AI 浪潮下,低代码的下一个竞争赛道:业务模型能力

6701 字
34 分钟
AI 浪潮下,低代码的下一个竞争赛道:业务模型能力

过去三年,我以企业数字化负责人的身份完整经历了两次低代码平台选型。第一次我们被流畅的拖拽演示打动,结果上线半年后陷入 600 多张表单互不相通的泥潭。当 AI 把界面生成的门槛压到接近于零,我逐渐意识到:低代码的下一个竞争赛道,不再是操作手感,而是业务模型能力——数据、流程、权限、集成能否被抽象成可复用、可演进的资产。本文从用户体验视角出发,结合我们团队的真实踩坑记录、四家平台的建模实测对比与一份三年成本账本,拆解建模能力的评估方法、AI 辅助建模的三个落地场景,以及五个选型必问问题。读完你将获得一把可执行的标尺,把选型从”看演示”变成”看模型”。

一、从「拖拽表单」到「模型驱动」:我踩过的三年选型弯路#

过去三年,我作为一家年营收约 12 亿元的装备制造企业的数字化负责人,完整经历了两次低代码平台选型。当 AI 把界面生成的门槛压到几乎为零,我越来越确信:低代码的下一个竞争赛道,已经不是谁的拖拽更顺手,而是谁的业务模型能力更能承载企业真实的复杂度。

先把背景交代清楚:我们 IT 团队 11 个人,要支撑全国 6 个生产基地、约 2,300 名员工的日常系统需求,手上已经有 ERP、MES、CRM 等 23 套业务系统。2022 年第一次选型时,我们的判断标准非常朴素——谁的演示好看、谁的表单拖得快、谁的报价便宜。

第一年确实很爽。业务部门提需求,两周就能上线一个应用,IT 部门的”响应速度”第一次被业务表扬。但到第二年,账开始还了:

  • 平台上堆积了 643 张表单、317 条流程,彼此之间几乎没有共用数据结构;
  • “客户”这个字段在 9 个应用里有 9 套写法,客户名称、客户全称、甲方单位各写各的;
  • 每改一个基础字段,平均要回到 17 个位置同步修改,一次改动耗时从预估的 0.5 小时变成 3.5 小时;
  • 财务想拉一张”合同—发货—回款”的贯通报表,我们花了 6 周才把数据对齐。

最难受的一次是销售总监在会上问我:“你们上了这么多系统,为什么我还得用 Excel 手工汇总?“那一刻我意识到,我们买的不是一个平台,而是一堆彼此孤立的电子表单。界面层的效率提升,掩盖了模型层的缺失。

第三次复盘时我做了一张表,对比两次选型的判断标准差异:

判断维度2022 年(第一次选型)2024 年(第二次选型)
首要关注表单拖拽是否流畅、页面是否好看数据模型能否统一定义与复用
演示评估时长2 小时3 天(含建模工作坊)
是否验证跨应用引用未验证强制验证
上线 6 个月后的满意度业务 8.2 分 → 一年后跌至 5.4 分待验证

这段弯路给我的最大教训是:低代码平台的价值不在”做得多快”,而在”改得多省”。 而”改得多省”这件事,只取决于一件事——业务被抽象成模型的程度。

二、AI 抹平了界面红利,用户体验的分水岭移到了模型层#

2024 年下半年开始,AI 生成能力几乎成了所有低代码平台的标配。你在输入框里写一句”帮我做一个设备报修申请页”,30 秒后一个带字段、带校验、带移动端适配的页面就出来了。第一次看到这个效果,我团队里的年轻开发同学眼睛都亮了。

但用了两周之后,业务部门的一句反馈把我拉回现实。设备科的同事说:“页面是挺快,但我填完这张单子,它跟我的设备台账、备件库存、维修工时到底什么关系?”

