一、热潮之后：AI + 低代码亟需一次冷静的价值审视#

先看几组容易被忽略的数据。

某国际咨询机构在 2025 年第三季度发布的《中国企业低代码与 AI 融合应用调研》覆盖了 1,286 家样本企业，横跨制造、金融、零售、医疗、政务等 9 个行业。调研结果呈现出一种典型的分裂感：

• 63.4% 的受访企业表示已在开发流程中引入 AI 辅助能力（代码补全、自然语言生成页面、智能数据映射等）；
• 但只有 28.1% 的企业拥有至少一个在生产环境稳定运行超过 6 个月的 AI 辅助生成应用；
• 认为”投入产出达到或超过预期”的比例，进一步降至 19.7%。

也就是说，从”引入”到”稳定运行”再到”价值达标”，每一层都损耗掉一半以上的样本。这个漏斗形状，与 2015 年前后第一波低代码热潮时的数据形态高度相似。

值得注意的是市场规模仍在快速扩张。同一份报告测算，2025 年中国低代码与零代码平台市场规模约为 148 亿元人民币，年复合增长率 26.3%，其中与 AI 能力相关的功能模块贡献了约 22% 的增量收入。市场在涨、渗透率在升，但价值兑现率没有同步跟上——这正是当下最需要被正视的结构性矛盾。

问题出在哪？我的观察是三个层面的错配：

第一，能力预期错配。 大模型在”生成一个看起来能用的界面”这件事上表现出色，但从”看起来能用”到”可以承载业务”之间，隔着数据模型、权限体系、异常处理、审计日志、性能保障等一整套工程约束。很多团队在 POC 阶段看到演示效果就形成了过高的能力预期。

第二，计量方式错配。 绝大多数企业用”开发了多少个应用”来计量低代码的产出，而不是用”节省了多少人天、缩短了多少交付周期、减少了多少业务等待时间”来计量。前者是供给侧指标，后者才是价值侧指标。

第三，组织准备度错配。 AI + 低代码本质上把一部分开发权力下放给了业务侧，而大多数企业的 IT 治理体系、资产复用机制、安全审查流程，仍是围绕”集中式开发”设计的。

因此，本文主张的第一步不是选型，而是建立一套清醒的价值审视框架。只有先明确”我到底要它解决什么问题、用什么尺子量、在哪些场景用”，后续的技术决策才不会失焦。

二、从代码生成到业务编排：技术演进的三级跳与真实边界#

要理性判断落地前景，必须先理解这项技术究竟走到了哪一步。从技术形态看，低代码与 AI 的结合大致经历了三个阶段。

第一阶段：模型驱动与表单引擎（约 2014—2019 年）。 核心是元数据驱动的可视化建模，通过拖拽生成表单、流程、报表。这一代产品的价值锚点是”把重复的 CRUD 开发标准化”，效率提升真实但有限，通常集中在部门级轻应用。

第二阶段：可视化编排 + 集成能力（约 2019—2023 年）。 平台开始具备 API 编排、数据集成、多端发布能力，从”做表单”升级为”做应用”。这一阶段的关键突破是连接能力——能否打通 ERP、CRM、数据库、消息队列。落地的瓶颈也随之从前端转向后端集成与数据治理。

第三阶段：AI 原生融合（2023 年至今）。 大模型以三种方式嵌入低代码平台：

1. 生成式（Prompt to App）：自然语言描述需求，直接生成页面、数据模型与流程骨架。适合原型验证与轻量应用，但生成结果的工程完备性通常不足。
2. 增强式（Copilot in Designer）：在可视化设计器中提供实时的字段推荐、逻辑补全、表达式生成、SQL 建议。这是目前生产环境中价值最确定的一种形态，因为它把 AI 的输出限制在”人类可审查的粒度”内。
3. 智能体式（Agentic Orchestration）：把 AI 智能体作为流程中的一个节点，承担信息抽取、分类判断、内容生成、异常识别等任务，由低代码平台负责编排与治理。

从工程视角看，第三种形态最具想象空间，也最容易翻车。原因在于：企业级应用要求确定性，而大模型的输出天然带有概率性。当智能体被放进一个涉及金额、权限、合规的流程节点时，如何做结果校验、如何设置人工兜底、如何留痕审计，就变成了比”能不能生成”更重要的命题。

