很多年，企业数字化走的是一条大家都很熟悉的路：业务部门提需求，科技部门整理需求，找供应商、买软件、做实施、上线、维护。这套模式曾经有效，但在今天，已经越来越重，也越来越慢。

随着大模型和 Agent 的快速发展，企业软件的生产逻辑正在发生一次根本变化。软件不再只是一个预先定义好功能、打包交付的产品，而越来越像一种能够被快速生成、持续迭代、按场景执行的能力。

这也是为什么，越来越多企业开始从"买软件"转向"自己造 Agent"。近一个月我拜访了几家客户，发现他们都在用 Claude Code 或者 CodeX 自研业务侧的 Agent，还别说，有些应用我感觉外部供应商真做不了。

真正的问题已经不是"Agent 能不能做"，而是：距离大多数企业真正具备自研 Agent 的能力，到底还有多远？

我的判断是：从"能做出来"这件事上看，已经不远了；但从"能稳定跑起来、规模化用起来"这件事上看，分水岭才刚刚开始。

一、企业软件，正在从"采购时代"进入"自研时代"

传统企业软件的核心逻辑，是把共性需求抽象成标准化产品，再通过复制交付覆盖更多企业。但 Agent 时代，这套逻辑正在被改写。原因很简单：软件的生成成本正在快速下降。

过去，企业之所以必须依赖标准化软件，是因为研发成本高，只有做"通用产品"才划算。但现在，借助大模型、代码生成工具和智能体框架，企业已经可以围绕一个具体流程、一个细分岗位、一个真实业务动作，快速搭建出一个可用的 Agent。

这意味着什么？

意味着企业不必再等一个大而全的平台，不必再为覆盖所有部门去做一轮漫长的需求整合，也不必再把每个问题都塞进一套统一系统里。很多时候，一个智能问数 Agent、一个合规审查 Agent、一个客服摘要 Agent，就足以率先把问题解决掉。

换句话说，软件正在从"统一分发的产品"，变成"围绕场景即时生成的过程"。

这是企业数字化范式最深的一次变化之一。

二、企业内部科技部门角色改变：从需求汇总者到 Agent 指挥官

在传统模式下，科技部门与业务部门之间存在着显著的"认知沟壑"。这种沟壑导致了软件开发过程中的"信息熵增"：一线业务需求在传递到研发端时往往已经扭曲，最终交付的产品往往在上线之日就面临着与场景脱节的尴尬。

2.1 工具链革命：Claude Code 与 Codex 的催化作用

Claude Code、Codex 等开发辅助产品的出现，彻底改变了代码生成的经济学逻辑。在这些工具的加持下，工程师的角色正在从"代码编写者"转向"Agent 管理者"。这种身份转型的核心在于：开发者不再需要逐行敲击代码，而是通过管理 4 到 8 个并行的 Agent 来处理特征开发、代码审查、安全审计和 Bug 修复等任务。

在这种全新的工作流中，工程师的效率得到了指数级的提升。实测数据显示，使用 Codex 进行开发的团队，在某些场景下几乎可以实现"一次成功"的极高产出率。更重要的是，工程师正在采用一种被称为"叠加再叠加"（Stacking）的工作模式：利用 Claude Code 进行规划和编排，再利用 Codex 进行具体的代码实施，最后由 AI 驱动的自测套件完成验证。

2.2 软件作为"过程产物"的哲学转向

一个深刻的见解是：软件本身已经变成了一种"过程产物"，而不再是以前那种为了"共性需求"而研发的通用产品。在传统软件时代，由于研发成本极高，企业必须寻找业务部门的共性，通过大规模复用来摊薄开发成本。但在 Agent 自研时代，由于生成代码的边际成本极低，软件可以针对每一个微小的、碎片化的业务场景进行定制。

在偏向业务侧的这种"一次性软件"、"动态软件"或"过程软件"的逻辑，意味着企业不再需要等待一个宏大的、覆盖全行或全公司的统一平台，而是可以根据当下的业务需要，快速生成一个 Agent 来处理特定的合规检查或营销摘要。这种灵活性是传统外采软件无法提供的。

三、企业自研 Agent 的三大显性红利

为什么领先的企业纷纷选择"重装"科技部进行自研，而非继续依赖供应商？其背后的经济账和战略逻辑非常清晰。

1. 根植于需求第一线

自研 Agent 最大的优势在于其能够与业务场景实现"无缝贴合"。当科技部的开发人员能够利用 Claude Code 等工具快速响应业务需求时，技术人员就能够真正站在一线。微众银行在客服场景的实践中发现，通过自研摘要生成 Agent，其摘要合格率达到了 90%，小结准确率更是高达 98%。这种精度源于开发人员对内部业务逻辑的深刻理解，而不仅仅是简单的 API 调用。

2. 极致的适应能力与动态迭代

市场环境瞬息万变，企业内部的业务规则也在频繁调整。外采软件的修改通常涉及繁琐的合同变更和供应商排期，反馈周期以月为单位。而自研 Agent 由于采用了高度模块化的生成式架构，其逻辑可以随 Prompt 或知识库的更新而即时调整。上海银行在构建全行级智能问数平台时，强调的就是"数据民主化"和"业务人员自主完成数据分析"的能力。这种"数据赋能"的核心要求就是系统必须能够随着业务人员的问题深度而动态进化。

3. 成本结构的结构性优化

在规模化部署阶段，成本是决定 Agent 能否普及的关键。浪潮信息通过自研服务器和 OpenClaw（龙虾）自主智能体框架，成功将每百万 Token 的成本降至了 1 元人民币。这种成本控制能力使得企业可以支撑成千上万的用户和数以百计的 Agent 并发运行，而不需要向外部软件服务商支付巨额的按席位或按流量计费的许可证费用。

结语

企业软件的范式转移已经发生。从采购到自研，从标准化到场景化，从产品到过程——这不仅是技术路线的改变，更是企业数字化思维的根本转变。

但问题随之而来：既然"造枪"变得容易了，为什么大多数企业还是没能真正把 Agent 用起来？

下篇预告：我们将深入探讨企业自研 Agent 面临的最大瓶颈——"弹药"难题，以及知识引擎如何成为这场竞赛的胜负手。