2022年，杰森·艾伦（Jason Allen） 从科罗拉多州博览会（Colorado State Fair）上捧回新兴数字艺术家这一最高奖项时，他得到的远不止一条蓝丝带和一张300美元的支票。艾伦是游戏公司Incarnate Games的总裁，他创作的参赛作品“太空歌剧院”（Théâtre d’Opéra Spatial）使用了名为Midjourney的生成式AI工具。
他在系统中输入了文字提示，软件在几秒钟内就设计出了作品，不过他表示自己花了两周时间来完善作品（他没有公开透露具体的提示词）。艺术家和评论家通过《大西洋月刊》（Atlantic）《纽约时报》（New York Times）和其他渠道对艾伦的获胜表达了不满，并告诫人们警惕ChatGPT、DALL-E和Bard等新发布的生成式AI工具的影响。这些工具可以让技术（和艺术）新手，以自动且近乎即时的方式，生成令人惊叹的文本、照片和视频。不过并非只有艺术家关注这些工具对自己领域的意义，IT专业人士也留意到了这一点。生成式AI可以帮助没有编码背景的员工成为熟练的程序员，即我们所说的全民开发人员（citizen developers）。非技术员工仅通过在提示中描述自己的需求，就能与生成式AI工具合作，构建完整的应用程序——就在不久前，这一过程都还需要高级编程能力。
如果积极谨慎地实施，全民开发可能会改变员工与企业间的关系。信息技术一向会涉及构建者（IT专业人员）和使用者（所有其他员工），而使用者是相对弱势的技术操作人员。这通常会导致IT专业人员难以及时满足使用者的需求，并在技术专家、企业领导和程序用户间造成沟通问题。全民开发开启了一个新时代，员工不仅可以改进或简化自己的流程和任务，而且可以完全实现流程和任务的自动化。
由于不需要专业IT人员设计和构建新的应用程序，使用生成式AI开发的系统更有可能满足用户的特定需求，从而提高了应用程序可能具备的效率。IT专业人员会被解放出来，专注于真正需要其专业知识的复杂系统和技术。然而，与我们交谈过的许多IT人员都反对全民开发。他们担心这会导致系统质量低下，而IT 团队不得不对其进行修复——或者担心生成式AI工具会完全取代IT。最终，一家企业有多少员工，可能就有多少系统。公司可能会对全民开发系统形成依赖，而这些系统只有少数员工了解，或者其开发者早已离开公司。企业中“灰色 IT”（gray IT）的激增以及随之而来的修复坏损技术系统的成本是一个重要问题。如果没有得到适当的控制和防护，普遍的全民开发可能会导致混乱。
尽管存在这些合理担忧，对全民开发人员的需求也是显而易见的。软件供应商已经开始在产品中添加生成式AI接口，方便基于聊天或语音的交易、数据和分析请求。我们预计，大多数商业软件很快就会通过类似系统进行创建或交互。普遍的全民开发可以带来更广泛快速的技术型创新途径，包括数字化、自动化和数据分析。美国电话电报公司（AT&T）、荷兰国际集团（ING）、强生公司（Johnson & Johnson）、普华永道（PwC）、德勤（Deloitte）和其他大型企业正在试验全民开发实践。（信息披露：作者之一托马斯是德勤的一名咨询师，会有偿在强生公司的活动中发言。）他们正在了解应该让哪些员工参与全民开发项目，他们应该扮演什么角色，他们应该得到哪些培训，以及如何创造一种同行间学习与合作的文化。
全民开发对 IT 企业的最终命运提出了一个关键问题。在不设置过多障碍的情况下，它们会如何促进和保障全民开发？其中的好处难以拒绝，但漫不经心地管理可能会更糟。本文中，我们——一位学者、一位咨询师、一位在AI和分析领域拥有数十年经验的从业者——将分享一份成功向员工引介全民开发的路线图。为了拓宽对全民开发的认识，我们采访了八家公司的管理者，回顾了网上对相关话题的讨论，并与好几家供应商讨论了面向全民的工具。（托马斯曾在《哈佛商业评论》上与人合作撰写文章，内容涉及全民开发及之前的工具，名为低代码/无代码）。
全民程序员的困境
