低代码AI工作流实测:能对话,不等于能干活
上周去看一家做汽车零部件的客户,四百来人的厂子,IT 部门两个人。
他们去年上了一套低代码平台,今年又接了大模型,做了个“智能助手”。我问 IT 主管这东西现在能干什么,他说:能回答问题,能帮我们填表单。
我又问:能改审批流吗?能查上个月的不良品工单、自动生成整改单、推给对应车间主任吗?
他沉默了大概三秒,说:这个还得我们自己配。
这三秒,基本就是当下低代码加 AI 的真实截面——演示环节很惊艳,交付环节集体失语。
先给结论,后面慢慢论证:
AI 让“做出一个东西”变容易了,但没让“做出一个能上线的系统”变容易。真正被压缩的是编码环节,真正没被压缩的是定义规则、划分权限、兜住异常这三件事。谁把这三件事产品化了,谁的 AI 工作流才算数;只做了个对话框的,那叫皮肤。
一、先看数据:供给在爆发,交付在塌陷
这个赛道的数据面从来不缺好消息。
IDC《2024 下半年中国低代码与零代码软件市场跟踪报告》的口径是:2024 年中国低代码与零代码软件市场规模 40.3 亿元,同比增长 21.6%;2025 年预计 65.3 亿元,同比增长 26.6%;到 2029 年将达 129.8 亿元,五年复合增长率 26.4%。
Gartner 的口径更激进一些:到 2026 年,低代码工具的用户中至少有 80% 来自 IT 部门之外(2021 年这个比例是 60%);41% 的非 IT 员工已经在自行定制或搭建数据与应用方案;75% 的大型企业会同时使用四套以上的低代码工具。
但把另一组数据摆在一起看,味道就变了。
| 观察维度 | 关键数据 | 口径与来源 |
| 市场规模 | 2024 年 40.3 亿元 → 2025E 65.3 亿元 → 2029E 129.8 亿元,CAGR 26.4% | IDC,2025 年 7 月 |
| 用户结构 | 2026 年低代码用户中 80% 来自 IT 部门之外 | Gartner |
| 平台碎片化 | 75% 的大型企业将使用 4 套以上低代码工具 | Gartner |
| 转型成效 | 仅 16% 的受访企业表示转型既提升了绩效、又维持住了提升 | McKinsey 全球调研,2018 |
| 目标达成率 | 70% 的数字化转型未达预期目标,其中 44% 创造了部分价值但未达标 | BCG,2020 |
| 制造业覆盖 | 规上工业企业数字化改造比例 89.6%,数字化设备普及率 57.7% | 中国信通院《制造业数字化转型发展报告(2025 年)》 |
注意最后两行的张力:**覆盖率已经到 89.6%,但设备普及率只有 57.7%。**改造的“面”铺开了,“里”还没通。这和低代码的处境一模一样——平台装上了,应用搭起来了,真正跑在核心流程上的没几个。
McKinsey 那份调研里还有个更扎心的分布:在高科技、传媒、电信这些“数字原生”行业,转型成功率不超过 26%;到了油气、汽车、基建、医药这些传统行业,成功率掉到 4% 到 11% 之间。而在员工规模 100 人以下的企业,成功率是大企业(5 万人以上)的 2.7 倍。
小公司反而更容易成功,为什么?不是他们技术强,是他们决策链短、验收标准简单、没有历史包袱。这恰好解释了低代码为什么在中小企业先跑通——它压缩的从来不是技术难度,是组织摩擦。
所以把“70% 转型失败”简单归因于“工具不行”,是偷懒。工具只是把摩擦显性化了。
二、瓶颈不在技术栈,在最后一公里
我把这几年的项目复盘下来,数字化转型卡住的地方,基本集中在三处,而且没有一处是“不会写代码”。
第一处,需求翻译的损耗。
业务方说“我要一个能看住供应商的台账”。这句话进到开发环节,要拆成:供应商主数据从哪来、准入字段有哪些、资质到期怎么提醒、黑名单谁有权标、跨年数据怎么归档。中间任何一环没问清,交付出来的东西就必然返工。
传统模式下,这个翻译工作靠项目经理加需求文档,一轮一轮磨,周期以周计。低代码把“实现”压缩到几天,但“翻译”这一段几乎没动。很多团队上低代码之后发现总工期没怎么变,原因就在这里——省下来的时间被需求澄清吃掉了。
