这两年 AI 的变化非常快各种 AI 产品也在不断融入到我们的生活和工作中无论你是程序员、产品经理还是办公室白领甚至是平时不怎么关注技术的人多少都已经感受到了 AI 带来的便利。这段时间我常常在地铁或者公交车上看到一些大爷大妈也在使用豆包、元宝这些 AI 软件通用 AI 确实已经进入了很多普通人的日常生活不再只是互联网圈子里自娱自乐的新鲜玩意。很多老百姓日常都使用这些 AI 产品去获得我们平时很难学习和接触的知识解决我们日常中的各类困惑。不过AI 用得热闹不代表 AI 就真的落地了。个人拿 AI 查资料、写文案、改代码和一家公司把 AI 真正接进研发、产品、测试、运营这些环节完全不是一回事。前者更多是个人工具后者考验的是资源、流程、管理判断以及公司内部到底有没有一套能跑起来的东西。这段时间我在公司里和互联网圈子里也听到了不少关于 AI 使用和 AI 落地的讨论。有人确实在认真做事也有人只是把 AI 当成新口号、新包装顺便制造出不少段子和笑话。恰好今天生病休息闲下来就把这些所见所闻整理一下写一篇批评文聊一聊企业里那些关于 AI 落地的现象、问题和笑料。我的人工智能基金为什么是亏的今天周二又绿了。。。特意说明笔者本文仅做批判性思考不表示具体的人、也不是阴阳谁请勿对号入座请勿应激。落不了地的 AI很多公司一聊 AI气势都很足仿佛第二天就要完成智能化转型。群里转几篇大厂发布会开会提几次 AI 战略、AI 提效、AI 重构研发流程再让几个人试试 Codex、Claude Code、豆包整个部门的空气都显得先进了不少。数字化战略AI 高效企业建设嘻嘻PPT 先飞起来再说image-20260519105136221我们常常可以在技术社区看到阿里巴巴、字节等公司又发布了什么模型、发布了新的 AI Vibe Coding 工具进行了什么样的 Spec 研发流程探索给每个人分了多少额度的 tokens而你我的朋友恐怕你的公司对 AI 编程和在研发流程的落地估计还没有动静或者只能自己买 Coding Plan 做付费上班。很多 AI 落地最先卡住的根本不是模型能力而是资源和政策。技术社区里天天都在讨论新的模型、Vibe Coding、Spec 驱动研发、Agent你们领导懂这些吗既然不懂又怎么落地 AI 再看看不少中小公司别说给团队按月配套餐连让员工稳定地用上付费工具都舍不得。上面一边喊着要拥抱 AI一边默认大家自己想办法最好是自带账号、自带额度、自带热情顺便把效率也一起交上来。这不就是公司负责喊口号员工负责自行发电。image-20260519105109416再说 AI 落地绝不是装个 Codex、Claude Code使用豆包问答这么简单。真要往下走产品怎么提需求文档怎么整理需求怎么变成适合模型理解的材料代码生成之后怎么做规范约束、安全检查、测试验收这些都要有配套。你的研发体系里产研测是不是已经能围着同一套 Spec 和物料协作团队内部有没有统一的模板、Skill、工具链如果这些东西都没有只是让程序员先把 AI 用起来那么所谓的流程升级很多时候不过是把原来的问题原封不动地喂给 AI。大家表面上都在用 AI实际上每个环节都还在重复翻译、重复适配、重复补锅。链路没有打通只是把原来的人工折腾升级成了带 AI 的人工折腾。看上去像一条智能流水线走进去才发现每个人都在手动搬运上下文。还有一种情况也很常见。有些领导平时对技术不怎么关心对新工具也不怎么研究自己最多拿豆包聊几句就觉得已经把 AI 摸透了。既不下场实验也不持续学习更不清楚不同工具的边界和成本但是做起 AI 决策来却非常自信。毕竟 AI 这个词现在足够时髦只要会在会上说几句 Agent、工作流、自动化好像公司离全面升级就只差大家动手干活了。领导定了规划干不好都是你们的问题你们背锅所以很多公司不是不会谈 AI而是太会谈 AI 了。如果你碰到的是这种只会表面知识认知都落后、没有技术判断力、不舍得付出成本的领导AI 落地就很容易停留在一个很熟悉的阶段领导觉得公司已经走在时代前沿员工知道大家只是换了一种方式继续凑合。