用生成式AI构建应用程序的过程，通常始于用户询问聊天机器人（或系统使用的任意界面）如何完成某件事。比如“你会如何开发一款用于客户服务的 iPhone 应用程序？”系统会描述构建这一应用程序的理想步骤，然后用户可以询问对每个步骤的描述。描述的详细程度取决于使用者的技术能力，不过系统可以或详细或大概指导使用者完成每个流程步骤。遇到困难或发现生成的代码不起作用的使用者，可以告诉该工具自己看到了什么，工具就会帮助他们解决问题。这个过程最可能需要试错，但生成代码和应用程序的能力对每个人而言都唾手可得。
总部位于阿姆斯特丹，在40个国家经营业务的荷兰国际集团，在需要开发更多机器学习 （ML） 模型以投入生产时，采用了类似流程。面对许多业务所在国家缺乏数据科学专业人才的问题，荷兰国际集团开始探索全民数据科学能力。银行（本文作者之一凯雷姆最近曾担任该银行的全球首席分析官）正在努力为全民开发人员提供专业技术知识，并找到可能使用自动化机器学习的应用场景。毫无疑问，ING 的员工可以创建一些机器学习模型来预测客户点击应用消息，或回复电子邮件营销活动的概率。这可以把数据科学专业人员从简单重复的数据管理和分析任务中解放出来。可是，银行心怀抱负的全民开发人员需要适当的培训和实践经验，才能取得成功。ING员工构建的机器学习模型也需要符合严格的监管要求，尽管可能需要一些文件记录。最后，IT 部门还必须部署并管理那些支持自动化机器学习开发和使用所需的工具和平台。这些只是ING在制定全民开发政策时要解决的几个紧迫问题。
几乎还没有企业开始考虑与全民开发有关的挑战。比如，如果一个部门开始依赖某一全民开发的应用程序，而开发这一应用的员工却离职去了另一家公司，那么这个应用程序该怎么办？其他挑战涉及大量的专业技能。比如，一些数据科学机构认为，没有专业数据科学背景的人，不可能对模型开发有足够了解，即便具备自动化机器学习能力，也无法进行有效开发。他们担心大众开发的算法会导致决策对企业有害。其他企业指出，即使是专业数据科学家创建的模型也会出现偏差或偏倚（随着时间推移，造成预测结果不佳）。如果连他们都可能在数据科学上出错，新手又如何能避免更多错误呢？不过我们并没有发现关于长期损害的证据。
我们确实知道一些全民开发的程序短暂出现偏误的例子。比如，一家欧洲电信公司很早就开始采用机器人流程自动化（robotic process automation, RPA）程序，该程序会通过遵循严格的业务逻辑和输入来实现任务自动化。这家公司的 RPA 团队——由业务部门而非IT部门员工组成——装备还不齐全，在企业内也还未得到足够理解。第一个问题是，自动化编码中包含的用于测试的一套重复指令，在代码投入生产时并没有被删除。结果，许多免费的 iPhone 被错误地发送给了客户。第二个问题是，一个编程出错的RPA机器人向客户账户发放了积分，引起了公司审计和合规团队的警觉。一名全民开发人员差点被解雇。
RPA可能会被滥用于自动完成个人任务，方便有人在另一家公司从事额外工作。对此表示担忧的高管们设想，在 RPA 或生成式AI的帮助下，员工可以偷偷同时做两到三份全职工作，而我们已在网上的讨论中发现了这类 “重复就业”的员工描述他们的经历。企业可以通过奖励员工的创新来缓解这一问题——为能够实现工作自动化的员工提供更高薪酬或更多职责。
目前，全民开发方面最重要的问题或许并不是某个特定的编码混乱、管理漏洞，也不是暗中利用自动化来领取多份薪水。问题在于许多企业都未能探求全民主导的创新可能带来的巨大影响。他们没有意识到其中的机遇和好处，受到 IT部门的阻挡，或者无法制定必要的支持和管理机制。
案例研究：普华永道
普华永道为全民开发建立了一个广泛的流程，称其为“数字加速者”（digital accelerators）计划。该计划于 2017 年启动，最初有三个组成部分：数据科学、自动化和数据管理。最近，这项计划得到了修订，纳入了低代码/无代码解决方案和生产力提升。公司已经宣布，计划向其 65000 名员工传授AI技能，包括生成式AI。全民开发人员从普华永道员工中招募，并自愿参加相关技术的在线课程。获得认证后，他们可以从自己的工作中抽出时间来开发应用程序，这些应用与普华永道的客户服务或内部管理相关。开发出非常有用应用程序的员工，会获得适当报酬。组织该计划的产品和技术小组最初预计会有 500 名志愿者报名，但最终招收了 2000 名志愿者。
