企業軟件研發AI轉型的坐標系：奇點智能研究院發布《AISMM 2026 AI原生軟件研發成熟度模型白皮書》

最近又值模型“高發期”，Claude 4.7 和 DeepSeek V4 的相繼發布，讓行業情緒幾度高漲。一邊是開發者為 Agent 接管更多執行環節而興奮，另一邊，很多企業的工具雖然接進來了，可一旦往組織深處走——知識沒整理、流程沒改寫、運行環境還是舊的、治理邊界也沒重建，真正的系統性收益并沒有出現。這也正是最擰巴的地方：模型在狂奔，組織卻沒有那么快跟上。

所以，今天討論 AI 原生，已經不能只盯著模型會不會寫代碼，而要開始回答另一個更難的問題：企業到底該怎么穿過這輪變革。為此，奇點智能研究院在 上發布了《AI 原生軟件研發成熟度模型白皮書》（AISMM 2026 版）。這份白皮書由奇點智能研究院專家團隊，基于豐富的行業客戶咨詢案例，并融合業界最佳實踐形成，是 AI 軟件研發領域一項很關鍵的階段性成果，得到了行業專家的關注與認可。

? 2026 奇點智能技術大會上，奇點智能研究院院長李建忠發布 AISMM 白皮書的現場

它切中的現實并不抽象。

過去一年，關于 AI 寫代碼這件事，行業已經熱到幾乎不用再證明了。Sonar 2026 的開發者調查報告顯示，72% 的開發者每天都在使用 AI 編碼工具，AI 生成或輔助的代碼已經占新增代碼的約 42%。Google 發布的 DORA 2025 報告里，軟件開發領域 AI 工具采用率達到 90%，同比增長 14%。市場研究報告則顯示，AI 代碼工具市場 2026 年規模已經達到約 100.6 億美元，預計到 2034 年會增長到 705.5 億美元。

這一切看上去都像一場已經完成了一大半的生產力革命。Copilot 成了很多開發者的默認入口，Claude Code 和 Codex 把寫代碼從建議模式推進到了執行模式，Agent、智能研發平臺、AI 原生軟件這些詞一輪輪刷屏，行業情緒高得幾乎像在迎接一個已經到來的新紀元。

但另一組數據很快就把這種樂觀拽了回來。McKinsey 2025 的調研里，真正能夠在 AI 投入和產出之間建立良性循環的企業，大約只有 6%。BCG 2025 的報告里，全球只有 5% 的企業可以稱得上 AI Future-Built，60% 的企業仍然在掙扎。

當個體效率提升遭遇組織能力瓶頸，真正的難題就開始浮出水面。

從「有工具」到「有能力」

AI 在個體層面的 adoption 已經非常高，組織層面的能力建設卻沒有同步完成。熱的是工具，卡住的是組織。很多公司已經擁有模型、助手、編碼插件和一批能熟練使用它們的人，但真正稀缺的東西還在另一邊，知識有沒有被整理成可消費的資產，流程有沒有被改寫成 Agent 可以執行的規范，運行環境有沒有從人類工程師時代遷移到 Agent 時代，組織角色、治理邊界和評價體系有沒有一起變化。

白皮書把這道鴻溝概括成從「有工具」到「有能力」。

企業今天的困境并不能簡單理解成暫時落地慢，或者某個部門還不夠重視 AI。如今很多組織眼下遭遇的不是 adoption 問題，而是結構問題。工具已經足夠先進，但工具只是插進了舊體系，舊體系本身卻沒有被改寫。于是局部看起來火熱，整體卻沒有形成真正的躍遷。

19 世紀末，工廠從蒸汽動力轉向電力時，最開始只是把電動機裝進舊廠房，生產率并沒有馬上起飛。直到工廠圍繞電力重新設計布局、流程和協作方式，生產率才真正躍升。AI 轉型也是一樣，給團隊配上 AI 工具，不等于組織已經完成轉型。真正困難的部分，不在工具有沒有接進來，而在流程、知識體系、運行環境、協作模式和治理方式要不要一起重構。

