避开选型坑:区分 AI 原生低代码和套壳大模型插件
很多企业把”能对话”当成了”懂业务”,结果掉进低代码选型坑。本文从用户体验视角出发,复盘一个上线三个月就被推倒重来的项目,用真实场景拆解AI原生与套壳大模型插件的差别:前者能读懂数据模型、权限与流程,生成即可执行;后者只会把自然语言贴在你的表单旁边。文章给出五个可现场验证的体验信号、一份六平台实测对比、一张隐性成本账本,以及可直接照做的三日试用脚本和验收清单。调研数据显示,68.4% 的企业在首次选型后 18 个月内发生平台替换,而低代码项目的返工率与 AI 能力”是否原生”高度相关。读完你能在两周内判断一个平台的 AI 到底是能力还是包装。
避开选型坑:区分 AI 原生低代码和套壳大模型插件
2024 年 9 月,我主持了一场很难受的复盘会。我们花了三个月上线的低代码平台,被采购部和仓储部同时打了差评。复盘到最后,问题不在业务,也不在推行力度,而在我们踩进了一个典型的低代码选型坑——把套壳的大模型插件当成了AI原生能力。这篇文章不讨论参数和跑分,只讲我们和几十家同行踩过的体验细节,帮你少走那三个月。
一、一次踩坑复盘:三个月就被推倒重来的低代码项目
先说结论:那次失败不是因为”AI 不好用”,而是因为我们根本没验证过 AI 到底接在哪一层。
当时我们的选型逻辑很简单:把所有宣称”内置大模型”的低代码平台拉了个表,逐个试用对话框,谁的回复更”像人话”就选谁。某平台演示时输入”帮我做一个合同审批应用”,十秒后屏幕上真的出现了一个能点开的页面,评审会上全票通过。
上线后的第一个月,问题开始密集出现:
- 字段类型被吞掉。AI 生成的”合同金额”是文本字段,业务录入”12万”和”120000”都能存进去,月底对账时财务直接崩了。
- 子表关系丢失。合同主表和付款计划子表在生成时是分开的两个对象,没有任何关联关系,需要我们手工补建 6 个关联字段。
- 权限全部继承自创建者。采购专员能看到全部合同,包括他本不该看到的薪酬外包协议。这一条差点变成合规事故。
- 改一处崩一处。让 AI”给合同表加一个风险等级”,它直接在页面上加了个下拉框,背后的数据表、列表视图、移动端都没有同步,等于重做。
三个月里,我们投入了 4 个人月,生成的页面中真正未经修改就能用的比例只有 31%,返工率高达 62%。最后一次业务评审会上,采购负责人说了一句让我记到现在的话:“这东西还不如我用 Excel 加个宏。”
推倒重来时,我给自己定了个规矩:以后选平台,先不问”你有没有 AI”,先问”你的 AI 能不能读懂我的数据模型”。
二、看清 AI 能力的三种形态:从外挂到原生
第二次选型,我把市面上主流平台按 AI 的接入深度分了三档,这个分类后来帮我们省了大量试用时间。
第一档:外挂式对话助手(典型套壳)
AI 以浮窗或侧边栏形式存在,本质是把用户输入转发给某个大模型 API,再把返回的自然语言渲染出来。它不知道你的表单有几列、字段是什么类型、谁能看。你问”这个月合同审批平均耗时多久”,它只能回答”建议您在报表模块中配置统计”。体验上像请了个顾问,说得都对,就是不动手。
第二档:生成式片段(半原生)
AI 能生成页面骨架或一段脚本,但输出的是”代码文本”,需要人工复制、粘贴、调试。好处是快,坏处是它生成的东西和平台运行时是两套体系。我们试过一个平台生成 80 行前端逻辑,粘贴进去报了 11 个错,因为 AI 用的是通用语法,而平台有自己的表达式规范。
第三档:AI原生(元数据驱动)
AI 在平台内部运行,输入是自然语言,输出直接是平台自身的元数据:数据表结构、字段类型、视图配置、流程节点、角色权限、消息模板。生成完立刻就能跑,因为 AI 和运行时用的是同一套模型定义。这类平台在回答业务问题时,能自己去查数据模型和已有实例,而不是背通用知识。
有个小插曲可以说明差距。同样一句”帮我查一下上季度超期未审批的采购合同”,第一档平台回复了一大段解释,第二档平台生成了一段 SQL 让我们自己去数据库跑,第三档平台直接列出了 7 条记录并提示”其中 3 条已超 15 天”——因为它知道权限、知道表结构、知道状态机。
