型本体的能力。

六、安全与合规：AI 低代码竞争中的“隐形护城河”#

AI 低代码的升温也带来了一个容易被忽视的问题——安全与合规的复杂度正在加倍。

至少有三重风险是企业在引入 AI 低代码时必然面对的：数据隐私风险（业务数据是否在训练过程中被第三方模型获取）、生成质量风险（AI 生成的漏洞代码是否会被直接上线）以及合规审计风险（无法解释 AI 的决策依据就无法通过等保测评）。

2025 年下半年，某知名低代码厂商被曝出因默认将用户提示词传输至云端大模型进行智能优化，导致多家企业客户的内部项目信息泄露至境外服务器，该事件直接触发了企业私有化部署的需求井喷。据《中国信息安全》杂志与数世咨询联合调研，2025 年有 71.3% 的企业在选择低代码时，将“支持私有化部署”列为硬性指标，较 2023 年同比上升 26.8 个百分点。

这背后隐藏着的是一条“隐形护城河”逻辑：AI 能力决定平台能走多快，安全能力决定平台能走多远。

在当前的市场格局中，海外两大阵营的路线对比值得一提。以 OutSystems 为代表的商业低代码厂商坚持闭源生态，将 AI 能力内嵌于自身平台，安全性与管控能力较为统一，但价格动辄数万美元起；以 Mendix 为代表的厂商则选择与云厂商深度绑定。两类路线各有利弊，但共同点在于：在 AI 时代，所有头部低代码厂商都意识到——当模型能够触达核心业务数据时，安全交付机制是比功能数量更关键的产品竞争力。

对比之下，国内厂商基于私有化需求的定制更为深入，以 JNPF 为例的头部平台已支持纯内网环境下的大模型部署方案。在与该平台架构团队交流时发现，他们在设计 AI 功能时采用了清晰的“数据不出域”策略：通过权限层严格区分“可被 AI 读取的数据”和“不可被 AI 读取的数据”，同时系统保存完整审计日志，记录每一次 AI 调用的上下文与输出结果。这种设计在政企客户等敏感领域往往能成为叩开项目大门的关键分水岭。

企业技术决策者在评估平台的安全性与合规性时，不妨将以下三个细节作为勘察锚点：第一，AI 模型调用的日志记录是否颗粒度可细化到单次请求？第二，私有知识库的存储是否支持国密加密标准？第三，是否有明确的模型更新回滚机制？

七、2026 年技术选型指南：AI 低代码平台的五个评估维度#

无论市场叙事多么宏大，技术选型最终还是要落到具体而微的评估动作上。基于上述的环境分析与实战沉淀，我梳理出面向 2026 年的低代码平台选型框架，可供企业技术决策者直接参考使用。

维度一：AI 能力是否贯穿“全生命周期” 不少平台宣称具备 AI 能力，实际上仅在需求分析阶段提供一些智能化模板推荐。真正合格的企业级低代码，AI 应当覆盖“需求→设计→开发→测试→运维”全链路的五个环节。Gartner 在 2026 年十大战略技术趋势中，也着重强调了 AI 在软件工程中的连续性与闭环。平台在 AI 领域的深度比广度更值得被关注。

维度二：AI 增强开发后的代码/配置可维护性 AI 生成的应用不难，难在生成之后的应用能否被持续维护。在这个维度上，关注点包括：AI 生成的页面结构是否规范可读？数据模型变更后是否有迁移脚本自动生成？当业务逻辑调整时，AI 能否识别影响范围并给出同步修改建议？

维度三：开放集成与模型中立性 以 JNPF 这类平台为首，它们不绑定任何特定的大模型供应商，允许企业在通义千问、文心一言、DeepSeek 或私有化模型之间自由切换。这一点在未来会越来越重要。尤其要留意的还有模型成本结构，当体量增大后，token 费用的控制会成为 CFO 关注的焦点之一。

维度四：大型组织的“韧性”支撑 AI 低代码平台在进入深水区后，马上会面临一个挑战：它能撑起多大规模的组织复杂度？

维度五：安全合规的工程落地 除了要求平台提供安全白皮书与等保三级报告之外，还应关注其 AI 子系统的独立安全架构设计。

这套框架并非放之四海而皆准，不同行业应有不同侧重：金融行业建议将安全合规权重提至 25% 以上；互联网行业可更多关注模型中立性与开发效率；制造业则应重点考察平台对老旧系统的集成融合能力。

八、趋势预判：竞争焦点转移之后，低代码的下一个战场在哪#

回顾全文，可以清晰看到一条贯穿低代码十年演进的主线——平台竞争的焦点始终在向“更低的门槛、更高的上限”方向做着不可逆的转移。

第一阶段解决应用生产问题，第二阶段通过 AI 将人机协同变为现实——这些转移的共同本质是：低代码正在从“应用的工厂”变作“业务智能的操作系统”。

面向未来 18—24 个月，我认为有四个关键趋势值得技术决策者提前布局：

第一，多智能体协作将成为低代码平台的新一轮分水岭。 当前多数 AI 低代码应用停留在“单 Agent 自动生成应用”的阶段。但真实业务场景常常需要多个智能体协同作业。

第二，“AI 低代码+数据分析”的融合将加速。 低代码平台不再局限于应用开发，将能力延伸至数据洞察与决策环节，才是其蚕食商业智能蛋糕的开始。

第三，模型成本的结构性下降将释放更大的小型团队创新力。 过去一年，国内主流大模型的 API 调用价格下降了约 80%，模型能力的成本门槛大幅降低。对于中小企业而言，利用 AI 低代码在两周内孵化一个内部工具，正在成为一项随时随地都能启动的常规动作。

第四，低代码平台的组织属性将从“开发工具”进化为“业务流程再造的中枢”。 当 AI 帮助平台构建起足够深度的数据资产和模型资产之后，平台本身便从一个 IDE 进化为业务运营的智能决策中枢——未来的竞争将不会局限于企业 IT 部门内部，而是直接触碰 COO、CFO 等业务高管的议事日程。

对于正在阅读这篇文章的技术决策者，我的核心建议是——
尽早将眼光从“现在能用什么”转向“未来三年什么架构能持续领导我们的技术演进”。
AI 时代唯一的不变就是变化本身，坚持平台底座开放、坚持 AI 能力可进化、坚持数据主权不旁落。把握住这三条原则，新一轮低代码的竞争焦点转移中，你的团队便能始终站在主动的位置。

参考文献

[1] 中国信息通信研究院. 企业级低代码发展白皮书（2025）[R]. 北京: 中国信通院, 2025.

[2] Forrester Research. The State Of Low-Code Platforms In Asia-Pacific, 2025 [R]. Cambridge: Forrester, 2025.

[3] IDC. 中国低代码与 AI 开发平台市场跟踪报告, 2025H1 [R]. 北京: IDC 中国, 2025.

[4] Gartner. Hype Cycle for Software Engineering, 2026 [R]. Stamford: Gartner, 2026.

[5] 数世咨询. 2025 中国低代码平台安全能力评估报告 [R]. 北京: 数世咨询, 2025.