这项计划为普华永道带来了诸多益处。过去，技术开发小组在各业务部门（审计、税务、咨询）内各自工作，但自此以后，全民开发人员实现了跨业务部门的共享与整合。一些项目已经嵌入企业能力；另外一些项目（比如新的可视化方法）则用被于客户参与方面。全民开发人员通常会带着以前缺乏的技术能力，回到自己的业务部门。
一位名为埃米莉·多诺霍（Emily Donoghue）的数字加速者来自税务部门。她曾对部门要求自己完成的一些繁冗的任务感到沮丧。她和她的团队创建了一个程序，使得从各种电子表格中提取数据的工作流程实现了自动化。这个程序为一次审计委托节省了 40小时的工作时间，并最终成为普华永道内部图书馆的标准数字资产，可供公司所有人使用。
如果希望像普华永道一样在全民开发方面取得成功，企业就需要完成几项任务。这些任务都要做到，但不一定要按照下面的顺序进行，而且在没有明显改变其他任务的情况下，一项任务可以进行变动或改进。
<<任务 01: >>
人员的招募与分类
正式或半正式的招聘工作，很可能会导致大量员工涉足技术应用程序的开发。许多职能部门和小组都有正在尝试全民开发的人员，因此在全公司范围内征求志愿者，很可能会有很多人举手应征。IT团队以及自动化或数据科学卓越中心的管理人员可能会发现潜在利益。推广相关技术课程也可能会有助于招募工作。
一些企业在为这些计划招募员工时，会寻求他们身上的某些特质。比如，强生公司表示，公司寻求的是具备逻辑思维、技术能力、学习能力，以及具有规范化工作经验的员工。有些人的学习动机可能是帮助自己应对多项任务，或拥有更多空闲时间。另一些人的学习动机则是实现企业的目标。他们会被招募、培训，（有时）还会受到鼓励对自己执行的工作进行自动化、分析和优化。他们可能是为了获得认可或缓解工作的无聊，但他们的努力则主要会给雇主带来好处。还有一些人的动机可能是为社会谋福利，他们可能会使用工具和程序收集、分析和记录信息，自愿为医疗保健或环境研究提供帮助。私营企业也许可以将招聘作为员工成长或慈善成就的途径。
全民开发人员的类型因扮演的角色而异，包括侦察员，负责发现改进和变革的机会；设计师/架构师，负责开发新的、更好的工作方法；开发人员/自动化人员，负责构建实现这些流程改进的应用程序；以及数据科学家/分析师，负责研究、分析和报告新旧流程的状况。
德勤的人工智能学院（AI Academy）为AI负责人、策略师、全民开发人员、项目负责人和研究人员制定了不同的内部“AI熟练度”计划。有些计划会在完成后颁发证书；有些则更偏非正式。有些是全职，有些是兼职。员工对不同级别的技术专长有着不同的需求和期待。
<<任务 02: >>
人员的培训与认证
尽管不多，但全民开发的确需要一些培训。平均而言，我们访谈过的公司提供了 40 到 80 小时的技术和技巧培训。有些公司，比如全球广告与营销公司电通（Dentsu），会举办编程马拉松，新培训的全民开发人员可以在活动中构建应用程序。培训要求会因全民开发人员可能获得的专业监督程度而异。比如，如果他们开发的所有模型在生产前必须经过专业数据科学家的审核，那就可能不需要那么正规的培训。
由于全民开发的系统通常会链接、更改或者提取和分析现有交易系统中的数据，因此系统的开发人员通常也要了解企业的IT架构，以及安全访问和使用数据的保护措施。不过，还是那句话，如果这些系统经过了IT或其他专业人员的认证，培训可能就没有那么必要了。不过至少，企业中应该有人跟踪了解已经开发了哪些应用程序、由谁开发、目前正用于何种目的，以及是否通过了企业级认证。
一些公司认为，在实现流程自动化之前，应该先对流程进行改进，全民开发人员也应接受六西格玛和精益生产等渐进式流程改进技术方面的培训。另一种选择是集中一批流程改进专家，随时可以在自动化之前进行快速分析。
