夜雨聆风关于“AI对企业架构的影响”，最近有很多讨论。
有人认为，AI只是人的放大器，企业架构作为被验证过的知识体系不会失效。
有人认为，AI会改变应用形态，甚至让传统应用架构逐渐消失。
也有人认为，架构不会消失，但交付方式、治理方式和架构师角色都会发生变化。
这些观点看似冲突，但我觉得，很多争议并不是因为大家真正意见相反，而是因为大家口中的“架构”，并不是同一个层级的东西。
一、AI不会让企业架构消失
先说基本判断：
AI不会让企业架构消失，但会削弱“以系统为中心”的架构方式，推动企业架构转向“以能力为中心”的治理体系。
企业架构存在的根本原因，并不是因为企业需要画系统图，而是因为企业天然会变复杂。
系统越来越多，数据越来越散，流程越来越长，角色越来越多。如果没有整体约束，企业很容易出现：
• 重复建设 • 数据口径混乱 • 流程割裂 • 局部优化、整体失效 • 技术债和组织债不断累积
所以，企业架构的底层价值没有变，仍然是三件事：
1. 控制复杂性 2. 在有限资源下做更优决策 3. 支撑企业长期演进
这些问题在AI时代不仅不会消失，反而会更加突出。
但变化在于：过去企业架构更多围绕“系统”展开，未来会越来越围绕“能力”展开。
过去我们问：
• 要建哪些系统？ • 系统之间怎么集成？ • 哪些平台能力统一？ • 哪些数据进数仓？
未来可能更常问：
• 企业有哪些可复用能力？ • 哪些能力可以被Agent调用？ • 数据是否能被AI正确理解？ • AI输出是否可信、可控、可追溯？ • 能力调用的权限、成本和风险如何治理？
这就是从“系统导向”走向“能力导向”。
二、很多争议来自“架构颗粒度错位”
企业里常说的“架构”，其实至少有三层。
如果不区分层级，讨论就很容易各说各话。
1. 企业级架构：解决全局协同问题
企业级架构关注的是跨部门、跨组织、跨业务线的整体设计。
它关心的问题是：
• 企业核心业务能力怎么布局？ • 哪些系统必须统一？ • 哪些数据必须有统一口径？ • 哪些流程必须跨部门打通？ • 哪些能力应该沉淀为公共能力？ • 数字化投资优先级怎么排？
它的关键词是：
全局、协同、复用、治理、长期演进。
所以企业级架构天然偏稳、偏长期、偏治理。
它不只是看某一个点能不能跑通，更关心这个点跑通之后，会不会破坏整体秩序。
2. 产品级架构：解决产品可用和可扩展问题
很多团队日常说的“架构”，其实是产品级架构。
它关心的是：
• 产品模块怎么拆？ • 前后端怎么分层？ • 服务边界怎么划？ • 数据库怎么设计？ • 性能和稳定性怎么保障？ • 后续需求来了好不好扩展？
它的关键词是：
交付、体验、效率、扩展、成本。
产品级架构更关注一个产品能不能做出来、好不好用、后面好不好改。
因此，当产品团队说“这个架构没问题”，往往指的是在这个产品范围内结构合理、交付可控。
但企业架构团队听到后，可能会问另一个问题：
这个产品会不会和集团现有系统、数据、流程、权限体系冲突？
这就是颗粒度错位。
3. 场景级架构：解决一个具体任务怎么落地
还有一种更小颗粒度的“架构”，更像解决方案设计。
比如一个运营工具、一个AI助手、一个自动化流程、一个部门内部小应用。
它关心的是：
• 这个场景怎么最快跑通？ • 用哪些现成组件？ • 数据从哪里来？ • 输出结果给谁用？ • 人工怎么兜底？ • 成本能不能接受？
它的关键词是：
场景、任务、组合、验证、快速闭环。
这一层常常不是传统意义上的“系统建设”，而是围绕一个业务任务做能力组合。
但问题在于，业务方可能认为这只是一个工具，IT或架构团队却可能认为这是一个新系统。
业务说：
我只是想快速解决一线效率问题。
架构团队说：
你这是在新建一个烟囱系统。
双方都不一定错，只是看的层级不同。
三、AI会放大这种颗粒度冲突
AI时代，这种冲突会被进一步放大。
过去做一个工具，要经历需求分析、排期、开发、测试、上线、运维。建设门槛比较高，所以小工具、小系统不会无限冒出来。
但现在，有了AI Coding、低代码、RAG、Agent和自动化编排，一个团队可能几天就能搭出一个可试用的业务助手。
这会带来两个结果。
1. 场景级应用会大量出现
各种小工具、小Agent、小自动化会越来越多。
从业务视角看，它们很有价值：
• 解决具体问题 • 投入小 • 见效快 • 可以快速验证
这会极大释放一线创新能力。
2. 企业级治理压力会快速增加
但如果每个团队都自己做一套，很快会出现：
• 数据散落 • 权限混乱 • 知识库重复 • Prompt不可控 • Agent重复建设 • 成本不可见 • 输出结果难追责 • 回答口径不一致
