超越 AI 编码：真正的生产力飞跃是完全跳过代码

尽管人们对 AI 辅助开发的关注度很高，从自动完成工具到可以生成整个仓库的系统，讨论仍然集中在速度上。每个人都在谈论更快的脚手架、更快的原型设计和更快的代码生成。产品团队庆祝能够在几分钟内将自然语言描述转换为函数或 API。是的，这些收益是有意义的，但它们仍然在相同的软件范式内运作。代码被编写、编译、部署、测试和维护。周期加速，但结构保持完整。

在更深层次上，然而，一个转变开始出现，这指向了下一个真正的生产力突破。为了获得真正令人惊叹的收益，我们需要一个范式转变：不是更快的代码，而是更少的代码。与其使用 AI 将业务规则转换为机器稍后执行的程序，不如直接用自然语言表达业务逻辑，并由智能系统执行。模型成为运行时。翻译层消失。

这一步不是一种方便。它改变了组织的运作方式。它改变了政策如何成为软件、法规如何成为行动以及企业如何适应外部压力。它带来了将多个月的工程周期缩短为快速、政策驱动的更新的可能性，这些更新可以像管理它们的机构一样快速移动。

AI 如何从编写代码转变为执行逻辑

软件开发中的 AI 采用有三个广泛的阶段。第一个阶段是 AI 辅助编码，即机器在开发过程中帮助生成代码片段或函数。第二个阶段是 AI 生成系统，即可以从自然语言生成大型组件或架构。第三个阶段是 AI 执行逻辑，即开发人员根本不编写代码。相反，他们提供政策、规则或意图。系统解释这些指令并直接执行。

大部分行业讨论仍然局限于前两个阶段。它们产生效率，但不改变软件的根本结构。分支逻辑、部署管道、回归测试和环境管理仍然存在。技术债务、依赖漂移和复杂的翻译层之间的导航需求也仍然存在。

第三个阶段的机会更为重要。当业务指令成为真理源时，组织从软件发布周期转变为提示驱动的执行。更新合规规则成为单一指令。调整欺诈评分阈值成为单一指令。修改特定管辖区的退款逻辑成为单一指令。这些更改不被输入到待办事项列表中。它们直接通过模拟、验证和审批流程进入受控执行。

这种模型才刚刚开始形成。组件存在，但集成尚未普遍。然而，发展方向很明确。

为什么减少编码努力是不够的

AI 生成的代码仍然带有与人工编写的代码相同的负担。系统需要维护，依赖关系会发生变化。另外，重构变得不可避免，因为逻辑会演化，测试和回归周期仍然存在，因为正确性仍然取决于静态指令，这些指令用确定性语言编写。这些约束中的许多与谁编写代码无关。它们反映了代码的基本性质：业务意图和机器执行之间的翻译层。

这些约束会累积。它们会消耗时间和金钱。即使是最先进的 AI 生成的仓库仍然需要监督和复杂的测试。维护成为系统生命周期中的主要成本驱动因素。

最近的研究详细阐述了这些挑战。2025 年的一项关于 AI 启用系统中的技术债务 的研究发现，采用 AI 生成代码的组织仍然面临着重大可维护性问题、架构不一致性和长期重构负担。这些问题无论代码是由人类还是模型编写的都会出现，这表明加速代码生成并不能解决软件工程的结构限制。完全消除翻译层是实现生产力飞跃的唯一途径。

为什么金融部门将首先感受到这一转变

支付、银行和金融服务在奖励适应性的条件下运作。监管格局频繁变化，强烈的客户身份验证、欺诈报销、跨境制裁和消费者保护等领域的指导正在不断演变。例如，FCA 的《致 CEO 通信》关于授权推送支付欺诈报销 为此环境中的监督和系统级控制设定了明确的期望。机构通常需要几个月的时间来将这些政策更改翻译成系统行为，这种延迟会产生战略劣势。

