夜雨聆风AI Coding 很火，但不少人真正用下来都会有同一个感受：看起来很强，实际却要反复修改，离“稳定可用”总差一步。
核心原因很简单：用户给AI讲不清楚业务场景的边界，AI只能反复来“猜你想要”。
换句话说，在真实业务中，存在大量默认规则：字段如何理解、流程谁能触发、哪些异常要兜底、哪些数据不能碰，而用户在让AI Coding的时候往往写不全、说不清这些规则--通用的说实话AI还能凑合搞搞，但你真别指望AI脑补你的个性化规则。
而这导致的结果就是：AI Coding代码逻辑在个别场景看似能用，但一量真实投产就各种爆雷。
只有当不厌其烦的反复教育AI你的这些隐性知识后，情况才会改善：AI Coding的可用性会快速提升。
一、AI + 智能表格：把复杂问题压缩到可控空间
由此我想到一个更容易落地的方向，是让 AI 先在智能表格、多维表格里产出结果，因为：
第一，底盘能力边界天然受限、好盘点。因为智能表格类产品，本身就是围绕表结构、字段关系、公式和自动化来组织应用，并支持将schema和组件沉淀复用，本质是在有限边界内构建应用。这种字段有限、公式有限、自动化动作有限的天然边界，决定了AI不是在开放世界探索，而只需在有限规则内完成组合即可。
第二，人类接管成本很低。AI 生成代码出错，非技术用户往往无从下手，而AI 生成表结构、视图或公式出错，用户通常一眼就能发现，并直接修改。
这意味着 AI 的产物不再是“必须交给工程师调试的黑盒”，而是业务用户可以继续加工的半成品。
从这个角度来说，很多企业真正缺的，并不是更强的代码生成能力，而是更适合 AI 发挥的应用容器。而企微智能表格、飞书多维表格近年在AI方面的产品演进，比如AI for No-Code（AI 驱动无代码），也在持续强化“基于现有数据结构，通过自然语言生成和调整应用”的能力。
二、大型软件的关键价值，正在转向“AI 可调用边界”
这个逻辑放到企业核心系统中，同样成立。
大型企业核心应用系统通常会配一层 PaaS，而这类 PaaS 平台往往过重、学习成本高，所以用户使用意愿也低。
但这并不意味着 PaaS 没有价值，在 AI 时代它的角色反而更清晰了：为 AI 提供安全、稳定、可控的边界。
如果让AI生成长在金蝶、用友、SAP等企业核心系统的轻应用，很典型的要求就是AI不能直接操作底层数据库、不能绕开原有权限体系，而最合理的路径，就是通过 PaaS 暴露的标准 API、元数据、对象模型和流程节点进行组合。
这也是SAP Build 等平台正在强化的方向：基于现有表、现有应用和标准接口，生成可治理、可追踪的业务应用。
从这个角度来说，未来真正重要的，未必是再造一个“万能开发平台”，而是把企业现有系统整理成一套对 AI 友好的边界清单：
• 哪些表可用 • 哪些字段可写 • 哪些接口可调 • 哪些动作需要审批 • 哪些数据禁止越权
边界越清晰，AI 的产出就越稳定，就越容易用AI快速交付稳定可用的、高度场景化的轻工具。
三、企业会大量出现“随用随做”的轻应用
如果AI能基于边界快速交付，而不是排期两个月，那么另一个可能的趋势，就是一次性、短生命周期应用的增长，也就是所谓的一次性软件（Disposable Software）。
企业中有大量需求，本身就不值得做成长期系统，比如活动统计、临时排班、阶段性协同看板、短期流程补丁，还有老板从抖音上学会的“新知识”。
过去，这种需求要么因排期过长被拖死，要么退化成 Excel 和群消息。
AI 带来的改变，在于可以快速生成“随用随做”的轻应用：先解决问题，再观察价值。
如果使用频率上升、影响范围扩大，再由 IT 接手治理、组件化和转正，系统演进从“先设计完美”，变成了先验证价值，再工程化。
结语
我认为现在AI Coding 的真正潜力，并不在于让 AI 成为无所不能的全栈工程师，更适合他的广阔江湖恐怕还是在结构化工具、标准接口和清晰权限的边界内，高速拼装应用。
能否落地，关键不在生成能力，而在边界质量。
而谁先把边界整理清楚，谁就更早把 AI 变成稳定生产力，谁就能更快的交付数字化能力，也就更能获得客户的认可。