话外题笔者写过两篇 spec 落地的文章关于团队建设 AI 研发流程需要一系列的生态链工具和 Spec 落地尝试•工具与流程适配选择支持规范定制、多场景协作的 AI 工具避免工具功能与团队流程脱节•重视规范落地将团队规则转化为可执行的钩子、Spec 模板借助 AI 强制落地而非仅停留在文档层面•构建协作文化鼓励成员主动共享 AI 使用经验、参与流程优化避免 “单兵作战” 思维•平衡自动化与人工AI 负责标准化、重复性工作如测试、规范检查人类聚焦核心架构与创意决策实现人机协同增效。通过 OpenSpec OpenCode 实践 AI Specshttps://www.cnblogs.com/whuanle/p/19581835万字长文讲解团队落地 AI 辅助编程和 AI Specs 实战https://www.cnblogs.com/whuanle/p/19469026现在解决不了过去的问题未来 AI 也解决不了现在的问题笔者的观点是现在解决不了过去的问题将来使用 AI 也解决不了现在的问题。很多公司过去就有很多老毛病。流程混乱职责不清文档稀烂技术债一堆管理层瞎指挥出了问题就喜欢补规定、补流程、补表格今天加一个审批明天加一个规范后天再来一个统一标准。看起来很忙实际上问题并没有解决只是问题的表现形式变了大家痛苦的姿势也变了。所以实际上过去的问题是很多原因造成的这些领导现在要解决过去的问题然而现在产生了新的问题和遗留着过去的问题因为其知识认知水平和技术、管理能力无法解决现在和过去的问题所以内部存在多多少少的矛盾和问题。然后 AI 出现了。image-20260519111952552这下好了以前解决不了的流程问题准备让 AI 解决以前解决不了的管理问题准备让 AI 解决以前做不好的研发协作准备让 AI 解决以前积累下来的一堆技术债、文档债、沟通债也准备让 AI 一把梭哈全部解决。仿佛只要使用 AI、制定战略企业就能脱胎换骨。至于过去为什么会烂成这样哪些问题是组织造成的哪些问题是管理层自己造成的这些先不谈先把 AI 这面大旗举起来再说。毕竟这玩意现在很时髦既能向上汇报也能向下施压怎么想都不亏。领导制定了目标、大纲、规划最后做不出来那肯定是员工水平不行、不积极、态度消极image-20260519112048505AI 也是很多中层领导的业绩工具有些中层领导本身就需要新的汇报材料、新的成绩点、新的管理抓手忽悠股东和大老板。AI 正好来了简直像天降 KPI。现在总算有东西写了今天调研 Agent明天建设知识库后天推动 AI 赋能研发再配几张流程图整个故事立刻就新起来了。企业数字化战略也不是有切入口了AI 赋能也有接入点了要带头搞 AI更加受大老板信赖了。至于有没有效果这个问题可以往后放一放。反正 PPT 里看起来已经很有效果了。某些人他们是想借 AI 这个新东西重新包装旧问题顺便包装一下自己。过去那套东西搞砸了没关系现在可以说是因为以前没有 AI现在这套东西还搞不定也没关系可以继续说是 AI 还没全面接入、员工还不够拥抱、执行层还没有理解战略意图。话总是有得说责任总是有地方甩。艺术家快坐很多人对 AI 的期待本质上就有问题。现在解决不了过去的问题凭什么 AI 就可以给你解决现在的问题更何况AI 本身还会带来新的问题。工具怎么选流程怎么接数据怎么管安全怎么控产出怎么验证责任怎么算这些都需要人来判断。你连原来的问题都搞不明白现在再叠一层 AI只会让系统变得更复杂让责任链条变得更混乱。所以现在解决不了过去的问题将来使用 AI 也解决不了现在的问题。不要用豆包指着我看图猜 AIimage-20260519095341444很多领导用了豆包、千问这些工具之后便以为自己已经掌握了 AI。再加上有些管理者本身就喜欢拍脑袋、喜欢指导别人用上 AI 之后更是觉得自己如虎添翼。以前是凭经验教你做事现在是拿着 AI 回答教你做人语气都比以前硬了不少仿佛自己背后站着一个数字军师。这不是段子而是很常见的现象。很多人和豆包聊几轮头脑风暴就开始觉得自己不仅懂 AI还顺便懂产品、懂研发、懂运营、懂管理。以前是不怎么听别人建议现在是更加不听了。毕竟以前你还能说他只是个人意见现在他会告诉你这不是我说的这是 AI 说的。