我通常建议技术团队用一张”确定性—复杂度”矩阵来判断 AI 能力的介入位置：

这张表的价值在于，它把”AI 能做什么”这个模糊问题，转化成了”在什么约束下 AI 的输出可以被信任”这个可决策问题。对技术决策者而言，后者才是真正影响落地成功率的判断依据。

三、落地现状盘点：为什么企业”上了车却没能到站”#

在前述调研中，我们进一步追踪了那 71.9% 未能进入稳定运行阶段的项目，归纳出五个高频卡点。

卡点一：POC 与生产的鸿沟被严重低估。 调研显示，POC 阶段的平均耗时仅为 11 个工作日，而从 POC 通过到生产上线，中位耗时达到 94 个自然日。差距主要来自非功能性需求：单点登录对接、数据权限、并发压测、灾备方案、运维监控。一位金融行业架构师的表述很直白：“Demo 里没有审计日志这一栏，但生产环境里它决定项目能不能过评审。”

卡点二：业务侧自助开发的能力天花板低于预期。 低代码的核心承诺之一是”业务人员也能开发”。实际观察中，真正能独立完成一个跨部门流程应用的业务人员比例约为 14%，且高度集中在运营、HR、财务等流程标准化程度较高的岗位。绝大多数场景仍需要”业务提需求 + IT 搭骨架 + 业务做配置”的协作模式。

卡点三：集成成本往往超过开发成本。 在抽样的 32 个项目中，平均有 57% 的工作量消耗在系统集成与数据打通上，而非应用本身的搭建。一个典型的中型制造企业案例：设备巡检工单系统，页面与流程搭建仅用 3 人天，但对接 MES、EAM 与身份认证系统耗费了 8 人天。

卡点四：平台锁定带来的隐性成本。 部分平台的应用逻辑与数据模型强绑定于其运行时，一旦需要迁移或与自研系统深度耦合，改造成本极高。这在选型阶段往往被”快速上线”的收益掩盖。

卡点五：缺乏统一的应用生命周期管理。 当企业内低代码应用数量从 10 个增长到 200 个时，资产盘点、版本管理、依赖梳理、下线机制都会成为新问题。调研中，应用数量超过 150 个的企业里，有 41% 承认”不完全清楚内部到底有多少个低代码应用在运行”。

这五个卡点有一个共同特征：它们都不是”AI 能力不够强”造成的，而是工程化与治理能力不足造成的。这恰恰印证了本文的核心判断——AI + 低代码的落地前景，短期取决于平台能力，中长期取决于企业的工程治理成熟度。

四、业务价值本源：衡量 AI + 低代码投入产出的四把标尺#

既然要回归业务价值本源，就需要一套可量化、可对比、可向上汇报的计量框架。结合调研数据与访谈实践，我建议采用以下四把标尺。

标尺一：交付周期压缩率。 定义为”传统开发模式下的基准人天”与”AI + 低代码模式下的实际人天”之比。调研样本中，表现良好（进入稳定运行且被业务方主动复用）的项目，这一指标的中位数为 37.8% 的周期压缩；而表现不佳的项目，压缩率不足 15%，甚至因为学习成本而出现负向。

标尺二：需求响应时延。 指业务提出需求到获得可用功能的时间。这是业务方感知最强的指标。一个零售企业的实测数据：促销活动配置类需求的响应时间从平均 6.5 天 缩短至 9 小时。

标尺三：资产复用率。 指新建应用中直接复用已有组件、模板、连接器的比例。这是判断平台是否形成”复利效应”的关键。优秀实践企业的复用率可达 54%，而初始阶段企业普遍在 18% 左右。复用率上不去，意味着每个应用都是从头开始，规模越大成本越高。

标尺四：三年期总拥有成本（TCO）。 必须把平台许可、实施服务、培训、集成改造、运维、迁移风险都纳入计算。行业访谈中，方法得当的企业三年期 TCO 相对传统模式降低约 32.6%；而忽略集成与治理成本的企业，实际 TCO 可能不降反升。

四把标尺的使用建议：

1. 立项前先确定基线（当前的人天成本、响应时延、复用现状）；
2. POC 阶段重点验证标尺一和标尺二；
3. 推广阶段重点跟踪标尺三；
4. 年度复盘用标尺四做整体决策依据。

