人工智能（AI）能够快速生成代码的时代已经开启，但有人指出，在实际现场，'试制品'与'企业级软件'之间的鸿沟依然巨大。解释称，即使表面上看起来运行迅速，但如果无法跨越安全、维护和集成问题，反而可能只会加剧'技术负债'。
Appian Corp. 高级副总裁 Medhat Galal 最近在'Appian World 2026'活动上指出了 AI 生成代码的局限性，并表示快速原型设计并不能直接转化为可运行的系统。他解释说，许多企业对'氛围式编程'或基于规格的开发寄予厚望，但实际上，因功能完成度和安全问题导致项目中途停滞的情况并不少见。
Galal 诊断认为，基于 AI 的开发最初可能看起来很出色，但随着时间的推移，问题会连锁性地暴露出来。满足功能，安全性就会动摇；修复安全性，又会因为基础模型的改变而需要再次修改，如此反复。他指出，企业最终可能会陷入不是创建应用程序，而是不断维护和管理 AI 系统的境地。
企业级软件开发的结构复杂性
这些问题也与企业级软件开发的结构复杂性相关。生成像 Java 或 Python 这样的代码本身仅仅是个开始，要用于实际服务，必须稳定地将数据联动、认证与权限管理、业务规则、编排以及用户界面等多个层次整合在一起。Galal 解释道，每个阶段构成了不同的'抽象层'，即便单个功能完成了，要确保整个系统级别的可靠性也要困难得多。
这也展示了为何企业级软件项目不是以周为单位，而是以年为单位进行的。虽然 AI 生成的代码可以提高开发速度，但在实际运营环境中，集成、验证和应对安全会花费更多时间。随着初期快速成果转变为后期漫长的修正阶段，甚至会出现更多资源投入到错误修正而非开发中的情况。
受控流程中的 AI
Appian 认为，为了减少这些局限性，需要一种将 AI 置于'受控流程'中的方法。即设置护栏来明确 AI 代理何时可以执行什么操作，并通过应用治理来减少返工和技术负债。关键在于，尽管 AI 看起来像是开发的捷径，但在企业环境中，管理体系与设计能力仍然是成败的决定性因素。
Galal 强调，归根结底，编码本身原本就是困难的，AI 开发也不例外。AI 生成的代码确实是提高生产力的工具，但若马上将其视为'成品级的企业系统'，则可能随之而来的是远超预期的维护负担。
此次发言促使人们重新思考，在生成式 AI 的热潮中，企业应基于何种标准来制定系统引入与开发战略。比快速开发速度更重要的是'可靠性'与'安全性'，以及长期能够承受的运营结构。与市场预期不同，有分析指出，AI 驱动开发真正的决胜点不在于代码生成，而在于此后的集成与管控。
TP AI 注意事项 本文使用了基于 TokenPost.ai 的语言模型进行摘要。正文的主要内容可能存在遗漏或与事实不符的情况。