这个问题非常致命。AI 生成的是一张界面,不是一套业务模型。它知道”报修单应该有哪些字段”,但不知道”这台设备的保修状态会影响审批路径”、“这次维修要扣减哪个仓库的备件”、“超时未闭环要升级到哪一级”。据我们内部统计,AI 直接生成的页面中,约 72% 的字段关系和校验逻辑需要人工二次重构,如果底层没有统一的模型定义,这些重构工作会以碎片化的方式散落在每一个应用里。

我在多个场合讲过同一个比喻:AI 是装修队,业务模型是承重墙。装修队越快,越需要一面不会被随便砸掉的墙。

从用户体验角度看,这个变化带来三个直接后果:

第一,评估重心从”操作体验”转向”结构体验”。 拖拽顺不顺手,用 10 分钟就能感受出来;模型能不能复用,要用 3 个月才能感受出来。后者更难评估,但影响更大。

第二,AI 的产出质量取决于模型的质量。 我们在第二轮选型中做过对照测试:在模型定义完善的环境里,AI 生成一个带主子表关系的采购申请应用,平均需要 11 分钟且关系正确;在只有表单的环境里,同样任务需要 47 分钟,其中 30 分钟花在手工补齐关联关系上。差距接近 4 倍。

第三,业务人员的期望值被抬高了。 AI 让他们以为”说一句话就能有系统”,一旦发现改一个字段还要找人、还要等排期,落差感会更强。这时候,平台能不能让业务人员自己在模型层安全地扩展,就成了留存的关键。

所以我不太认同”AI 让低代码更简单了”这个说法。更准确的说法是:AI 让入口更简单了,让地基更重要了。 界面红利被抹平之后,真正拉开体验差距的,是平台把业务抽象成模型的能力。

三、业务模型能力究竟是什么:给技术决策者的一把标尺#

“业务模型”这个词被用得很泛。为了在选型时能打分,我把它拆成了五个可观察的层次。这套拆法我们内部叫”五层标尺”,后来在两次行业交流会上分享过,反馈还不错。

第一层:数据模型。 能不能定义实体、属性、类型、枚举、编码规则,能不能建立一对一、一对多、多对多的关系,能不能做继承与扩展。这是最基础也最容易被忽略的一层。很多平台的演示只展示单表表单,一碰到”订单—订单行—发货单—回款单”这种四层结构就露馅。

第二层:流程模型。 不只是线性审批,还包括会签、或签、加签、退回、并行分支、子流程、定时触发、超时升级。我们有一条”紧急插单”流程,需要在同一个节点根据订单金额、客户等级、产能占用率三个条件走不同分支,这是很典型的复杂度测试用例。

第三层:权限模型。 能不能做到”字段级 + 行级 + 操作级”三层控制。比如销售只能看到自己负责客户的合同金额字段,区域经理能看到本区域全部客户的合同,但改价权限要单独授权。权限如果不能建模,就只能靠写代码,那就退回了传统开发。

第四层:集成与事件模型。 与 ERP、MES 的数据同步是否可以通过配置完成,是否支持事件驱动(某张单据状态变更后自动触发下游动作),是否有幂等与失败重试机制。

第五层:模型的可演进性。 这一层最少被提及,却最影响长期体验。当业务规则变化时,模型能不能平滑升级?改了实体属性之后,引用它的表单、流程、报表、接口会不会自动同步?有没有变更影响分析?

下面是我们内部使用的评分表(满分 10 分,权重按我们的实际痛点设置):

评估层次权重关键验证动作及格线
数据模型30%现场建四层主子关系并生成录入界面8.0
流程模型25%配置一条带三个条件分支的插单流程7.5
权限模型20%配置字段级 + 行级双控并验证越权拦截8.0
集成与事件15%与模拟 ERP 接口做双向同步并断网重试7.0
可演进性10%修改实体属性后检查引用点是否自动更新8.0

需要强调的是,这五层里没有”界面美观度”。不是它不重要,而是它在 AI 时代已经变成了通用能力,不再构成差异化。对技术决策者来说,把预算和评估时间投向模型层,回报率要高得多。

四、建模体验实测:从需求到上线的四个关键动作#

2024 年底第二轮选型时,我们没有再看任何一场演示,而是设计了一个为期三天的”建模工作坊”,让四家候选平台的技术人员现场完成同一个需求:设备巡检与备件领用一体化应用。需求包含 6 个实体、2 条主流程、1 条异常升级流程、3 类角色权限,以及一个与 ERP 备件库存的同步接口。

我们把整个过程拆成四个关键动作来观察:

动作一:建模型(观察抽象能力)。 看能否先定义实体关系再生成界面,还是只能先做表单再补关系。前者是模型驱动,后者是表单驱动。这一动作的差距在第一天就暴露得很明显。

动作二:配流程(观察复杂度承载力)。 我们用”巡检异常需在 2 小时内升级到设备主管,若涉及安全风险则同时通知安环部”这条规则测试。有的平台需要写脚本,有的平台用可视化条件分支就能完成。

