ChatGPT 五秒出结果，周末做个 App。AI 热潮中，演示驱动开发的幻觉正让工程团队陷入信任危机。
- 演示驱动开发掩盖了生产环境的复杂性，百万行老代码与合规要求无法靠几个提示词解决。
- 工程师需掌握 LLMs 概率性与 tokens 等基础原理，通过向上管理打破管理层对 AI 的不切实际预期。
- 组织应警惕盲目追逐新技术，回归为人类构建安全可用产品的工程本质。
演示驱动开发的冰山陷阱
在 2024 和 2025 年的 AI 热潮中，Claude 和 ChatGPT 的普及让生成式 AI 及其营销给人一种错觉，认为工作比实际更简单。一个能运行的 demo 隐藏了背后的复杂性。当管理层看到网站在 demo 中运行良好时，他们可能会决定不再需要工程师，或者开始不信任现有的工程师。一些 CEO 甚至相信可以用几个性感的提示词来替代整个工程团队。这种心态在初创公司和传统企业的数字化转型中尤为常见，决策者往往被短期的效率提升冲昏头脑。
然而，demo 在特定条件下运行良好，一旦要接入拥有百万行老代码的系统，满足法律要求、accessibility 标准，并经历复杂的部署流程时，问题就会暴露。认为写代码是部署新软件的唯一瓶颈，就像泰坦尼克号只看到冰山一角而以为下面什么都没有。真实的软件工程包含了大量的异常处理、边缘情况测试以及跨部门协调，这些在几十秒的 demo 中根本无法体现。
对于创业者和投资人而言，评估一个 AI 项目的成熟度，不能只看 demo 的惊艳程度。真正的壁垒在于工程化能力，即如何将模型输出与现有遗留系统集成，如何处理数据合规与无障碍访问。如果团队只关注 prompt 的优化而忽视工程基建，项目注定无法跨越从 demo 到生产的鸿沟。尽调时必须要求看生产环境的部署流程，而非仅仅观看产品演示，这能直接过滤掉那些只懂写提示词的草台班子。
工程师的反击与向上管理
面对这种局面，工程师在 AI 领域拥有独特的优势，他们比普通人更理解模型的工作原理。原文建议，如果还不能解释 LLMs 是概率性的、什么是 tokens 以及训练数据为何重要，就需要花个周末补齐这些基础。不需要成为全职 AI 研究员，掌握几个基本原理就能在 AI 决策中领先大多数人。这种知识储备是打破信息差的关键，也是工程师重建话语权的基石。
这种知识需要转化为向上管理的教学时刻。向领导者解释这些工具的局限性，以及 demo 和生产系统是完全不同的两码事。这能防止人们真正相信一本写满提示词的笔记本就能替代工程团队。同时，工程师也要考虑对当前流程的批评。承认某些流程确实太慢，通过让步来赢得信誉，从而捍卫真正重要的步骤。速度如果以牺牲系统稳定性为代价，最终会导致更严重的生产事故。
这种向上管理策略的适用边界在于，管理层必须具备一定的技术认知意愿。如果领导者完全拒绝理解技术逻辑，仅凭 demo 效果做决策，工程师的单方面解释将彻底失效。此时，失败的条件是组织文化沦为唯 demo 论。工程师需要识别出哪些流程是真正的 ceremony（仪式），哪些是核心防线。用专业度换取话语权，而不是单纯抱怨流程繁琐，这是在 AI 时代保住团队核心价值的关键操作。
回归工程本质与延伸阅读
原文强调，不要追逐太多闪亮的新事物。工程师的目标是拯救组织，避免他们因为盲目追逐热点而做错方向。在 AI 时代前后，工程师的核心任务始终是为人类构建安全、有用的产品。为了帮助工程团队更好地理解 AI 编码的边界与伦理，IEEE Spectrum 提供了以下深度阅读资源，涵盖了从 AI 代码审查到工程伦理教育的核心议题。这些资料能够帮助团队建立更完善的技术评估标准。
AI 编码与代码审查深度解析：
工程伦理与技术责任教育：
在评估 AI 工具时，务必将其置于真实的合规与部署环境中进行压力测试。仅凭 demo 效果做技术栈选型，必然会在后期的百万行代码集成中付出惨痛代价。建立一套包含安全审计和压力测试的标准化验收流程，是防止组织被 AI 营销忽悠的最有效手段。
看完想聊两句？
你公司高管迷信 ChatGPT demo 还是听取工程评估？
往期推荐
- ·数学推理对决 AI 计算，500万人创造4890亿英镑的真相
- ·万亿 IPO 估值战：OpenAI 对决 Anthropic
- ·Opus 4.7 闲置三十小时，Agent 自创游戏
点击公众号头像 → 历史消息，可翻阅以上文章