豆包应该是国内最恭维用户的 AI 了吧。很多人跟豆包头脑风暴问着问着就会越来越觉得自己正确。但是AI 的局限他们根本不懂而豆包这类工具又很会顺着提问者往下说。你怎么问它就怎么接你想听什么它就很容易往那个方向组织答案。提问的人如果本身没有基础知识、没有判断力拿什么判断 AI 说的是对的又拿什么判断这些建议到底能不能落地然而很多人特别喜欢让豆包为自己的决策背书证明自己的方向无比正确证明自己的判断领先行业。实际上定的东西狗屁不通。对 AI 的回复没有正确的判断力和相关使用知识只能被 AI 牵着走被动接受 AI 瞎扯淡的信息。于是就会出现一些很魔幻的场景。有些领导本身技术水平和认知水平都比较落后又喜欢到处出瞎主意、指导别人干活。有了豆包这些 AI 之后更喜欢指指点点了。员工说这个事情复杂他先去问一下 AIAI 说不难于是结论也出来了不是事情难是你执行有问题。项目需要多少人、多少时间、多少资源不看历史包袱不看依赖条件不看团队现状他不懂评估也不需要评估而是先看豆包怎么说。很多管理者过于信赖 AI认为 AI 说的都对有了 AI 之后变本加厉去插手、“指导” 员工干活。以前他只是喜欢拍脑袋现在是喜欢带着 AI 一起拍脑袋以前只是个人强势现在还多了一层 “AI 认证”。拿 AI 生成公司运营政策、生成公司规范、生成各种细苛条例然后要求所有人严格执行看上去好像很科学、很先进实际上只是把原来那套瞎折腾升级成了更有科技感的瞎折腾。说到底一个本来就缺乏判断力的人手里多了一个会说话的工具往往不会变得更专业只会变得更自信。AI 说什么他就信什么甚至觉得自己比专业人员更懂只需要问豆包就行自己就已经站在了专业人士的上方。比如拿一个项目去问 AIAI 回一句“不难”他就真觉得不难了。至于难点在哪里需要多少人力和资源中间有哪些约束和风险他根本没有能力判断。不过问题从来都不只是豆包。问题是有些人本来就喜欢指人只不过现在手里多了一根更时髦的棍子。很多人喜欢聊 AI 提效装很懂 AI对外输出 AI 能提效鼓励大家多用 AI。可是他只会豆包无非在豆包提问几句然后把豆包回复的 “真理” 粘贴到群里或把自己的文档放到豆包生成新的内容。不可置否某一程度来说豆包这样确实可以帮助解决一些问题。但是不要觉得自己会用豆包就会 AI 了。程序员群体没有这么菜只会豆包的程序员根本上不了桌。某些情况AI 可能是伪需求公司的程序做得非常烂重构过一次又一次还是如此。于是有人就觉得问题一定出在“审得还不够严”。既然现在 AI 出现了那就让 AI 来审代码严格审往死里审最好每一行都给点评几句。仿佛只要把 AI 审查一接上代码质量立刻就能起飞系统也会跟着脱胎换骨。呆过几个公司也经历过不少 IT 负责人、总监、架构师。特点都是喜欢吹 ”代码质量“ 势必要狠狠抓 ”代码质量“严格遵守研发规定。Ai 出现了那就让 AI 审查代码那么做出的东西一定质量很高但是笔者觉得在很多中小公司里所谓 “代码质量问题”很多时候其实是个伪需求或者说是个被故意放大的伪命题。image-20260519123048847为什么这样说因为很多系统做得烂根本原因往往不是某个变量名起得不够优雅也不是某个函数多写了几十行。真正的问题可能是研发体系混乱开发人员水平有限基础设施不完善架构从一开始就不合理需求天天漂移测试也接不住。一个项目从头到尾都是歪的最后却把锅扣到 “代码质量不行”这就很有意思了。毕竟有些问题很难承认。你要承认架构设计错了说明负责人水平有问题你要承认流程有问题说明管理层有问题你要承认内部自研框架很烂说明某些 “大牛” 在胡搞。相比之下把一切归结成 “规范不够” 、 “代码质量不行”、”员工不配合“、”员工态度消极“安全得多也体面得多。于是接下来大家就会看到很熟悉的一幕开始制定各种 “规定”、“标准”、“统一”试图把产品、测试、开发全部按在一条线上认为只要流程足够严、要求足够细、审查足够狠最后做出来的系统就一定很牛。那么代码质量怎么抓很简单挑语法挑变量名挑函数命名挑缩进挑细节。毕竟架构看不懂命名总看得懂。笔者多年开发经验认为项目做得怎么样语法、命名这些不能说不重要但是确实不是决定性因素花大量时间纠结这些细节没有多大意义。