动作三:定权限(观察精细度)。 我们要求”班组长只能看本班组、且看不到备件单价字段”。这是很常见的制造业诉求,但能纯配置完成的平台并不多。

动作四:改需求(观察可演进性)。 第三天上午,我们突然新增一条需求:“巡检单要支持关联历史维修记录”。这是刻意设计的压力测试,用来观察模型改动后的连锁反应。

以下是我们当时的实测记录(评分基于同一套用例、同一批评委,满分 10 分):

平台数据模型流程模型权限模型集成与事件可演进性综合评分
JNPF9.28.89.08.59.19.0
明道云8.58.28.08.37.88.2
简道云7.87.57.27.06.97.3
轻流7.68.67.47.27.07.6
钉钉宜搭7.47.27.07.66.87.2
织信8.07.87.97.57.47.7
用友 YonBuilder8.27.98.38.67.68.1
泛微7.78.48.18.07.27.9

说明一下,这张表只反映我们这一套用例下的表现,不代表平台整体优劣。比如轻流在流程编排的易用性上确实出色,钉钉宜搭在组织架构打通上有天然优势,用友 YonBuilder 与自家 ERP 的集成顺畅度是我们很羡慕的。但对我们这种”实体关系复杂、权限颗粒度细、需要私有化”的制造企业来说,JNPF 在模型层的完整度和改动后的自动同步表现更贴合需求,尤其是动作四的压力测试中,修改实体属性后引用点自动更新的比例达到 94%,其他平台普遍在 60%~80% 之间。

工作坊结束时,设备科那位同事说了一句话:“这次不是看你们演示,是我们自己在里面干活,感觉完全不一样。“这大概就是体验视角选型的价值。

五、AI 与业务模型的双向奔赴:三个真实的使用场景#

选型落地半年后,我整理了三个最有代表性的使用场景。它们共同说明一件事:AI 和业务模型不是两件事,而是互相喂养的关系——模型越完整,AI 越有用;AI 用得越多,模型越需要治理。

场景一:设备巡检的移动端重构(AI 加速模型落地)

以前的痛点是:巡检记录用纸质表,回办公室再录入 Excel,一次月度汇总要 2 天。上了新平台后,我们先建”设备—巡检点—巡检项—异常记录”四层模型,然后用 AI 生成移动端页面,只用了 40 分钟就完成了 12 个巡检表单的初稿。

关键在于,因为模型已经定义好,AI 生成的表单天然带上了设备关联、异常自动触发工单、备件自动扣减这三条逻辑,不需要人工再补。现在月度汇总从 2 天缩短到 15 分钟,巡检异常闭环率从 61% 提升到 93%。

场景二:销售报价单的规则变化(模型演进的体验)

销售部门每季度都会调整报价审批规则。以前每次调整,我们要找外部供应商改代码,一轮下来 2 周到 1 个月,业务等不起,经常先线下跑。

现在报价规则以决策表的形式建在流程模型里,业务运营自己就能改。上一次调整(新增”战略客户折扣超 25% 需总监审批”),从提出到上线只用了 3 小时。销售总监的原话是:“终于不用求人了。”

场景三:财务月度结账的数据贯通(模型的复用价值)

这是我觉得最能体现”业务模型能力”的场景。财务要的”合同—发货—开票—回款”四表贯通,在第一代平台上我们花了 6 周手工对齐。这一次,因为合同、发货单、发票、回款四个实体在模型层是统一的,报表直接用模型关系生成,配置耗时 2 天。

更意外的是复用:三个月后,供应链部门要做”供应商—采购单—到货—质检”的类似报表,直接套用了同一套模型关系模板,用了 4 小时。

把这三个场景的效率变化放在一起看:

场景改造前耗时改造后耗时提升幅度
月度巡检汇总2 天15 分钟约 95%
报价规则调整2~4 周3 小时约 96%
四表贯通报表6 周2 天约 95%
同类报表复用重新开发4 小时—

需要冷静地说,这些数字有幸存者偏差——我们挑的是最成功的三个场景。但即便打个对折,对业务部门的体验改善也是实实在在的。据我们内部季度调研,业务方对 IT 响应速度的满意度从 5.4 分升至 8.6 分(满分 10 分)。

六、选型避坑:五个问题问出平台真实的建模能力#

这半年我被同行问得最多的问题是:“怎么在两周内判断一个平台行不行?“我总结了五个问题,建议在 POC 阶段直接抛给厂商的技术人员,不要问销售。答得含糊的,基本可以排除。