如果說前面這些內容講清楚的是，為什么行業一邊在狂奔，一邊又像被困在原地，那么白皮書接下來要做的第一件事，就是給這種割裂感畫一張地圖。

AISMM 不是打分卡，而是一張位置地圖

面對這場系統級變革，企業需要一個能夠全景掃描自身能力狀態、識別短板瓶頸、規劃漸進路徑的系統性坐標系。AISMM 采用的是一個 5×5 的矩陣結構，橫軸為五個成熟度遞進階段，縱軸為五個關鍵維度。這一結構背后，指向的是哪些能力會穿越技術周期，持續決定組織的 AI 原生研發能力。

五個遞進階段反映了組織 AI 能力從引入到原生的演進規律，從 L1 輔助提效、L2 領域集成、L3 Agent 協同、L4 自主代理到 L5 自進化工廠。

五個關鍵維度則覆蓋了組織級的結構性能力，基礎設施、知識工程、流程工具、組織人才、安全治理。用一個更直觀的比喻來說，基礎設施是底座，知識工程是燃料，流程工具是引擎，組織人才是駕駛者，安全治理是護欄。

只看這個結構，你會以為它又是一張熟悉的成熟度表格，一個企業站進去，測一測自己處在哪一層，再決定下一步要不要升級。但白皮書真正想建立的不是分數，而是位置感。它想幫助企業回答的是三個更根本的問題：

• 我在哪里？

• 我應該去哪里？

• 我怎樣到達那里？

通過系統性診斷當前狀態、識別維度之間的不均衡，再結合業務優先級規劃漸進路線，企業才能把有限資源集中到最具杠桿效應的能力提升路徑上。

這也是它比很多 AI 研發報告更有用的一點。它沒有把問題收縮成單點工具比較，而是把變化放回一個軟件生產體系里重新排布。一個維度往前走，并不自動意味著整套系統已經完成升級。很多企業真正的尷尬，就在于它們在某些局部看起來已經很先進，但一旦把五個維度并排放在一起，斷裂馬上就會暴露出來。

不同類型的軟件，本來就不該追求同樣的成熟度目標。簡單應用型軟件，在 L1 可能就已經足夠釋放價值。復雜系統級軟件，則往往要走到 L3、L4 才真正具備工程支撐。

三大范式的同步躍遷

要理解當前轉型困境的根源，還得繼續往里看。白皮書先給出了一組總判斷，今天的軟件行業變化，不是一次普通的工具升級，而是三條主線同時在變。

第一條是應用范式。軟件的交互邏輯正在從圖形界面轉向自然語言意圖界面，軟件的基本形態也會從功能模塊，逐步轉向圍繞任務執行的 Agent。

第二條是開發范式。軟件工程正在從代碼工程向行為工程遷移，開發者的工作不再只是逐行實現功能，而是管理上下文、約束 Agent、設計運行環境、組織協作。

第三條是計算范式。軟件運行的底層從確定性的圖靈—馮諾伊曼計算，逐步走向建立在神經網絡上的概率推理體系，底層基礎設施也會隨之改寫。

這三大范式的同步躍遷意味著，企業面對的不是一次簡單的工具升級，而是一場涉及技術底座、工程方法、組織形態和安全治理的系統性變革。在應用范式層面，軟件正在從「功能固定」的靜態制品，轉向「能力彈性」的動態服務。在開發范式層面，人的角色正從代碼的編寫者，轉向需求的表達者和結果的驗證者。在計算范式層面，軟件運行的基礎設施也在從 CPU 邏輯運算走向 GPU、NPU 驅動的神經網絡推理。

今天的問題，不在于大家是不是已經接入了 AI，而在于軟件生產體系的三層底座都在同時松動。界面在變，開發動作在變，底層計算邏輯也在變。組織如果還是拿舊框架去接這一輪變化，斷裂幾乎是必然的。

AI 進來以后，最先震動我們的確實是寫代碼這一步，于是大家也很容易把全部注意力都壓在編碼效率上。但白皮書不斷往后拆，拆出來的卻是另一幅圖景，真正被撬動的不是一段代碼怎么生成，而是軟件到底在什么時刻完成、由誰完成、依賴什么完成、又在什么地方繼續變化。