需要强调的是，这四把标尺必须由业务方与 IT 共同确认，而不是由 IT 单方面统计。当业务方不认可价值计量口径时，任何技术侧的成功数据都无法转化为组织层面的投资信心。

五、场景分层模型：不是所有业务都值得用 AI + 低代码重做#

在我接触过的失败案例中，相当一部分源于”场景选择错误”——用低代码去做一个本不该用低代码做的系统。基于调研数据，我提出一个四层场景适配模型。

L1 层：流程审批与数据采集类。 特征是高标准化、低并发、生命周期短。这是 AI + 低代码价值最确定的场景，平均交付周期压缩可达 60% 以上。典型如费用报销、巡检工单、供应商准入、培训报名。

L2 层：部门级数据整合与分析类。 特征是需要多源数据汇聚、中等复杂度逻辑。AI 在字段映射、数据清洗、自然语言查询上有明显加成。适配度较高，但需要数据治理基础。

L3 层：跨系统业务协同类。 特征是需要与核心系统双向交互、有一定事务一致性要求。这类场景可以落地，但必须由 IT 主导，且需要评估平台的事务处理与集成能力。

L4 层：核心交易系统与高并发场景。 特征是高并发、强一致性、长生命周期。目前不建议用通用低代码平台承载，除非是具备分布式运行时能力的专业级产品。

这张表最重要的作用不是给出答案，而是给出一致的讨论语言。当业务方提出”我们要用低代码重做订单中心”时，技术负责人可以基于分层模型给出有依据的判断，而不是简单地回答”能”或”不能”。

需要补充的是，分层不是静态的。随着平台运行时能力、可观测性、灰度发布机制的成熟，L3 甚至 L4 的边界会持续上移。但企业在当下做决策时，应当基于当前能力边界，而非厂商路线图上的未来承诺。

六、平台选型的技术尽调：七个最容易失分的维度#

选型环节是决定落地前景的分水岭。多数企业的评估清单集中在”功能是否齐全”，而有七个维度往往被忽略，却在生产阶段造成最大困扰。

维度一：确定性运行时与不可变基础设施。 平台是否支持版本固化的独立运行时？当平台升级时，已有应用是否会受影响？这直接决定运维风险。

维度二：数据模型的可迁移性。 应用逻辑能否导出为标准的、可读的结构化描述（如 JSON Schema、BPMN、SQL DDL）？迁移成本是长期 TCO 的关键变量。

维度三：细粒度权限与审计能力。 是否支持字段级权限、行级数据隔离、完整操作留痕？这是能否进入 L3 场景的准入门槛。

维度四：AI 输出的可控性与可解释性。 是否支持约束解码、输出校验、置信度阈值、人工兜底节点？生成结果的每一次调用是否可追溯？

维度五：集成能力的深度。 不只是”有多少连接器”，而是是否支持自定义协议、批量同步、增量抽取、失败重试、幂等控制。

维度六：性能与并发基线。 要求厂商提供可验证的压测报告，而非宣传页上的”高性能”。重点看大数据量列表渲染、复杂流程并发实例、批量导入的实测数据。

维度七：资产复用与生态成熟度。 平台是否提供企业级组件市场、模板沉淀机制、跨团队共享能力？这决定了规模效应能否出现。

在一次针对 6 家主流平台的横向评测中（评测维度共 12 项，样本为模拟的跨系统工单协同场景），排名靠前的平台在”运行时确定性”与”数据可迁移性”两项上得分明显领先，综合评分 9.2/10，而部分以”AI 生成速度”为卖点的平台，在上述两项上得分不足 6 分。这提示我们：AI 生成速度是入场券，工程确定性才是通行证。

选型建议采用”三步尽调法”：第一步，用企业真实的一个 L2 场景做 2 周概念验证，重点压测非功能指标；第二步，验证数据导出与迁移路径，确认退出成本；第三步，访谈 2—3 家同行业已上线 12 个月以上的客户，重点询问”上线后遇到的最大问题是什么”。