所以AI时代的核心矛盾会更明显：
一线需要更快创新，企业需要更强治理。
这也是为什么有些人觉得“架构会阻碍创新”，而另一些人觉得“没有架构一定失控”。
本质上，他们看到的是不同风险。
业务看到的是机会成本：如果什么都要等统一规划，创新窗口就错过了。
架构团队看到的是系统性风险：如果每个点都自由生长，企业最终会被复杂性反噬。
四、应用架构不是消失，而是换了形态
另一个争议点是：AI时代还需不需要应用架构？
有人说，未来可能没有应用架构了，应用会变成商品目录，或者变成能力架构。
这个判断有启发性，但我会稍微修正一下：
不是应用架构消失，而是应用架构从“系统结构设计”转向“入口、编排和能力边界设计”。
过去用户使用系统，路径通常是：
用户进入系统 → 点击菜单 → 填表单 → 走流程 → 写入数据库
未来可能变成：
用户提出任务 → AI理解意图 → Agent调用能力 → 系统和数据在后台协同 → 返回结果
用户感知到的，不再一定是CRM、ERP、OA，而是“帮我完成这件事”的能力。
比如：
• 帮我筛选候选人 • 帮我生成经营分析 • 帮我审查合同风险 • 帮我处理客户投诉 • 帮我安排出差审批
但这些任务背后，仍然需要系统、接口、数据、权限、流程、审计和运行平台。
所以，应用架构不会没有，而是会从“人操作系统”变成“人和AI共同操作能力网络”。
五、数据架构会从“有数据”走向“可理解”
AI对数据架构的影响也很大。
过去很多数据治理关注的是：
• 有没有数据 • 数据在哪里 • 能不能汇总 • 指标能不能看
AI时代更关键的问题变成：
AI能不能正确理解这些数据？
企业里的很多数据问题，不是技术问题，而是语义问题。
比如“客户”到底指什么？
• 注册用户算客户吗？ • 下过单才算客户吗？ • 签约公司算客户吗？ • 经销商算客户吗？ • 潜在线索算客户吗？
再比如“销售额”：
• 含税还是不含税？ • 扣不扣退款？ • 是订单额还是确认收入？ • 是集团口径还是区域口径？
人可以凭经验补上下文，但AI如果没有清晰语义，就可能生成看似合理、实际错误的答案。
所以，AI时代的数据架构会从“数据存储和集成”，进一步走向：
语义清晰、口径统一、上下文完整、可被人和AI共同消费的数据产品体系。
这也是为什么语义层、指标口径、数据产品、知识图谱会重新变得重要。
六、AI架构会成为新的治理维度
AI架构不会只是“选哪个大模型”。
它会成为企业架构里的一个新维度，关注：
• 模型选择与路由 • Prompt版本管理 • Agent任务编排 • 知识库建设 • 工具调用权限 • 数据脱敏与安全 • 输出校验与审计 • Token成本控制 • 效果评估 • 人工兜底机制
如果这些不统一治理，企业里很快会出现一堆“AI烟囱”：
• 每个部门一个Bot • 每个团队一个知识库 • 每个系统一套AI插件 • 权限边界不清 • 回答口径不一 • 成本不可见 • 风险不可追溯
所以，AI架构很可能成为连接业务架构、应用架构、数据架构和技术架构的新中枢。
七、关键不是要不要架构，而是用什么颗粒度治理
回到最初的问题：AI时代企业架构会不会变？
我的答案是：
企业架构的底层目标不会变，但架构管理的对象、颗粒度和方式都会变。
真正的分歧，不是“要不要架构”，而是：
能不能用企业级架构的治理颗粒度，去管理所有场景级创新？
如果所有小工具、小Agent、小试点，都按大型系统建设流程来管，业务创新一定会被压慢。
但反过来，如果所有场景级工具都自由生长，不接入统一身份、权限、数据、日志和审计体系，企业迟早会陷入新的混乱。
所以更合理的方式，不是“统一管死”，而是“分层治理”。
八、分层治理：企业级、产品级、场景级各管各的重点
可以简单理解为：
这背后有两句话很重要：
AI时代不是不要架构，而是不能用企业级架构的治理颗粒度，去压死场景级创新。
反过来也成立：
不能用场景级工具的灵活性，去挑战企业级治理的底线。
九、最后总结
AI不会让企业架构过时。
它真正改变的是：企业架构不再只是规划系统，而是要治理一个由业务能力、数据产品、AI能力和技术组件共同组成的能力网络。
过去，企业架构更多回答：
企业应该建设哪些系统，系统之间如何协同？
未来，它会更多回答：
企业有哪些能力，这些能力如何被人和AI安全、低成本、可复用地调用？
所以，我更愿意把AI时代的企业架构概括为一句话：
AI不是让企业架构消失，而是让企业架构从“统一设计系统”升级为“分层治理能力”。
未来的架构管理，既要有企业级的统一底座，也要允许场景级的快速创新。
关键不是管住所有应用，而是管住能力边界、数据流向、风险红线和持续演进。