有些企业没有要求其全民开发人员通过认证。其他一些企业则要求进行内部测试和认证。还有一些企业会利用第三方进行认证。认证的必要程度，可以取决于特定业务领域的关键程度或受外部监管的程度。
<<任务 03: >>
打造开发基础
为了帮助全民开发人员取得成功，企业应该为他们提供标准工具并打好基础，让开发变得更容易。无论工具是生成式AI系统、RPA 工具、低代码/无代码产品，还是自动化机器学习系统，企业都应提供相关培训，并鼓励员工分享部分或完整的解决方案。现在，许多供应商都提供了更易于使用、低代码或无代码版本的标准软件，专供全民开发人员使用。供应商还在开发中心、市场和门户网站，让全民开发人员共享可重复使用且经过认证的数据集，和已完成的应用程序或其组成部分，并且正在创建“功能库”——可重复使用变量的存储库——以帮助全民开发人员建立机器学习模型。
提高全民开发人员影响力的一个重要要求，是将解决方案与业务部门拥有的生产环境连接起来。特别是对于自动化机器学习等更复杂的工具，企业必须保证各个模型的准确与稳定。
<<任务 04: >>
增强社区学习能力
全民开发人员需要互相学习如何最好地利用技术解决业务问题。促进同行学习的一种方法是提供定期课程、解决方案展示，和外来演讲者的展示讲解。由于全民开发人员既不是典型的商人，也不是典型的技术人员，挑战出现时，社区可以提供一些小组治疗，这样也许可以防止人们放弃开发。社区还为管理层提供了一种反馈机制，以创建合宜的职业发展和晋升道路，对于希望成为专业自动化人员、数据科学家或全职IT工作者的员工而言，尤其如此。
<<任务 05: >>
准备好管理自动化创造的价值
如果全民开发所创造的价值无法衡量，一些观察人士就很可能会对这方面的投资持质疑态度。全民开发通常会产生一些见解，而这些见解的货币价值可能难以评估（尽管一些中央分析团队确实会计算其用例组合的价值）。最简单的衡量指标，是全民开发人员自动化处理与之前人工执行任务相比所节省的时间。我们观察或合作过的几家公司已经累计节省了数百万分钟。有时人们会公平发问，那员工用节省下来的时间都做了什么？正如一位持怀疑态度的CFO所言：“我们不能把时间吞掉。”
一家大型制药公司判定，利用AI和自动化技术改造和优化关键业务流程会是一个巨大机会。公司有一个中央数据科学小组，不过聘用了外部顾问从事机器人流程自动化项目。公司认为这些顾问的费用太高，并得出结论，可以培训IT部门以外的员工从事自动化工作。企业服务部门与IT部门合作，为全民开发人员制定了技术标准并提供培训。计划进展顺利，许多流程都得到了大幅改进。这家公司提前完成了节省员工时间的目标，这个目标价值5 亿美元。
然而，这项计划的负责人们对此事的走向却存有一些疑虑。一位经理告诉我们：“就业务连续性和变革管理而言，管理是我们越来越关注的问题。我们是否已做好准备，让 30% 的财务工作在全民开发的应用程序上运行？我们意识到临界点即将到来，却不知道自己是否有适当的控制措施。我们并不确定自己真的有这样的措施。”
一些企业在克服IT专业人员对全民开发活动的抵触情绪方面已经取得了进展。一个非常好的例子发生在克罗格公司（Kroger）的数据科学业务部门。部门的负责人意识到了全民开发的潜力，而且知道这家杂货连锁店拥有许多能干的业务分析师。为了争取对这些“洞见科学家”的支持，专业数据科学家被要求向他们传授自动化机器学习工具，审查他们的模型，并与他们一起合作，以了解更多涉及业务的知识。
案例研究：美国电话电报公司
美国电话电报公司非常重视全民开发。公司拥有完善的鼓励手段，并着手执行了我们讨论过的许多任务。在数百名专业数据科学家和自动化专家，以及数千名全民开发人员的帮助下，公司正力图将AI和自动化置于业务的核心位置。
美国电话电报公司已经尝试了帮助员工利用机器学习模型来分析数据，目标是全方位支持机器学习渠道，包括获取恰当数据，为创建理想功能而对数据进行设计、构建模型、部署模型、长期监控和完善性能，并且对其进行有效管理。公司创建了一个包含常用数据的功能库，以减少耗费时间整理数据的必要，而数据整理可能会耗费数据科学家 80% 的时间。公司的全民开发人员可以从 26000 多个建模功能中进行选择。数据科学家和全民开发人员都认为这个功能库非常有用。
