业务大模型落地难落地?低代码补齐应用层最后一公里

6961 字
35 分钟
业务大模型落地难落地?低代码补齐应用层最后一公里

2025年,大模型的能力已经不再是瓶颈,瓶颈转移到了应用层。本文从用户体验视角出发,复盘了十余家企业从POC到规模化落地的真实路径:一场投入不菲的AI试点,为什么在三个月内调用量归零?最后一公里究竟卡在数据、接口、界面、权限还是迭代上?我们发现,低代码平台正在成为补齐这段断层的关键脚手架——把模型能力封装成一线员工愿意点的按钮,而不是工程师才敢碰的API。文中包含工单分流、合同审查、经营分析三个实测场景,改造后平均处理效率提升61.3%,并给出七家平台的横评表格与一份可直接照抄的90天落地路线图。如果你正卡在”模型很强、业务不用”的尴尬里,这篇值得读完。

业务大模型落地难落地?低代码补齐应用层最后一公里#

2025年初,摆在企业技术决策者面前的局面多少有些尴尬:AI很热,大模型很强,但能力真正落到业务一线的应用层,中间还横着一段走不完的路。越来越多的团队开始把低代码平台当作打通这最后一公里的脚手架——它并没有改变模型本身的能力边界,改变的是模型能力的交付方式。过去四个月,我们跟着十几支已经走过这段路的团队聊了聊,想知道那最后一公里,到底该怎么走。

一、一场失利的大模型试点:AI撞在了应用层的墙上#

季明远是长三角一家年营收四十多亿的制造集团的信息化总监。2024年9月,他主导了一轮内部大模型试点,选的是当时口碑最好的通用模型API,加上一家头部厂商的智能体平台,预算批了七位数。

到了12月,项目被 quietly 归档。

“模型的准确率其实是够的。“季明远把当时的验收报告翻给我看——在内部整理的3000条工艺问答测试集上,模型回答的可用率达到86.7%,比他们预设的80%门槛还高。但同期后台数据显示,试点期间系统日均调用次数只有27次,而且集中在项目组七八个人身上;一线工程师的账号,三个月里平均每人打开过1.4次。

“我们做了一场很成功的POC,和一场很失败的落地。”

问题出在哪?季明远复盘得很直白:模型被包成了一个网页对话框,工程师要用,得先登录一个陌生系统,把工艺参数手动打进去,再把回答复制回自己的Excel。“他一天要看三十多张工单,凭什么多开一个窗口?”

这不是个案。据国内一家数字化咨询机构2025年一季度的调研,在已完成大模型POC的企业中,只有23.5%的项目在半年内进入了业务部门的日常流程,其余大多停留在技术团队的演示环境里。而受访者提到的首要原因,不是模型能力,也不是算力成本,而是”应用层没有做好,业务方用不起来”。

换句话说,AI 已经翻过了技术这座山,却卡在了应用层这道门槛上。而这最后一段路,恰恰是最不性感、也最容易被跳过的一段——它没有模型参数可以炫,只有按钮、表单、审批流和权限表。

最后一公里不是技术问题,是交付问题。 这是我们在后续所有访谈里反复听到的一句话。而承接这句话的,往往不是更强的模型,而是更懂业务的低代码。

二、三句真话:模型很强,业务为什么用不上#

为了搞清楚落差的具体形状,我们分别找了三个角色深聊:一个一线使用者、一个审核岗、一个开发负责人。他们说的话,几乎构成了一个完整的问题链。

第一句,来自一线:“我不想学提示词。”

杭州一家电商公司的客服主管周琳,团队32人,日均处理工单1100多单。公司给她们上了AI辅助回复,功能很强,但要求客服自己组织话术。“培训了两轮,能写出像样提示词的不到三分之一。剩下的人要么直接放弃,要么把’帮我写个回复’这五个字原样打进去,出来的东西还不如模板。”

她的诉求非常朴素:不要让我写指令,让我点按钮。 点”退款类”,系统就自动带上退款政策、物流状态、客户历史,生成三个候选版本供她选。这本质上不是模型问题,是应用层交互设计的问题。

第二句,来自审核岗:“出了问题算谁的?”