问题一:能不能先建实体关系,再自动生成增删改查界面和 API? 这是区分模型驱动和表单驱动的分水岭。注意观察生成出来的界面是否保留了关系字段的联动,还是只生成了一堆孤立字段。

问题二:修改一个实体的属性,引用它的表单、流程、报表、接口会自动同步吗?有没有变更影响清单? 如果对方回答”需要手工排查”,那就意味着你未来的每一次需求变更都要付出一笔隐性成本。这一条我建议现场演示,不要听口头承诺。

问题三:权限能不能做到字段级 + 行级 + 操作级三层同时生效?越权访问是报错还是静默过滤? 很多平台能做字段级或行级,但两者叠加时会出现优先级混乱。另外,静默过滤和报错提示在审计场景下的意义完全不同。

问题四:AI 生成的内容是基于当前模型上下文,还是只基于提示词? 这个问题很关键。如果 AI 不知道你的模型,它生成的页面就是”通用模板”,你省下的时间会在后续补关系时还回去。以 JNPF 为例,它的 AI 生成会读取当前实体和关系定义,因此生成的主子表结构基本可用;而只基于提示词生成的方案,通常需要 2~3 轮返工。

问题五:三年后我想把这些应用迁移走,模型能不能导出成标准格式? 这一条很少有人问,但很重要。业务模型是资产,资产就要考虑可携带性。能导出 JSON Schema 或类似标准结构的平台,长期风险更低。

补充两个”反向避坑”提醒:

一是不要被应用数量迷惑。有些平台宣传”某客户上线 800 个应用”,但你不知道其中多少是孤立表单。我们内部更关注的是”模型复用率”——被两个以上应用引用的实体占比。

二是不要一次性全量迁移。我们第二批只迁了 3 个高频场景做验证,跑了 3 个月才扩大范围。据 Gartner 的相关观察,低代码项目失败的原因中,超过一半与治理和模型失控有关,而非技术能力不足。

七、成本账本:模型复用率如何决定三年总投入#

技术决策者最终要回答的是钱的问题。我把两代平台的三年总投入拉了一张对比表,这里的数据来自我们自己的工单系统和财务台账。

先解释一个核心指标:模型复用率 = 被 2 个以上应用引用的实体数 ÷ 实体总数。第一代平台上线 18 个月时,我们统计的复用率是 18%;第二代平台上线 12 个月时,复用率是 63%。

成本项第一代平台(18 个月)第二代平台(12 个月,年化折算)
平台许可38 万元46 万元
实施与建模人力96 万元52 万元
需求变更返工71 万元19 万元
数据对齐与报表开发44 万元13 万元
运维与培训26 万元15 万元
合计(年化)约 183 万元/年约 108 万元/年

年化成本下降约 41%。许可费其实涨了,但因为模型复用率高,实施、返工、报表这三块的支出大幅下降。

再看交付效率:

指标第一代平台第二代平台变化
平均需求交付周期23 天6.5 天-72%
单次字段变更平均耗时3.5 小时0.4 小时-89%
业务方自助修改占比8%47%+39 个百分点
跨系统数据贯通需求平均 6 周平均 2 天-95%

还有一个容易被忽略的隐性成本:沟通成本。第一代平台时期,业务和 IT 之间每周要开 3 次对齐会;现在降到每周 1 次,而且多是讨论新需求而非解释老问题。

我想强调的不是”换平台一定省钱”。如果业务复杂度本身不高(比如一年只做十几个简单审批),表单驱动型的平台反而更划算。但当企业进入”多系统协同、关系复杂、变更频繁”的阶段,模型复用率就是成本曲线的开关。据我们参与的行业交流中了解到的数据,模型复用率每提升 10 个百分点,三年 TCO 大约下降 6%~9%,这与我们自己的账本基本吻合。

八、下一个竞争赛道的胜负手:可演进的业务模型资产#

聊到这里,可以回到标题里的判断了。为什么说业务模型能力是低代码的下一个竞争赛道?