軟件開始分層，傳統、即時與柔性三種形態并存

接下來最值得被單獨拆開的，就是軟件本身的形態。

白皮書提出了一條新的觀察主軸，能力綁定時機。過去的軟件，大多默認能力在發布前被定義清楚。代碼、接口、流程、體驗，一切都盡可能提前固定下來。但 Agent 出現之后，軟件能力開始沿著不同時間點分化，于是軟件本身也開始分成三種形態。

第一種是傳統軟件。能力主要在發布前完成定義與實現，強調確定性、接口穩定、行為可控。在金融、電信、工業、關鍵基礎設施這類場景里，它仍然不可替代。

第二種是即時軟件，即 Instant Software。它通常圍繞任務臨時生成，用完即棄，常見于腳本、一次性頁面、臨時工具、探索性原型。

第三種是柔性軟件，也就是 Elastic Software。它處在傳統軟件和即時軟件之間，核心能力在發布前固定，高變化、高上下文依賴的部分則延遲到運行時，由 Agent 結合 Skill、規則、模板、知識和局部源碼改造去完成。

它把今天軟件行業里很多已經發生、但還沒有被命名清楚的變化，一下子排進了同一張圖景。很多標準化軟件與用戶真實使用路徑之間，本來就隔著很長一段距離。過去因為軟件生產成本太貴，這段距離只能由用戶自己忍受。

現在，Agent 正開始吃掉這段距離，讓標準化基座和個性化體驗之間出現新的中間層。軟件不再只是一個發布前被一次性做完的東西，而越來越像一個有穩定內核、但可在運行時繼續變形的系統。

傳統分類更關心軟件屬于哪個行業、哪個部署形態、哪個收費模型，但 AI 時代的軟件差異，越來越不只在這些地方，而在它到底是在發布前完成，還是在運行時繼續生成，或者是在兩者之間形成一種穩定核心加柔性外層的新組合。能力綁定時機一變，軟件的生產邏輯、維護邏輯、交付邏輯和商業邏輯都會跟著變。

如果再往現實里看一步，這組分類其實也在重新解釋很多企業今天的產品棧。最底層那些要求強可靠、強審計、強穩定的部分，仍然更接近傳統軟件。圍繞一次性需求迅速生成的小工具、小流程、小頁面，更接近即時軟件。

而真正可能成為下一輪主戰場的，恰恰是中間這片柔性軟件地帶，穩定基座還在，但上層體驗、交互路徑、任務執行邏輯開始圍繞具體上下文動態變化。很多公司現在嘴里說的 Agent 化，真正落下來的，往往也正是這片區域。

真正被重寫的，還有軟件工程

AISMM 的模型框架提供了一個全景坐標系，而白皮書的第三章則對坐標系中各維度涉及的技術和實踐要素背后的變革肌理進行了深入剖析，通過八個核心切面揭示了 AI 原生軟件工程正在經歷的根本性重構。

技術底座部分從工程實踐視角梳理了六個關鍵技術維度的演進脈絡與能力邊界，為企業制定務實技術戰略提供基礎。軟件形態分析則從 “能力綁定時機” 這一獨特視角審視軟件形態的深刻分化，幫助企業在傳統軟件、柔性軟件和即時軟件之間做出戰略選擇。

流程重塑部分探討了基于軟件形態分化的開發流程變革方向，揭示了 AI 原生時代 Spec（規格說明，Specification）與 TDD（測試驅動開發，Test-Driven Development）的全新內涵。架構重塑則將架構設計的關注點從空間結構擴展到時間結構，提出了 “為 Agent 設計” 的新范式。

知識工程體系正在經歷從傳統文檔管理到知識編譯范式的完整躍遷，知識的承載格式、存放位置、維護方式都在發生深刻的變化。度量變革則直面傳統軟件研發度量體系在 AI 原生時代的失效風險，提出了面向 AI 原生研發的新度量坐標。