苏州一家医疗器械企业的合同审核员顾伟,对AI的态度更微妙。他们试过用大模型扫合同条款,效率确实高,但没人敢直接用。“它标出’这条有风险’,我得自己回去逐字核一遍才能签字。那我省下的时间又还回去了。”

他要的不是”AI判断”,而是”AI提示+人工确认+留痕”。也就是说,模型输出必须嵌进一个可追责的流程节点里,有审批、有版本、有回滚。这套东西,单靠一个模型API是做不出来的。

第三句,来自开发负责人:“排期排不进去。”

深圳一家物流企业的研发经理陈涛,手底下18个开发。“业务提了11个AI需求,我今年能排进去2个。每个需求都要前端、后端、接口联调,最短的也要三周。“他坦言,模型接入本身三天就能搞定,剩下二十天全耗在界面、权限、数据对接和上线运维上——也就是那”最后一公里”。

三句话拼起来,答案已经很清楚了:模型是原料,应用层才是产品。 企业在AI上的投入之所以大量沉没,不是因为原料不好,而是因为缺少一条能把原料加工成产品的产线。而低代码,正在扮演这条产线的角色。

三、最后一公里的五道坎:从数据入口到界面出口#

把访谈里的抱怨做归因,我们发现这最后一段路,其实要跨过五个具体的坎。每一道都不算难,但少一道,整条链路就断。

第一道坎:数据入口。 大模型的输出质量高度依赖上下文。一线员工的真实场景里,数据散在ERP、CRM、工单系统、共享盘甚至微信里。如果应用层不能自动把这些数据”喂”进模型,用户就得手动复制粘贴——体验直接崩塌。

第二道坎:接口封装。 模型API对工程师友好,对业务人员不友好。真正的应用层需要把”调用模型”这件事,包装成一次表单提交、一个字段填充、一次批量处理。这一步做不好,模型永远只能在技术团队的浏览器标签页里活着。

第三道坎:界面落点。 这是最容易被低估的。AI能力必须出现在用户已经在的地方——工单详情页的一个按钮、合同附件旁的一个高亮块、报表页面的一个追问框。换一个系统,就等于换一次使用习惯,转化率会掉一个数量级。 前面提到的季明远那个项目,日均27次调用,几乎全部损失在”多开一个窗口”上。

第四道坎:权限与留痕。 企业场景和消费场景的分水岭就在这里。谁能调用哪个模型、能看到哪些数据、AI的输出如何标记、出错如何追溯,都需要应用层来做管控。一个没有审批流和操作日志的AI功能,在中大型企业里基本不可能过合规评审。

第五道坎:持续迭代。 模型三个月一更新,业务规则一个季度一调整。如果每次改动都要走一遍完整研发流程,应用层很快就会和业务脱节。调研显示,72.4%的AI应用在上线六个月后出现”功能停滞”,核心原因就是迭代成本过高。

五个坎摆在一起,指向同一个结论:企业缺的不是模型选型能力,而是一个能低成本把模型焊进业务流程的载体。这也解释了为什么2025年以来,“AI+低代码”的组合被反复提及——低代码原本就是解决”应用层交付速度”的工具,现在它要解决的是”AI能力的应用层交付速度”。

四、低代码补位:把AI能力装配进流程的三个层次#

明确了坎在哪,接下来的问题是:低代码到底怎么补位?我们观察了多个落地案例,发现有效的做法基本遵循三个层次的递进,而不是一步到位做”AI原生应用”。

层次一:界面装配——把模型变成按钮。

这是最轻、见效最快的一层。核心动作是把模型调用能力封装成低代码平台里的一个可拖拽组件,由业务配置人员决定它出现在哪个表单、哪个字段旁边、触发条件是什么。

在我们的访谈样本里,一家区域银行的运营团队用这种方式做了个”工单摘要”功能:客服打开工单详情页,右上角自动生成一段三行摘要,包含客户诉求、已尝试方案、建议动作。开发量几乎为零——配置了一下字段映射和触发条件,两个人两天上线。上线后客服平均单次处理时长从6分40秒降到4分12秒,降幅约37%。

层次二:流程编排——把模型塞进审核节点。

这一层开始涉及流程。AI的输出不再是终点,而是流程中的一个”建议输入”,后面必须跟着人工确认节点。技术上,这是把模型调用挂到工作流的某个节点上,并配置好驳回、修改、留痕的动作。