实际上 DDD 工程都说了允许项目直接存在一些小泥球也就是做得不好的地方、代码耦合性比较差都是没问题的。真正决定系统质量的往往是架构思路对不对用 DDD 还是传统三层选社区成熟框架还是内部瞎自研边界划分合不合理依赖关系清不清楚。你把userInfo改成userProfile换个名字对一个烂系统的帮助通常没有想象中那么大。并不是每个开发都是大牛也并不是一个团队里面所有人的水平都是一样的所以同一个项目不同的人写的东西有不少差异但是基于架构、大体没问题技术局部细节不太好就算 ”质量有些差“其实都不影响不要盲目向 ”高标准“ 看齐。按照笔者经验来看凡是小公司喜欢把代码质量挂在嘴边天天吹代码质量的喊着要做代码审查会议的实际上代码质量一样非常垃圾没多久就坚持不下去只会空喊口号。即使天天用 AI 把代码鞭尸所谓的代码质量就能好起来了吗AI 过度抽象代码、喜欢把简单的事情复杂化过度设计流程等问题又该如何解决呢天天用 AI 对着员工的代码扫描吗image-20260519123333914很多中小公司还特别容易冒出一些所谓的大牛、技术总监喜欢 “自研” 内部框架搞一堆内部工具觉得自己在打造技术壁垒觉得外面的开源方案都不够高级。结果做出来一套狗屁不通的东西开发效率没有提高学习成本倒是越来越高最后还要求所有人必须统一使用。系统越做越重流程越搞越绕出了问题再回头怪 “代码质量不行”、”研发同事水平不行“。所以某些情况下AI 可能根本不是在解决真实问题而是在给伪需求再镀一层金。真正的问题不敢碰真正的责任不想认最后就挑一个最容易发力、也最容易表演的方向狠狠干比如拿 AI 去审代码、拿 AI 去挑毛病、拿 AI 去证明团队还不够规范。看起来大家都很重视质量实际上只是把错误的方向做得更认真了一点。很多东西不要总想着自己瞎几把摸索很多问题社区里早就有人踩过坑也早就有过成熟方案。该学习就学习该补基础就补基础该提升技术判断力就提升技术判断力。然而有很多东西这些领导根本不懂也没有了解过不能给出行之有效的方案。搞研发的应该都知道代码审查、代码质量这类事情社区里早就有一堆工具了。类似 Sonarqube 这种平台很多年前就在用了平时做静态分析、风格检查、代码格式化、CICD也有各种成熟方案。真要抓这些东西其实并不缺工具。所以不要陷入伪需求中有很多工具本身比 AI 好用、易用效率又高。陷入内耗让 AI 审查代码。很多人觉得这套流程听起来就很先进。程序员先把代码写出来AI 再来做审查审出问题就改改完再审层层把关似乎这样一来代码质量就一定会越来越高。结果往往不是质量明显提升而是陷入内耗和没有多大意义的资源消耗。如果你把微软的 .NET Runtime 代码、Linux 内核代码丢给 AI 审查AI 一样能告诉你很多地方写得不好。同样一段代码换一个模型审结论可能不一样就算还是同一个模型前后分两次审意见也未必一样。你按第一轮意见改完再送去第二轮照样还能继续挑。只要想找毛病AI 总能帮你找出一点毛病。这就说明一个很现实的问题很多所谓 AI 审查并没有一个稳定、清晰、被团队共同定义过的质量标准。它更像是把 “找问题” 这件事自动化了而不是把 “什么叫好代码” 这件事真正说清楚。最后程序员花了很多时间改边边角角系统本身并没有更稳业务价值也没有更高。所以试问 “代码质量” 到底是什么只是命名规则、缩进格式、每个函数和文件的代码量不能超过多少行如果一个系统架构本身就是歪的边界划分一塌糊涂依赖关系乱成一锅粥你把几个变量名改得再优雅把几个函数拆得再漂亮也救不了这个项目。可惜很多人看不到这些只看得到语法和命名因为这些最容易挑也最适合拿来管人。另外“代码质量” 在一些团队里本来就是卡人的工具。某些领导、架构师、组长特别喜欢拿代码这里不对、那里不规范去指指点点看起来像是在抓质量实际上很多时候只是在展示权威。很多公司研发的软件质量低下最常见的就是 OA、ERP、WMS 这类内部系统最后总结原因时又说不清到底哪里不行于是只能继续纠结语法、命名和格式。有了 AI 之后这种事情只会更严重。以前还得自己亲自挑毛病现在把代码丢给 AI几秒钟就能生成一大堆意见像拿到了一份带科技含量的批评清单。