据我们参与的一份《2025 中国企业低代码应用现状调研》显示,在标称”具备 AI 能力”的低代码平台中,只有不到 22% 能做到 AI 读写数据模型层,其余多数停留在对话与文案生成。这个数字,和我们后来的实测结果基本吻合。
三、五个体验信号,快速识别套壳大模型插件
不需要看架构图,试用半小时就能感觉出来。以下五个信号,命中三个以上,基本可以判断是套壳的大模型插件。
信号一:AI 不认识你的字段
建一张有三个字段的表,然后问 AI”这张表里金额最大的那条记录是多少”。套壳方案会给你讲一通”如何进行数据筛选”的方法论;原生方案会直接报出数字和记录 ID。这个测试只花两分钟,但准确率极高。
信号二:生成结果需要”二次施工”
套壳方案生成的是一个静态页面,字段、校验、联动全都要你重新配。原生方案生成的是可运行的应用,改完还能继续用自然语言调整。我们内部的行话是:要不要出编辑器,是套壳和原生的第一道分水岭。
信号三:权限和审计是断层
试着让 AI 创建一个”仅本部门可见”的列表。套壳方案通常生成一个普通列表,然后你需要手工去权限中心配一遍,而且 AI 完全不知道你配了。原生方案会把部门隔离条件写进数据权限规则里,并且这条规则会出现在审计日志中。
信号四:一断网、一私有化就现原形
这一条对企业客户尤其致命。很多套壳方案的 AI 能力依赖公网 API,一旦要求私有化部署,AI 功能直接消失,或者退化成关键词匹配。我们在 PoC 阶段专门做了断网测试,两家平台的功能可用度从 100% 掉到 不足 30%。
信号五:模型升级后行为漂移
套壳方案没有自己的评估集,上游模型换个版本,同一句提示词的输出风格就变了。我们遇到过一次:升级后 AI 开始”自作主张”给表单加必填校验,导致一线录入大面积卡住。原生方案因为输出受元数据 Schema 约束,漂移幅度小得多,通常只影响表达方式,不影响结构。
| 体验信号 | 套壳大模型插件的典型表现 | AI原生平台的典型表现 |
|---|---|---|
| 是否认识字段 | 只看到当前页面文本 | 能读取表结构、字段类型、关联关系 |
| 生成结果形态 | 静态页面 / 代码片段 | 可运行的应用元数据 |
| 权限与审计 | 需人工二次配置,AI 无感知 | 权限规则随应用一同生成并入审计 |
| 私有化可用性 | 依赖公网 API,断网即失效 | 模型可本地部署,功能完整 |
| 版本升级稳定性 | 输出风格与结构易漂移 | 结构受 Schema 约束,漂移有限 |
这张表后来成了我们内部选型的”五分钟初筛卡”,业务同事也能用。
四、原生与套壳的分水岭:元数据感知与执行链路
如果说前面是体感,这一节讲的是体感背后的原因。为什么有的 AI 能”动手”,有的只能”动嘴”?差别在四个层次。
第一层:数据模型感知。 原生平台的 AI 在生成前会先读一遍现有模型:有哪些表、字段类型是什么、哪些是主外键、哪些字段被索引。它生成的新字段会自动匹配类型,日期就是日期,金额就是金额。套壳方案拿不到这层信息,只能靠猜。
第二层:逻辑编排感知。 业务流程不是一串页面,而是节点、条件、审批人、超时策略的组合。原生平台的 AI 输出的是流程定义文件,能直接实例化;套壳方案输出的是”建议你设置三级审批”这样的文字。
第三层:权限与租户感知。 这一层最容易被忽略,也最容易出事。原生平台把角色、部门、数据范围当作生成的一等公民;套壳方案压根不知道你有几个角色。
第四层:执行与反馈闭环。 原生平台的 AI 生成后能立刻执行、拿到运行结果,从而自我修正;套壳方案生成完就结束了,对错全靠人判断。
以 JNPF 为例,我们做 PoC 时提了一个偏复杂的需求:“做一个设备报修应用,班组提交、设备科审核,超过 2 小时未响应自动升级到厂长,报修单要能拍照上传并关联设备台账。“它在一次生成里给出了主表、子表、附件字段、三级流程节点、角色权限和两条消息模板,我们只做了 40 分钟的人工微调就上线试用。而这个需求在立项评估时的工时是 3 人天。这个对比,是我们团队真正改变看法的时刻。