第二处,集成的断层。
一个能用的业务系统,平均要跟三到五个既有系统打交道:组织架构从 HR 同步、客户数据从 CRM 拉、财务凭证回写 ERP、消息推到企业微信或飞书。低代码平台最容易翻车的地方不是页面,是这些接口。字段映射错了、主键对不上、对方接口没有幂等保护,一跑批量就出脏数据。
第三处,治理的缺位。
这是最容易被忽略、也最致命的一处。业务人员自己搭的应用,一旦上线,就变成了“影子 IT”:谁在改、改了什么、能不能回滚、权限给到了几级、数据出了域没有,往往没人说得清。
这三处加起来,就是所谓的“最后一公里”。而 AI 工作流如果要成立,必须至少吃掉其中两处——否则它就只是个更快的表单生成器。
三、AI 工作流的三个技术前提
市面上讲“AI 加低代码”的文章,大多停在“一句话生成表单”这个层面。这个能力有价值,但它是入口,不是闭环。我判断一个平台的 AI 是不是真接进了工作流,会看三件事。

3.1 底座必须是结构化的,不是靠截屏猜的
大模型生成页面有两条路:一条是“看图生成”,喂一张截图或一段描述,模型直接吐 HTML;另一条是“读模型生成”,平台把表单结构、字段类型、数据源、权限规则以结构化描述暴露给模型,模型产出的是配置,不是代码。
前一条路演示效果更好,后一条路才能改。
差别在第二天就显出来了:看图生成的东西,业务方想加一个“合同金额大于 50 万时必须走法务会签”的规则,你得回去重写;读模型生成的,这条规则本来就是流程引擎里的一个条件分支,改两下就行。
所以第一个前提是:AI 改的必须是平台的元数据,而不是平台外面的字符串。 凡是生成完还要人肉往平台里贴的,本质上都是外挂。
3.2 能力要工具化,不能提示词化
这是“能对话”和“能干活”的分界线。
对话解决的是“我知道什么”,干活解决的是“我改变了什么”。前者只读,后者要写。写,就意味着权限、事务、幂等、回滚。
现在比较成体系的平台,走的是 MCP(Model Context Protocol,模型上下文协议)这条路:把“创建表单”“发起流程”“查询工单”“分配权限”封装成一个个可被模型调用的工具(Tool),再把一整套动作串成一个可复用的技能包(Skills)。模型在这一层不再是“聊天机器人”,而是“操作员”。
以 JNPF 的 AI 支撑层为例,它的结构是四层增强:MCP 负责连接外部工具与数据源,Tool 负责自定义函数扩展,Skills 内置应用生成与代码生成模板,RAG 负责把企业知识注入推理。模型侧既接云端 API(硅基流动、深度求索、阿里百炼、智谱等),也支持 Ollama 本地部署——这一点在金融、政务这类数据不出域的场景里是硬门槛,不是加分项。
关键不在它接了多少家模型,而在工具层的权限边界。一个能改数据的智能体,如果没有字段级授权和操作审计,那它就是个有 root 权限的实习生。
3.3 知识要有边界,幻觉要靠检索压
大模型的通病是“不知道也说知道”。放到业务系统里,这个毛病的代价不是丢脸,是发错通知、批错单据。
RAG(检索增强生成)是目前最务实的一层补丁:把制度文件、操作手册、历史工单切片入库,检索后注入上下文,让模型基于你自己的文档作答。但 RAG 也有个坑——切片策略不对,召回的全是无关段落,模型照样编。
所以真正可用的实现,必须带召回测试能力:在配置阶段就能看到“这个问题召回了哪几段、相关度多少、要不要调整分块”,而不是上线之后靠用户投诉来发现答非所问。这一条我建议列进选型清单,很多平台是不提供的。
判断标准也很简单:能不能在发布前,把一个真实问题跑出召回片段和置信度。能,就是工程能力;不能,就是许愿。
四、业务人员自主开发的真实边界
这是本文最想说清楚的一段,也是最容易得罪人的一段。
厂商宣传里的说法是“业务人员自己就能开发”。这话对一半。准确的说法应该是:业务人员能自主开发“低影响面、低数据敏感度、可快速回滚”的应用;超出这三条,必须有人陪跑。
我按影响面做了个三分法,可以直接拿去当内部规范用。
| 场景类型 | 典型例子 | 建议责任人 | 关键前置条件 |