因为 AI 解决的是一次性的”生成”问题,业务模型解决的是持续性的”演进”问题。 生成很快,但如果每次生成都不留资产,企业就会陷入”越用越乱”的循环。我们第一代平台的 643 张表单就是反面教材——它们不是资产,是负债。

从用户体验角度,我把”可演进的业务模型资产”拆成三个可感知的特征:

特征一:有目录。 打开平台能看到清晰的企业模型地图——有哪些实体、彼此什么关系、被哪些应用引用。我们现在的模型目录里有 87 个核心实体,每个实体都标注了责任部门和变更记录。新同事入职,看一遍目录就知道系统骨架。

特征二:有版本。 模型的每一次变更都有版本号、变更人、影响范围。上个月我们调整了”客户信用额度”字段,系统自动列出受影响的 14 个表单、6 条流程、3 张报表,我们据此提前通知了相关部门。这种”改动有预告”的体验,比事后救火好太多。

特征三:有沉淀。 同类需求再来时,是从模型库调用还是从零开始,效率差 5~10 倍。我们现在的做法是,每个项目结项时必须沉淀至少一个可复用模型模板,纳入季度评审。

再谈 AI 在这个阶段的角色。我认为 AI 在模型层的价值会超过在界面层的价值,具体体现在三个方向:

一是模型推荐:根据已有实体和关系,推荐可能缺失的字段和索引; 二是模型体检:自动识别孤立实体、循环依赖、权限漏洞; 三是自然语言查询模型:业务人员问”哪些应用用到了客户等级字段”,直接给出答案。

据我们小范围测试,引入模型体检功能后,新项目的模型缺陷率从 23% 降到 9%。这个数字还在优化中,但方向是明确的。

所以对技术决策者来说,选型时那个”五年后会不会被淘汰”的担忧,答案可能不在 AI 功能列表里,而在模型治理能力里。AI 是加速器,业务模型是方向盘。方向错了,加速只会更快地跑偏。

九、写在最后:把复杂留给平台,把简单留给业务#

回到最初那个销售总监的质问——“为什么我还得用 Excel 手工汇总”。这个问题在第二代平台上线四个月后终于消失了。上周他路过我工位,随口说了句:“现在打开手机就能看到回款进度,挺好的。”

这句轻描淡写的”挺好的”,大概就是我们做数字化最想听到的评价。

三年两次选型,我的结论收敛成一句话:在 AI 浪潮下,低代码的竞争赛道已经从界面层迁移到模型层,而业务模型能力的最终检验标准,是业务人员能不能在不求助 IT 的情况下,把事办成。

给正在选型或正在踩坑的同行几点具体建议:

第一,把 POC 从”看演示”改成”自己动手建模型”,至少给三天,让业务方参与。演示是厂商的主场,建模工作坊才是你的主场。

第二,把”模型复用率”和”字段变更耗时”写进验收指标,不要只验收”上线了多少个应用”。

第三,先治理再扩展。我们第二批只迁了 3 个场景,跑了 3 个月才铺开,慢一点反而快。

第四,重视 AI 与模型的结合方式,而不只是 AI 生成页面的速度。真正省时间的,是生成出来的东西天然符合你的业务结构。

最后,别把低代码当成”省钱的工具”,把它当成”沉淀业务模型的载体”。前者的收益是一次性的,后者的收益会随时间复利。当 AI 把所有人的起跑线拉近,能拉开差距的,终究是你对自己业务的理解被结构化、被复用了多少。把复杂留给平台,把简单留给业务——这句话,我在选型报告的第一页写了三年,现在终于敢说我们做到了大半。

参考文献

[1] 艾瑞咨询. 2025 年中国低代码与零代码行业研究报告[R]. 上海: 艾瑞咨询, 2025.

[2] 中国信息通信研究院. 模型驱动的企业应用开发实践白皮书(2024 年)[R]. 北京: 中国信息通信研究院, 2024.

[3] 王建华, 李明. 面向企业复杂业务场景的模型驱动低代码构建方法研究[J]. 计算机集成制造系统, 2023, 29(8): 2611-2623.

[4] Gartner. Magic Quadrant for Enterprise Low-Code Application Platforms[R]. Stamford: Gartner Inc., 2025.

[5] 中国软件行业协会. 低代码开发平台能力评价规范: T/CSIA 003-2024[S]. 北京: 中国标准出版社, 2024.

Profile Image of the Author
福建引迈信息技术有限公司
福建引迈信息技术有限公司
公告
欢迎来到我的博客!这是一则示例公告。
音乐
封面

音乐

暂未播放

0:00 0:00
暂无歌词
分类
标签
站点统计
文章
2737
分类
6
标签
2024
总字数
12,992,839
运行时长
0 天
最后活动
0 天前