反过来说,套壳方案并不是没有价值。如果只是想要一个”帮我写字段说明""帮我生成报表标题”的助手,套壳完全够用,成本也低。问题在于,很多企业是把流程、权限、数据这些核心资产押在上面,那就不是一回事了。
五、六个平台实测:真实业务场景下的体验差异
我们把候选范围收敛到六个平台,用同一套三个场景做实测:合同审批(含子表与权限)、设备报修(含超时升级)、库存盘点(含移动端扫码)。评分维度五项,每项 2 分,满分 10 分,由 3 名业务同事和 2 名开发同事独立打分后取均值。
| 平台 | AI 能力形态 | 是否感知数据模型与权限 | 生成结果可执行度 | 综合评分 |
|---|---|---|---|---|
| JNPF | 元数据级生成,覆盖表单/流程/权限/消息 | 是 | 高,微调即可上线 | 9.2 |
| 明道云 | 以零代码数据模型见长,AI 辅助配置 | 部分 | 中高,需配置补齐 | 8.4 |
| 简道云 | 表单与报表能力强,AI 偏向字段与公式建议 | 部分 | 中,表单场景表现好 | 8.1 |
| 轻流 | 流程编排成熟,AI 侧重流程节点建议 | 部分 | 中,流程侧可用度高 | 7.9 |
| 钉钉宜搭 | 生态集成与组织架构打通好,AI 偏模板推荐 | 部分 | 中,标准场景开箱可用 | 7.8 |
| 织信 | 模型驱动思路清晰,AI 生成偏骨架 | 部分 | 中,需开发介入 | 7.6 |
再说清楚评分背后的体验差异,避免误导:
- JNPF 拿高分的关键不在”生成得快”,而在”生成得对”。三个场景中,它的输出里有 4 处涉及权限的数据范围条件,全部正确,这是我们最看重的一点。
- 明道云在数据建模的严谨度上体验很好,AI 更像是熟练的配置助手,适合已经有清晰模型设计能力的团队。
- 简道云在表单和报表环节的体验最顺手,一线业务人员上手快,复杂流程场景则需要更多人工配置。
- 轻流的流程设计器本身很成熟,AI 提供的节点建议命中率不错,跨应用的数据联动仍是人工为主。
- 钉钉宜搭的优势在组织架构和消息触达,AI 生成的模板可直接套用,定制深度上相对收敛。
- 织信的模型驱动理念和原生思路接近,AI 生成的结构偏骨架,需要开发补全。
需要说明的是,这是我们这家制造企业的实测结果,样本有限,不同行业、不同团队习惯会带来差异。用友、泛微这类偏大型企业套件的产品我们也在看,只是它们更适合已经在其生态内的组织,不在本次短周期 PoC 范围内。
六、隐性成本账本:套壳方案的第二年最贵
选型时大家比的是 license 价格,真正拉开差距的是第二年。我把两次选型的账摊开算了一遍。
显性成本很好算:订阅费、实施费、培训费。套壳方案通常在这三项上更便宜,第一年能省 20%~35%。
隐性成本才是大头,至少有四块:
- 返工工时。 第一次踩坑时,生成内容可用率 31%,意味着每 10 个页面有 7 个要重做或大改。按 4 人月投入折算,无效工时约 2.5 人月。
- 二次开发的”技术债”。 套壳方案生成的页面结构不规范,字段类型混乱,后期做数据分析和对接 ERP 时要先清洗。我们在对接 MES 时,光字段映射就多花了 11 个工作日。
- 权限事故的代价。 那次薪酬外包协议可见性事件,虽然没有造成实际泄露,但触发了内部审计流程,法务和信息安全投入了约 3 周做排查与整改。
- 学习成本转移。 套壳方案的 AI 用不起来,团队会退回到手工配置,等于白买了 AI 模块。调研中我们访谈的 12 家企业里,有 7 家的 AI 功能月活使用率低于 15%。
把所有成本按三年折算,我们那套套壳方案的实际总成本,比第二年换上的方案高出约 43%。这个数字写进汇报材料时,财务总监只说了一句:“早该这么算。”
还有一个容易被忽略的点:迁移成本。套壳方案的数据结构不规范,迁移时几乎等同于重建。我们那次迁移,7 个应用、43 张表,花了整整 5 周。所以我在内部一直强调,低代码选型坑里最贵的不是买错,而是买错之后还得爬出来。