七、组织与治理：规模化落地绕不过去的隐性门槛#

技术选型只解决 40% 的问题，剩下 60% 在组织。

第一，建立卓越中心（CoE）而非单纯采购平台。 调研显示，设立专职 CoE（3—8 人规模）的企业，其低代码应用的生产稳定率比未设立的企业高出 26 个百分点。CoE 的职责不是开发，而是制定规范、沉淀组件、审核准入、培训赋能。

第二，明确”谁可以发布什么”。 建议采用分级授权：业务人员可自助发布 L1 层、非敏感数据的应用；涉及客户数据、资金、合规的应用，必须经过 IT 评审。这个规则必须写进制度，而非停留在口头共识。

第三，建立应用资产台账。 每个低代码应用都应有明确的责任人、业务归属、依赖清单和下线日期。行业实践中，建立台账的企业在应用数量超过 200 个后，运维成本增速明显低于未建立台账的企业。

第四，把 AI 使用纳入合规框架。 包括：哪些数据可以送入模型、生成内容的审核责任归属、提示词与输出的留存策略、第三方模型的供应商管理。

一个值得参考的实践案例：某大型制造集团在 2024 年启动了”低代码三阶段推进计划”。第一阶段（6 个月）只做 L1 场景，目标是沉淀 50 个可复用组件；第二阶段（6 个月）开放 L2 场景，同时上线应用台账与分级授权制度；第三阶段才引入 AI 智能体编排，并用 3 个月做灰度验证。截至 2025 年底，该集团累计上线低代码应用 340 余个，生产稳定运行率 91%，组件复用率 58%，三年期 TCO 相比传统开发模式降低约 29%。这个节奏的价值在于：它把治理能力的建设与场景复杂度的提升同步推进，而不是先冲规模再补治理。

八、落地前景预判：2026—2029 年的三条演进曲线#

基于前述分析，我对未来三到四年的落地前景给出三条曲线的判断。

曲线一：AI 能力曲线——从”生成”走向”验证”。 未来竞争焦点将从”能不能生成应用”转向”能不能验证生成结果”。我们预计到 2027 年，主流平台将普遍内置形式化校验、自动化测试生成、依赖影响分析等能力，AI 在开发流程中的角色从”代笔人”变为”审校者 + 执行者”的组合。

曲线二：治理成熟度曲线——从工具治理走向资产治理。 随着企业内低代码应用数量突破百级、千级，治理重心将从”管住工具”转向”管好资产”。可复用的业务能力组件、标准化的集成模式、统一的可观测体系，会成为企业新的核心竞争力。预计到 2028 年，头部企业的低代码资产复用率将从当前平均 18% 提升至 45% 以上。

曲线三：价值兑现曲线——从效率指标走向业务指标。 目前多数企业的价值叙事仍停留在”节省了多少人天”。随着市场成熟，评价体系会逐步转向业务侧：需求响应时延、业务试错成本、一线决策速度。这个转变不会自动发生，需要技术负责人主动推动计量口径的迁移。

对三条曲线的综合判断是：AI + 低代码的落地前景是确定的，但兑现节奏会明显慢于市场预期。 2026—2027 年是以治理补课和场景收敛为主的”夯实期”，2028 年前后有望进入规模复利阶段。对技术决策者而言，现在最重要的不是抢首发，而是把基线数据、治理规则、场景边界这三件事做扎实。

九、结语：让技术重新回到业务价值的坐标系#

回到文章的起点。当我们抛开厂商叙事与资本热度，用业务价值这把尺子去重新审视 AI 与低代码的结合，结论其实并不复杂：这是一项真实有效但被过度承诺的技术组合，它的上限取决于企业的工程治理能力，而不是模型参数规模。

对技术决策者而言，三条建议值得反复提醒自己：

第一，先定标尺，再选平台。 没有基线数据的选型，本质上是把判断权交给了销售材料。

第二，先收敛场景，再扩张规模。 L1 层做透、做规范、做成模板库，比同时在四个层级铺开更有价值。

第三，把 AI 当作增强而非替代。 在人可审查的粒度内使用 AI，是当前阶段最稳妥也最高效的路径。

技术的价值从来不在技术本身，而在于它是否让业务跑得更快、试得更便宜、决策更准确。理性审视 AI + 低代码的落地前景，本质上是在审视我们自己是否具备把技术转化为业务价值的能力。这个能力，才是真正决定胜负的变量。