提示驱动的执行模型可以改变节奏。金融机构不必将规则编码到多个系统中，而可以直接用自然语言更新政策，并让执行层解释、模拟和生成部署提议。如果这样做，开发成本就会降低。另外，误解的风险会降低，监管和实施之间的距离会大大缩短。

英国的监管期望也正在朝着同一方向发展。FCA 和英格兰银行 2024 年关于金融部门运营韧性的 政策声明 为金融机构识别漏洞、应对变化和在关键服务上维持连续性制定了更严格的要求。该指导强调了更清晰的治理结构和对支持支付和欺诈控制的系统的更强监督的重要性。能够快速将政策转化为运营行为的机构将更好地满足这些期望。

领导者必须考虑的风险

这种转变并非没有挑战。用模型驱动的执行替换代码引入了新的风险。确定性变得至关重要，特别是在支付中，预测性和可审计性是必不可少的。可解释性对于合规性和监管审查至关重要。计算成本必须受到控制。治理需要明确的责任划分，特别是在高级管理职能下。

关于模型可靠性和评估的最近工作强调了在大规模保持确定性行为的困难。对大型语言模型基准的 研究 发现，评估设置的微小变化会产生不一致且有时相互矛盾的结果。这种可变性意味着任何提示驱动的执行层都需要包括防护栏模型、验证程序、模拟环境和版本化提示和模型的控制。这些元素将是必要的，以满足监管机构对监督和运营韧性的期望。

围绕 AI 执行模型的基础设施将定义机构是否可以安全地采用这种范式。仅仅用自然语言表达规则是不够的。组织必须构建确保正确性、可复制性和可观察性的层。

政策到执行系统的潜在架构

未来监管机构的执行环境可能遵循一种结构，即政策成为主要的运营真理源。该过程可以通过以下几个层次工作：

• 政策：直接用自然语言表达的业务或合规规则。
• 受控提示库：一个版本化的存储库，用于存储、审查和批准这些规则，具有完整的审计跟踪。
• AI 解释和模拟：测试政策、运行场景、检查边缘情况并在部署之前识别不一致性的系统。
• 部署建议：需要人工批准的拟议滚动步骤，包括防护栏和影响评估。
• 通过结构化 API 执行：一旦批准，系统使用现有的确定性机制（例如规则引擎或预定义的更新配置、阈值或控制的 API）应用验证后的政策。AI 层解释意图；执行层在不生成新代码的情况下执行它。

一个实用的例子说明了这些层如何操作。FCA 更新了关于 APP 欺诈报销的指导，合规团队将更改转换为用自然语言编写的政策。指令可以简单到：“标记所有超过 500 英镑的出站支付，如果收款人在过去 48 小时内创建，除非发送者以前曾向该收款人发送过付款。”AI 系统测试指令、运行模拟、检查边缘情况、生成文档并提出部署路径。合规团队审查和批准建议。执行层然后在没有手动编写或部署代码的情况下更新相关控制。

这种架构在减少技术距离的同时保持人工监督之间的政策和运营行为。它还提供了一个受控环境，其中概率解释和确定性执行可以共存。

几项工程分析已经研究了混合架构如何支持将模型驱动的解释与确定性逻辑结合的系统。对代理 AI 框架的 调查 概述了组织如何在单个操作环境中将神经组件与基于规则的结构集成。研究表明，这种设计可以简化系统之间的协调，保持关键操作的清晰边界，并创建在监管环境中仍然可预测的执行路径。

最后的想法

AI 编码工具将继续改进。它们将加速软件开发并减少努力。但是，它们并不能解决将业务意图转化为确定性代码的根本限制。下一个生产力飞跃将来自完全消除该翻译层。

现在开始为提示驱动执行做准备的组织将获得速度、韧性和清晰度。他们将能够快速适应监管变化并减少工程摩擦。他们还将构建自主、机器驱动的工作流所需的基础设施。

仍然专注于代码生成的机构将获得效率。超越代码的机构将获得战略优势。