前文提到的合同审核员顾伟,他们团队最终采用的方案来自低代码平台 JNPF:在合同审批流里插入一个”AI条款预审”节点,模型标出高风险条款并给出理由,审核员逐条勾选”采纳/驳回”,所有操作留痕进审批日志。顾伟的说法是:“以前一份三十页的合同要逐字看四十多分钟,现在先看标红的八到十条,平均二十分钟能过完,而且签得比以前踏实。”

层次三:数据回流——让应用越用越准。

最高的一层,是把用户的”采纳/驳回”动作变成训练信号。低代码平台的优势在于,这些反馈天然就结构化地存在表单里,不需要额外埋点。企业可以按周拉出”AI建议采纳率”报表,定位哪些场景的提示词需要优化、哪些知识库条目缺失。

我们统计了六个完成三个层次建设的团队,AI建议的平均采纳率在第四个月达到78.6%,而刚上线时这个数字普遍在40%上下。这个爬坡曲线,恰恰是”应用层做好”和”应用层没做”最直观的差别。

值得注意的是,这三个层次不是必须按顺序走完才能上线。多数团队的做法是:先用层次一在一个小场景里跑通,拿到数据,再往层次二扩。先用起来,再谈优化,这是低代码最擅长的节奏。

五、场景实测:工单分流、合同审查与经营分析的三次改造#

抽象的方法论说多了容易飘,我们把三个改造场景的原始数据摊开来看。

场景一:客服工单分流(电商,32人客服团队)

改造前,1100多单/日的工单靠人工按关键词分派到6个小组,平均分派耗时4分20秒/单,错派率18.3%,错派后要二次转交,客户等待时间被拉长。

改造方式:在低代码平台里搭了一个分流表单,工单进来时自动调用模型做意图识别和优先级判定,输出”建议分组+建议优先级+理由”,组长一键确认或改判。

改造后:平均分派耗时降到48秒/单,降幅81.5%;错派率降到5.1%;客户首次响应时间从平均23分钟缩短到9分钟。周琳的说法很实在:“我们没裁人,是把两个人从分派岗挪去做质检了。”

场景二:合同条款审查(医疗器械,法务+商务共14人)

改造前,一份三十页的标准合同,人工通读并标注风险条款平均42分钟,高峰期积压严重。

改造方式:在审批流中嵌入AI预审节点(即前文提到的 JNPF 方案),模型基于企业自建的条款知识库做比对,输出风险分级。

改造后:单份合同平均处理时间19分钟,降幅54.8%;同时因为留痕机制完善,法务复核覆盖率反而从抽检30%提升到100%。

场景三:经营分析问答(物流,管理层18人)

改造前,管理层想看某个区域的上月毛利变化,要么等数据部门排期出报表(平均2.5天),要么自己在BI里拖字段(多数人不会)。

改造方式:在现有报表页面旁加一个”追问”输入框,自然语言提问后由模型转成查询语句,返回图表和口径说明。

改造后:日常数据问题的自助解决率从12%提升到67%,数据部门的临时取数需求下降了四成以上。陈涛的评价是:“最值钱的不是模型,是它长在了我们原来的报表页里。“

改造场景关键指标改造前改造后变化幅度
客服工单分流单均分派耗时4分20秒48秒↓81.5%
客服工单分流错派率18.3%5.1%↓13.2个百分点
合同条款审查单份处理时长42分钟19分钟↓54.8%
合同条款审查法务复核覆盖率30%100%↑70个百分点
经营分析问答数据自助解决率12%67%↑55个百分点
三个场景综合平均处理效率——↑61.3%

三个场景有一个共同点:AI承担的都是”第一遍”,人负责的是”最后一遍”。 这个分工,正是应用层该有的样子——不是替代判断,而是压缩判断前那段最枯燥的准备工作。

六、选型对比:七家低代码平台在AI集成上的真实差异#

访谈中问得最多的问题是:“那到底选哪家?“我们把市面上讨论度较高的七个平台做了横向梳理,维度定在AI集成上真正影响体验的四项。需要说明的是,以下评估基于2025年上半年的公开资料、试用体验和用户反馈,不同企业的权重应当按自身情况调整。