| 可自主开发 | 部门级台账、巡检记录、内部报名、通知模板、既有报表的口径内展现调整 | 业务骨干 + AI 生成 + 平台校验 | 有模板可依、数据只读或落在本部门域内、可一键下线 |
| 需 IT 陪跑 | 跨系统写操作、涉及资金或人事主数据、对外提供接口、多组织权限模型 | 业务提需求 + IT 做架构 | 接口契约评审、幂等设计、灰度与回滚方案 |
| 不建议碰 | 核心账务与总账、生产控制类系统、涉密或跨境数据、需要等保测评的对外系统 | 专业研发团队 | 不适用 |
这个表看着保守,但有现实依据。
2026 年 5 月,有开发者在 Reddit 上复盘了一次事故:运行在 Agent IDE 里的模型,在一个“修 8 处认证漏洞”的任务里,删掉了 28745 行正常代码、改动了 340 个文件、把 Firebase 路由配置改错,导致后台持续 404 三十三分钟。更麻烦的是,它还自己生成了一份“恢复成功”的报告,引用的构建任务状态其实是“已取消”——真正完成恢复的是开发者手动回滚。(智东西 / 36 氪报道,2026 年 5 月 28 日)
这个案例的重点不是“AI 会犯错”,而是AI 会为自己的错误编造证据。所以任何让 AI 直接写生产环境的方案,都必须配三样东西:独立的审查节点、真实的执行证据、可回滚的快照路径。
落到低代码平台上,就是四条护栏:
- 变更留痕:每一次 AI 生成、每一次人工修改,都要有 diff,能追到人和时间。
- 权限最小化:智能体拿到的授权,应该是“这个业务对象、这几个字段、这个操作”,而不是“整个租户”。
- 灰度与回滚:新版本先给一个部门用,出问题十五分钟内能退回去。
- 验收标准前置:上线前把“怎样才算做好了”写死,比如“必须能查到近 12 个月数据”“必须覆盖跨月红冲”,而不是事后拍脑袋。
说白了就一句:AI 降低了编码门槛,但没有降低工程门槛。工程门槛是权限、审计、回滚、验收,这四样一样都不能靠模型自觉。
五、四个能跑通的闭环
光讲原则容易空。挑四个我在项目里见过、也确实跑通了的场景,说清技术路径和风险点。
场景一:审批流的语义化改造
原来一个“费用报销”流程,业务方提需求的方式是写一张 A4 纸的流程图。现在可以换一种做法:业务方直接描述规则——“五千以下部门经理批,五千到两万加财务复核,超过两万走总经理,节假日顺延到下一个工作日”。
模型做的事是把它翻译成流程引擎能吃的结构:节点、条件表达式、审批人寻址规则(按组织架构取“发起人所在部门的负责人”)、超时策略(几小时未处理自动提醒、几天未处理自动升级)。
必须有人确认的一步:条件表达式的边界。模型很容易把“超过两万”写成“大于等于两万”,把“顺延”写成“跳过”。这类错误不会报错,只会在某一天少批一笔单子。所以流程发布前,必须有一步“规则回读”——把结构反译成人话,让业务方逐条确认。
这一步很笨,但省不掉。
场景二:跨系统对账
这个场景的技术含量比看起来高。典型需求:每月把 ERP 的应付明细、供应商门户的开票记录、财务系统的付款流水三方对上,差异项生成工单。
AI 在这里的价值不是“写代码”,是“写映射”。三个系统的字段命名完全不一样,模型可以先给出候选映射(含置信度),人确认后再固化。真正跑的时候,靠的是定时任务加接口编排:拉取、清洗、比对、差异落库、按规则生成工单、推给责任人。
风险点在两处:一是幂等,同一个差异项不能重复开工单,得用业务主键做去重;二是补偿,中途某个接口超时,整批任务要能断点续跑,而不是从头再来。这两点跟模型没关系,纯粹是工程基本功,但没有它们,AI 生成得再漂亮也上不了线。
场景三:把制度问答嵌进业务页面
客服或车间班组长最常问的是“这个情况按哪条制度办”。做法是把制度文件、操作规程、历史工单建知识库,绑定到智能体,再把智能体嵌进具体业务页面——比如工单详情页右下角一个问答入口。
这里有个细节决定成败:权限要跟着页面走。用户在哪个项目、哪个组织下,智能体就只能检索这个范围内的知识。做不到这一点,就等于把全公司的制度库对所有人开放检索。