自進化飛輪將軟件生產的各個環節連接為自我改進的循環，代表著組織建立了可自我改進的軟件生產生態系統。角色重塑與組織進化則揭示了技術、流程、架構、知識和度量的變革最終如何落在人的身上，以及組織如何培養適應新范式的人才、建立支持持續進化的文化和機制。

當代碼變便宜，知識會重新變貴

當代碼越來越廉價，領域知識會成為企業真正不可替代的資產。這不是一句空泛的口號，因為很多組織今天的現實問題正好相反，它們不是沒有資料，而是沒有把資料整理成 Agent 真能吃進去的東西。

傳統文檔管理、領域知識庫、RAG、Context Engineering、Harness 知識體系、Skill 庫質量管理、會話級與任務級記憶、多 Agent 共享與貢獻知識，這些在白皮書里并不是分散的小點，而是一條連續的進化路徑。知識不再只是存起來給人看，而要整理成 Agent 可以消費、復用、擴展和沉淀的結構化資產。

這也是為什么很多企業表面上已經接入了最先進的模型，真正跑起來卻還是很別扭。問題不一定出在模型能力本身，而是組織內部最關鍵的知識資產還停留在給人看的狀態，沒有被轉換成可編排、可調用、可記憶、可積累的工程對象。模型越強，這個問題反而越尖銳。因為當代碼變便宜之后，真正貴的就不再是生成本身，而是生成到底建立在什么知識之上。

過去很多企業把知識管理看成文檔管理，把經驗沉淀理解成存檔，把內部 know-how 看成只有老員工才知道的隱性能力。但 AI 原生研發往前走，知識不再只是一個供人檢索的倉庫，而會越來越像軟件生產本身的一部分。誰能把知識變成 Agent 可以穩定消費的資產，誰就更可能把組織經驗轉化成持續復用的生產力。到這一步，企業的真正壁壘就不只是模型接入速度，而是知識有沒有被編譯進系統。

最后，變化都會壓回到組織身上

當這些變化一層層疊加之后，最后都會壓回到人和組織身上。

白皮書的判斷很直接，開發者未來不只是代碼編寫者，而越來越像系統設計師、Agent 協作者、結果驗收者和邊界守護者。從 L1 和 L2 的工具培訓、Prompt 和 Context 能力建設，到 L3 的 Agent 協作者與監督者，再到 L4 的 Agent Orchestrator、Agent Evaluator、AI 產品經理，直到 L5 所設想的飛輪架構師，以及「超級個體 + 多 Agent」這樣的生產單元，一整套組織分工正在重寫。

不只是程序員會不會被取代這種老問題，而是軟件生產單元本身在變。過去很多團隊的基本組織方式，是若干角色圍繞一個需求流轉。產品提需求，研發寫代碼，測試驗收，運維發布。

AI 進來以后，最先發生變化的可能不是某個崗位被消失，而是一個更小、更高密度的生產單元開始形成。一個人加上一組可編排的 Agent，可能就能完成過去一整個小團隊才能完成的動作。等到這種生產單元越來越穩定，組織結構、協作方式和績效評價就都會被迫重寫。

今天關于 AI 編碼、Agent、AI 原生軟件研發的材料已經很多了，但很多內容停在工具體驗層，停在概念包裝層，或者停在趨勢判斷層。AISMM 這份白皮書試著做的，是先把這場變革里的坐標系、路線圖和幾個關鍵切面勾出來，讓讀者先看清楚這場系統性變革的大輪廓。

它真正展開的內容，其實遠不止這些。關于三大范式躍遷的更細拆解，關于 5×5 成熟度矩陣的完整讀法，關于軟件形態、知識工程、組織進化這些切面的更深分析，都還在白皮書正文里。

如果你正處在個體效率提升與組織能力建設之間的夾縫里，如果你的團隊已經明顯感受到工具熱度和組織現實之間的落差，這份白皮書值得繼續往下讀。

歡迎關注奇點智能研究院服務號，我們將持續發布白皮書的獲取方式和后續解讀。