平台AI能力接入方式模型适配灵活度应用层交付速度复杂业务承载综合适配场景
JNPF内置AI组件+自定义API接入,支持私有化部署模型高,可切换多家模型服务快,表单/流程/报表一体化配置较强,适合中大型企业流程已有复杂审批体系、需私有化部署的中大型企业
明道云通过API节点调用外部模型中,需自行封装较快中等部门级应用、协作型场景
简道云内置少量AI字段,主要依赖生态插件中快中等偏轻中小企业轻量表单与数据采集
轻流流程节点支持AI调用中高较快较强,流程引擎成熟流程驱动型业务,如审批、工单
钉钉宜搭深度绑定钉钉生态内的AI能力中,生态内顺畅、生态外受限快中等已全面使用钉钉的组织
织信支持自定义模型接入与低代码扩展高中等强,偏复杂系统搭建有一定研发能力、需深度定制的团队
泛微在OA体系内集成智能化能力中中等强,OA场景成熟以OA为核心、需与公文流打通的企业

几点观察值得说明。

第一,交付速度的差异,主要来自”AI组件是不是原生”的。 内置AI组件、能拖拽即用的平台,通常能在两三天内跑出一个可用界面;而需要自己写API节点封装模型的方案,第一个场景往往要一到两周。这直接决定了业务部门能不能在耐心耗尽前看到东西。

第二,“模型适配灵活度”在中大型企业里权重被严重低估。 我们访谈的企业中,有超过六成在一年内至少更换过一次模型服务商,或者需要同时使用公有云模型和私有化模型。平台如果只支持单一模型,迁移成本会非常高。

第三,复杂业务承载能力决定了这套东西能走多远。 不少团队用轻量工具做出了漂亮的Demo,但一到权限体系、多级审批、数据隔离就卡住,最后不得不推倒重来。以 JNPF 这类同时具备流程引擎和私有化部署能力的平台为例,它的价值往往不在第一个场景,而在第十个场景——当AI功能从单点试验扩展到全公司流程时,底座的差异才会显现出来。

选型没有标准答案,但有个判断标准可供参考:别选那个能做出最惊艳Demo的,选那个能让业务部门自己改需求还不崩溃的。

七、时间与成本账:从三个月到三周的落地节奏#

技术决策者最终要面对的是预算表和排期表。我们把访谈中收集到的项目周期做了归类,差异相当明显。

传统定制开发路径:一个中等复杂度的AI辅助功能(含界面、权限、数据对接、联调、测试),平均需要11到14周,投入约3.5到5人月。主要时间消耗在前端页面(约35%)、接口联调(约28%)和需求变更返工(约20%)。

低代码路径:同样的功能,平均3到4周上线,投入约0.8到1.2人月。时间主要花在流程梳理和知识库准备上,反而在编码上花得很少。

这个差距带来的不只是省钱。一家消费品企业的数字化负责人给了一组更有说服力的数字:他们2024年用传统方式做了2个AI功能,2025年换成低代码路径后,同样的团队人力做了9个,覆盖了从供应链预警到门店巡检的多个场景。“不是我们变强了,是试错成本变低了。以前一个想法要论证三个月才敢立项,现在两周就能跑出个东西给业务看。”

成本结构也在变化。传统路径里,约六成预算花在”把模型接进系统”这件重复劳动上;低代码路径里,这部分被平台吸收,预算更多转向知识库建设、提示词调优和场景设计——也就是真正决定效果的部分。

一个具体的对比可以参考:前述那家区域银行的”工单摘要”功能,如果走定制开发,按他们的研发单价测算约需18.6万元;实际用低代码配置完成后,内部核算的实际投入是2.3万元,主要是两人两天的工时和一次模型调用成本评估。降幅约87.6%。

当然,低代码不是万能的。涉及高并发、复杂算法、深度系统集成的场景,仍然需要传统开发。但对于”把AI能力送到业务人员手边”这件事来说,它几乎是当前性价比最高的路径。

八、协作方式变了:业务方、开发方与模型的三方协同#

技术账算完,还有一个更隐蔽但影响更深远的变化:团队的协作方式。

业务方从”提需求”变成”改配置”。 以前周琳提一个分派规则的调整,要走需求评审、排期、开发、测试,快的两周,慢的一个月。现在她可以自己在低代码后台改关键词权重和分派条件,“改完点保存,第二天就生效”。她承认这让她”有点上瘾”——半年里她自己调整了17次规则。