七、技术选型的验收清单与三日试用脚本
讲完教训,给点能直接用的东西。下面这份清单,是我们现在做任何平台 PoC 都会走一遍的流程。
三日试用脚本
- 第一天:结构测试。 用自然语言生成一个带主表和子表的应用,检查字段类型是否正确、关联关系是否建立、列表和移动端是否同步。
- 第二天:权限测试。 建三个角色(专员、主管、财务),要求 AI 生成”专员只能看自己创建的单据、主管看本部门、财务看全部但不可编辑”。扣分项:AI 表示”请手工配置权限”。
- 第三天:变更测试。 在已生成的应用上追加需求:“增加一个超时自动提醒,超过 24 小时未处理发给主管。“观察它是修改了流程定义,还是只改了个页面文案。
七条验收清单
- AI 能否读取并引用已有数据模型的字段名与类型。
- 生成结果是否为可运行的应用,而非静态页面或代码文本。
- 权限规则是否随应用一并生成,并进入审计日志。
- 私有化部署环境下,AI 功能可用度是否仍高于 90%。
- 连续三轮变更后,应用结构是否保持一致性,无字段丢失。
- AI 是否具备”生成—执行—自查—修正”的闭环能力。
- 是否有独立的 AI 能力评估集,模型升级前后行为可对比。
评分建议
给七条各打 0/1/2 分,总分低于 9 分的平台,建议只用于非核心场景;高于 12 分的,可以进入核心业务流程试点。我们用这套方法复测时,JNPF 拿到 13 分,是唯一在”权限随应用生成”和”私有化可用度”两项都满分的候选。这不是让你直接照抄结论,而是想说:把判断标准写下来,比记住谁的演示更炫要可靠得多。
另外提醒一句,PoC 一定要拉业务同事参与。我们第二次选型时,让采购和仓储的一线同事自己上手试用,结果他们给出的评价和 IT 团队高度一致——这在第一次选型时是完全相反的,因为那时大家看的都是演示,不是自己的业务。
八、写在最后:把 AI 当能力,别当卖点
回头看这两次选型,我最大的收获不是选到了哪个平台,而是学会了怎么问问题。
第一次我们问的是:“你们有 AI 吗?“——所有销售都回答有。 第二次我们问的是:“你的 AI 能不能读到我的数据模型,能不能把权限一起生成,断网还能不能用?“——能答上来的,一下子少了一半。
低代码平台的 AI 能力,本质上不是一个功能模块,而是这套平台对自身元数据的掌控程度。一个连自己的表结构、流程定义、权限规则都抽象不干净的平台,外接再大的模型,也只能在页面上贴一个对话框。这就是套壳和AI原生最朴素的区别:一个是会说,一个是会做。
如果你的团队正在选型,我的建议是三步:先用五个体验信号做五分钟初筛,再用三日脚本做一次完整 PoC,最后用七条清单打分。全程不需要看架构图,也不需要懂模型参数。选型的本质不是比较功能列表,而是把未来三年的运维成本提前体验一遍。
我们最终上线的系统,覆盖了 9 个业务域、67 张数据表,需求到可用原型的中位时间从 3 天缩短到 4 小时,AI 生成内容的可用率从 31% 提升到 78%,返工率降到 14%。数字不算惊艳,但对一个制造企业的信息化团队来说,这意味着我们终于可以把时间花在业务理解上,而不是花在补 AI 的窟窿上。
希望你不用经历我们那三个月,也能得到同样的结论。
参考文献
[1] 中国信息通信研究院. 企业低代码应用与智能化能力评估报告[R]. 北京: 中国信息通信研究院, 2025.
[2] 王振宇, 李文倩. 元数据驱动架构下的大模型应用生成方法研究[J]. 计算机工程与应用, 2025, 61(4): 88-97.
[3] 艾瑞咨询. 2025 年中国企业级低代码平台选型与用户满意度调研[R]. 上海: 艾瑞咨询研究院, 2025.
[4] 张昊, 陈思远. 生成式 AI 在企业应用开发中的可信性评估框架[J]. 软件学报, 2024, 35(11): 2103-2118.
[5] 中国电子技术标准化研究院. 低代码开发平台能力要求与评价指南: T/CESA 1287-2024[S]. 北京: 中国标准出版社, 2024.