领导看了很满意觉得自己抓得很细、很专业开发看了头很大因为里面很多东西改了也没什么意义不改又会被说不重视质量。而且前面说过了代码无论是用 AI 写还是拿 AI 审如果真要找问题AI 总能从不同角度给你找出各类问题。哪怕代码本身已经很成熟它也一样能挑出不少刺。你认真改完再让它审一遍它还能继续说上一轮有些地方改得不够好。这样折腾下去最后优化掉的往往不是问题而是开发人员的时间和耐心。所以说如果团队对质量没有真正的认知只是迷恋 “审查” 本身那么 AI 进来以后并不会让团队变得更强只会让内耗变得更高效。人工写AI 审审完再改改完再审大家都很忙流程也显得井井有条最后真正增长的可能只是无意义的返工和彼此消耗。没有判断力和认识不足前面说了很多这些人的技术水平、认知水平的差异在日常管理和 AI 落地里其实最后都会落到一个问题上没有判断力。技术判断力这东西说到底不是背几个名词也不是会说几个 Agent、工作流、自动化就算懂了。真正的判断力是你能不能看出一个方案适不适合当前团队能不能评估它的成本、风险、依赖和边界能不能知道它什么时候该上什么时候不该上。没有这些东西嘴上说得再先进也只是热词说得熟练一点而已。要形成判断力需要长期的学习要有足够的知识和经验很多人恰好就缺这个。AI 落地最怕的很多时候不是工具不够强也不是模型不够新而是拍板的人根本不会判断。不会判断一个方案的优缺点不会判断一件事情到底难不难不会判断投入和收益也不会判断什么是真问题什么只是表面现象。自己没有做过也没有认真拆过甚至对里面的技术细节和实施条件都不清楚先去问一下 AI。AI 回答得轻松一点他也就跟着轻松起来然后开始拍板开始定调开始给下面安排任务。至于这个事情到底需要多少时间、人力和资源有哪些前置条件有哪些历史包袱会不会牵一发动全身他根本没有能力评估。反正东西定下来了方案让豆包给出来了后面谁做不出来谁就是执行力不行谁提出风险谁就是不够拥抱 AI谁说要时间谁就是思想保守。反正话已经说出去了方案也已经定下来了最后只能让下面的人在一堆不合理的预期里硬着头皮往前顶。问题就出在这里。AI 可以帮你补信息、给思路、列方案但是它不能替你长出判断力。一个本来就缺乏判断力的人问得越多很多时候不是变得越清醒而是变得越自信。因为 AI 很容易把一个 “理论上可行” 的回答说得像一个 “现在就能落地” 的方案。中间那些真正决定成败的条件、代价和限制如果提问的人自己看不出来AI 也不会替他承担后果。还有一种情况就是认识不足而且往往是过犹不及。最麻烦的是这两种人都很自信。前者迷信 AI后者轻视 AI一个想把所有问题都扔给 AI一个压根不愿意认真学习 AI。结果就是该用的地方用不好不该乱用的地方又瞎用最后不是高估它就是低估它总之很难把它放在一个合适的位置上。所以说AI 真正放大的从来不只是效率也会放大一个人的认知缺口。一个有判断力的人会把 AI 当工具用来补信息、补效率、补视角一个没有判断力的人会把 AI 当权杖用来拍板、压人、甩锅或者干脆拿来证明自己对新东西早就看透了。说到底不懂技术不愿学习又没有判断力这才是很多问题的底层原因。AI 只是把这些问题照得更明显了一点。我再举一个很常见的例子。对于研发团队里出现的问题有些领导根本不懂技术也不懂这些方案连学习的过程都跳过了然后自己拿豆包、千问聊几句看到回答像模像样就觉得方案有了方向也有了自己又一次站在了时代前沿。下面的人看了往往都知道不靠谱只是懒得争也懒得解释。因为这类方案很多连验证都没有验证过更别说真正落地了。互联网里这种事情太多了大家私下里一听就知道是怎么回事表面上点点头心里已经开始叹气。你说他完全不懂吧他又会几个 AI 热词你说他真懂吧他连方案为什么成立、代价是什么、适不适合当前团队都判断不了。这类事情最荒唐的地方就在这里他们不是在用 AI 解决问题而是在用 AI 掩盖自己看不懂问题。如果非要掩耳盗铃那也行。只不过旧问题不会消失新问题还会继续产生最后大家再开一轮会认真研究下一轮 AI 怎么救场。95f711a20d61d3b5e9fe7ecf18109ba0再补一句AI 的大脑很强大但是你不是 AI记住纸上得来终觉浅绝知此事要躬行