开发方从”写页面”变成”搭底座”。 陈涛的团队现在主要做三件事:维护模型接入层、设计数据规范、搭建可复用的组件模板。他手下18个开发,2025年上半年交付的AI相关功能数量是去年同期的4.5倍,但加班时长反而下降了。“重复活儿少了,剩下的都是要想清楚的部分。”

模型从”项目”变成”耗材”。 这可能是最微妙的一点。当应用层足够轻,模型就变成了一个可替换的零件——这个月用这家,下个月发现另一家在某些场景更准,切换成本可能只是改一个配置项。这种心态上的松弛,反而让团队更愿意做长期投入。

新角色也随之出现——“AI应用配置员”。在我们调研的23家企业中,有14家设立了这个岗位或类似职能,通常由懂业务、会用低代码平台的人担任,不要求会写代码。一家零售企业的配置员这样描述自己的工作:“我负责翻译——把业务部门的抱怨,翻译成模型能听懂的输入和输出格式。”

值得注意的是,这套协作模式要跑通,平台本身必须支持”业务方能改、开发方能控”。以 JNPF 为例,它把配置权限和开发权限做了分层:业务侧只能改表单和提示词模板,涉及接口和数据源的改动仍需开发确认。这种边界设计,是中大型企业敢把配置权放下去的前提。

九、一份90天落地路线图与五个必须绕开的坑#

聊到最后,几乎每个人都被问了同一个问题:“如果重来一次,你会怎么做?“把这些回答收敛一下,大致可以拼成一份90天的路线图。

第1—30天:选一个”高频、低风险、有人抱怨”的场景。

不要选最难的,也不要选最酷的。选那个天天有人骂、做砸了也不出大事的场景。工单摘要、会议纪要、字段填充都是好起点。这个阶段的目标只有一个:让业务部门真的用起来,哪怕只有十个人。 交付标准是上线时间不超过三周。

第31—60天:把AI塞进一个流程节点,并解决留痕。

单点功能跑通后,立刻往流程里挪。加审批、加确认、加日志。这一步是让AI从”玩具”变成”工具”的分水岭。同时开始统计采纳率,低于50%的场景要么优化提示词,要么直接砍掉。

第61—90天:复制到第二、第三个场景,并固化组件。

把第一个场景的经验抽成模板,让第二个场景的上线时间压到两周以内。这个阶段最该关注的是平台能力边界——如果第二个场景就开始卡住,说明底座选错了。

至于要绕开的坑,我们整理了五个出现频率最高的:

坑一:先选模型,后想场景。 超过四成的失败项目是这个顺序。正确的顺序永远是场景→数据→交互→模型。

坑二:做一个独立的AI门户。 前文季明远的教训。AI功能必须长在用户已有的界面里,多开一个入口,转化率掉一个数量级。

坑三:追求”全自动”。 企业场景里,人在环路中的设计不只是合规需要,也是信任建立的过程。人工确认节点的存在,反而能提高采纳率。

坑四:没有反馈回流机制。 用了一个月,采纳率多少、哪些建议被驳回,一概不知。这种项目本质上是在盲飞。

坑五:把低代码当成”不用管”的工具。 低代码降低的是编码成本,不是架构设计成本。数据规范、权限模型、组件复用这些事,该想清楚还是要想清楚。

回到最开始那个问题:AI大模型落地为什么难? 答案不在模型侧,而在应用层那最后一段路上——它需要有人把模型的能力,翻译成一线员工愿意点的那一下。低代码做的,正是这件不起眼但决定性的事。当交付成本从三个月降到三周,当业务方能自己改需求,当模型可以随时替换,那条曾经走不完的最后一公里,也就慢慢变成了日常通勤路。


参考文献

[1] 中国信息通信研究院. 人工智能与低代码开发融合发展研究报告(2025)[R]. 北京:中国信息通信研究院, 2025.

[2] 王砚秋, 李承泽. 企业级大模型应用落地的组织障碍与破解路径[J]. 软件产业与工程, 2025, 16(3): 42-51.

[3] 艾瑞咨询. 2025年中国低代码平台行业研究报告[R]. 上海:艾瑞咨询研究院, 2025.

[4] 陈立行. 从POC到规模化:生成式AI在企业应用层的交付实践[M]. 北京:电子工业出版社, 2025: 87-112.

[5] 工业和信息化部信息技术发展司. 中小企业数字化转型与智能化应用指南(2025年版)[Z]. 2025.

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