公司还将 3000 多个机器人投入生产。最早的一部分机器人被投放在业务运营领域，比如为客户提供新电路。公司拥有一个自动化卓越中心（Automation Center of Excellence），雇用了 20 名全职员工和一些承包商。如果没有全民自动化人员的参与，中心不可能自2015 年成立以来如此迅速地扩大规模。中心跟踪了所有机器人流程自动化项目，经计算，92% 的项目都是在该中心之外开展的。机器人的启用每年节省了约1700万分钟的人工劳动，每年产生了数亿美元的回报，并实现了20倍的投资回报。
公司开发了一套技术基础设施，同时为专业人员和全民开发人员提供支持。这套基础设施包括竞赛、协调开发渠道中所有行为的操作工具、整合RPA和机器学习的策略，以及常用数据和功能的搜索工具。公司还有一个提供之前开发解决方案的“机器人市场”，必要时可获得卓越中心提供的配置协助。这个市场每月还会增加约 75 个可重复使用的组件。美国电话电报公司正探索使用生成式AI创建机器学习模型和自动化机器人。
通过社区建设活动，公司促进了全民开发和自动化。对于数据科学，公司创建了一个“AI民主化论坛”，每周进行虚拟直播演示，让员工了解特定问题或公司开发的新功能。每周约有 200 名员工参加，其中很少有专业数据科学家。公司提供了各种与数据科学相关的在线培训材料和 575 门课程，并提供了供应商工具方面的认证。任何想成为全民开发人员的人，都可以参加 40 小时的培训课程。此外，卓越中心每年都会主办“自动化峰会”，让公司的各个团队展示和分享他们的项目。
数字化转型对于几乎所有企业而言，都已势在必行，而缺乏实施这一转型的合格专业人员的情况会持续下去。最终可能的情形是，全民开发人员会成为这项工作的主要引擎。不难想象，在没有那么遥远的未来，一些企业能够把所有技术开发活动都交给他们，或许由外部供应商提供某种 IT 基础设施。或者，企业 IT部门其余的工作会演变为促进、评估和认证非技术员工的工作。
随着程序变得更加自动化和基于人工智能，技术开发将继续变得更加容易。毫无疑问，生成式AI会随着时间的推移而不断改进，让每个人都成为潜在的程序员。目前，系统管理可能是全民开发运动面临的主要挑战。然而，管理本身似乎也很可能会日渐自动化。机器学习操作系统已经为机器学习模型提供了持续管理和算法准确性架构，我们很可能会见到其他类型全民开发技术的相关系统。
套用一家低代码工具供应商的广告词：用户可以“把[他们的]想法变为行动”。全民开发运动已成为技术和数据驱动下，商业变革新时代的一部分。
托马斯·达文波特是巴布森学院（Babson College）信息技术与管理系杰出主席教授（President’s Distinguished Professor）、麻省理工学院数字经济计划（Initiative on the Digital Economy）访问学者，以及德勤AI业务高级顾问。他与尼廷·米塔尔（Nitin Mittal）合著有《全押在AI上：聪明企业如何利用AI大获全胜》（All-In on AI: How Smart Companies Win Big with Artificial Intelligence，哈佛商业评论出版社，2023 年）一书。 伊恩·巴尔金是2B Ventures公司创始合伙人；贝恩公司（Bain & Co.）外部顾问；曾在Sykes Enterprises担任首席战略与营销官，该公司收购了他参与共同创办的自动化咨询公司 Symphony Ventures。凯雷姆·托马克是AI咨询公司MindspaceAI的创始人与CEO，曾在阿姆斯特丹的荷兰国际集团担任全球首席分析官。
托马斯·达文波特（Thomas H. Davenport）
伊恩·巴尔金（Ian Barkin）
凯雷姆·托马克（Kerem Tomak）| 文
永年 | 译 易语 | 校 孙燕 | 编辑