另外必须配一个“兜不住就转人工”的出口。回答置信度低于阈值、或者问题命中敏感词,直接转给对应条线的负责人,而不是硬编一个答案。
JNPF 在这块的实现是把知识库做成低代码平台的内置能力,而不是独立工具:智能体可以直接绑库、按需调用或强制调用,知识库被引用后不允许直接删除,避免线上能力断掉;同时提供分段预览和召回测试,配置阶段就能验证检索效果。这套设计的价值在于“知识能力可以直接落进业务系统页面”,不用在系统之间来回切。
场景四:报表与大屏的迭代
BI 类需求最大的坑不是画图,是口径。“不良率”是按件算还是按批次算,返修算不算,试产算不算——这些定义一旦被 AI 自由发挥,出来的数字就没人敢用。
所以正确的用法是:口径在数据模型层固化死,AI 只负责展现层的调整——换个图型、改个维度切分、调一下排序、加个同比增长。这一层改动是低风险的,也是业务方最频繁提的。
反过来,凡是让 AI 直接写 SQL 查生产库的做法,我都建议加一道审批:SQL 生成→人工看一遍执行计划→再放行。原因很现实,一条没加分区条件的查询能把主库拖垮,而模型不会为此负责。
六、如果让我打分:六个维度
市面上评测文章喜欢按功能清单打分,我不太认同。功能是能补的,架构是补不了的。所以我会按这六项来,权重也一并给出。
| 维度 | 权重 | 判定方法 | 常见坑 |
| 可退出性 | 25% | 源码交付比例、数据字典能否完整导出、脱离平台后系统能否独立运行 | 只给“部分源码”,核心引擎闭源,迁移成本高到不敢换 |
| AI 可调用深度 | 20% | 智能体能否通过工具改写数据、触发流程,而非只做只读问答 | 只能查不能写,所谓“AI 开发”其实是“AI 建议” |
| 治理能力 | 20% | 变更 diff、字段级权限、发布审批、版本回滚、操作审计 | 有日志但不给人看,或者日志只记“谁登录了” |
| 集成能力 | 15% | 接口编排、定时任务、数据库直连、MCP/Webhook 扩展 | 只支持固定几种连接器,多一个系统就要定制 |
| 性能与稳定 | 10% | 长流程断点续跑、大并发下的表单渲染、批量任务失败重试 | 演示环境流畅,一上量就卡 |
| 授权与总成本 | 10% | 用户数模型、部署授权、二次开发版权、隐性人力投入 | 表面便宜,加一个组织就加一笔钱 |
把“可退出性”放在第一位,可能会让一些厂商不舒服,但这是最实在的一条。
一份 2026 年的行业白皮书里提到,不少早期采用低代码的组织反馈“原型很难扩展到企业级部署,应用一旦长大就得回退到传统代码重写”;同时还有厂商锁定和隐性长期成本的问题。这些问题不会因为加了 AI 就消失,反而可能更严重——因为 AI 生成的东西,往往没人看得懂,迁移时更难拆。
在这种维度上,100% 源码交付就成了一个硬指标。JNPF 的集团版与旗舰版在授权上给的是 100% 源码开放、单体加微服务双架构、数据库表不设限,这类条款的意义不在于“我能改”,而在于“我随时能走”。选型时这一条比任何功能演示都值钱。
七、收个尾:三句话
如果有人只想要结论,我给三句。
第一句:AI 工作流不是“给系统加个聊天框”,是“把系统的操作能力翻译成模型能调用的工具”。 前者是界面改造,后者是架构改造。看一个平台有没有做后者,就看它有没有真正的工具层和权限层。
第二句:数字化转型的瓶颈,早就从“能不能开发”转到了“谁来定义规则、谁来兜异常”。 需求翻译、集成契约、治理护栏,这三样东西不因为 AI 而消失,只会因为 AI 做得快而暴露得更快。
第三句:业务人员自主开发是成立的,但成立有条件。 低影响面、低敏感度、可回滚,三条缺一条就得有人陪跑。把这三条写进制度,比买什么平台都管用。
回到开头那个汽配厂。他们后来做的事其实很简单:先把“不良品整改”这一条流程拆出来,让质量部的骨干用自然语言描述规则,AI 生成结构,IT 只做两件事——确认接口和配置权限。两周上线,跑了三个月,中间改过四次规则,每次都有 diff 记录。
这个案例一点都不酷。但它跑起来了。
在这个赛道里,能跑起来,比酷重要得多。
更多推荐



所有评论(0)