我们注意到，MIT 的数据这周又被翻出来：95% 的企业 AI 项目最终没能变成可持续生产力，平均每个失败项目烧掉 189 万元。问题不在模型——AI 拿不到精准的业务上下文，跑在无状态的基础设施上（容器一重启就丢记忆），才是元凶。Zadig 这周给出的解题思路是：把 AI 做成工作流里的一个普通节点。

这是什么

Zadig（一家国内 DevOps 平台，简单说就是帮公司自动化「写代码到上线」全流程的工具）v5.0 在工作流任务列表里加了「AI 任务」节点，免费开放给社区。底层做法不复杂：把 AI 塞进代码提交→构建→测试→部署→发布这条流水线，让它成为一个被调用的环节，而不是另起一套系统。

典型场景有三个。一是发布前 SRE（站点可靠性工程师，负责保障线上服务稳定）检查：AI 自动查错误日志、看依赖状态、确认数据库迁移，原本 15 分钟变 3 分钟，标准统一。二是代码审查：AI 先标风险点，开发者只需看「AI 标的对不对」。三是接入已有 Agent（能自主执行多步任务的 AI 程序）：团队自建的智能体填个 HTTP 地址就能被工作流调用，不用重复开发。

核心原则是：AI 查全、整理好，人做最终判断。每次执行留痕，能倒查。

行业怎么看

看好方认为这条路踩准了企业 AI 的真痛点。GitLab 调研 1528 名开发者，85% 认为瓶颈已从写代码转移到审代码，AI 干粗活、人拍板是合理分工。同期 IDC 数据：90% 的企业 AI POC（概念验证，可理解为「试点项目」）过不了生产验收，Zadig 的方案至少回答了「怎么落地」。

但也有保留。一种质疑是：这本质是工作流编排（把多个步骤串起来自动跑）的扩展，不是真正的 Agent 突破。把 AI 变成被调用的工具，和让 AI 自主决策是两回事——模型能力没变，天花板仍在。另一种担忧更现实：「上下文治理」问题没真正解决，AI 拿不到精准业务上下文依然会一本正经地胡说，189 万的坑不会因为换工具就消失。

对普通人的影响

对企业 IT：传统行业试水 AI，不必从零搭团队。可先在现有 DevOps 流程里开个口子，跑小场景验证 ROI（投入产出比），避免上来就重金投入。

对个人职场：「写代码」正在贬值，「审代码、定标准、做判断」正在升值。技术人核心竞争力，从动手能力转向定义问题和把关质量。

对消费市场：你不会直接看到 Zadig，但你会感受到——软件迭代更快、Bug 更少、SaaS 服务更稳。AI 在后台默默干活，是这一波最被低估的趋势。