如果企业AI的结果只是工程师写代码更快，它很难穿透组织边界。在线旅行公司loveholidays给出的数据更激进：一年内，AI辅助代码变更占比从7%升至79%，部署频率增加73%，工程团队规模大体不变。更值得研究的是，这些增量并非只来自程序员，而是产品、设计和商业团队开始直接把想法做成可运行体验。

真正的起点不是发账号，而是搭一条产品跑道

loveholidays每天处理约60万亿种度假套餐组合，业务横跨八个欧洲市场。过去，商业团队提出一个搜索创意，也要进入工程排期，原型本身就占用稀缺开发时间。公司于是用既有设计系统、前端技术和Codex搭建Search Playground，让不同岗位在同一组件边界内组合客户体验，再用真实反馈决定是否继续投入。

目前已有十多个搜索体验通过这条路径完成，多数由非工程人员制作，至少三个进入官网。一次营销活动原本需要外部机构制作独立页面，团队改为在数小时内自行完成，并保持现有设计系统。这里的关键不是让市场人员自由改生产代码，而是工程团队先把可用组件、视觉规范和发布检查变成受约束的“积木”。

把专家经验写进流程，才会出现93%的成功率

数据平台和基础设施比营销页面更敏感。loveholidays的做法是由专业工程师持续编码最佳实践、操作说明和校验规则，Codex负责引导其他员工提出变更、运行检查并走完发布流程。用户不必掌握每个仓库、命令和内部工具，但也不是绕过治理直接操作生产系统。

一年内，AI辅助的数据平台变更成功率从58%升至93%；每出现一次支持请求，能够完成的数据平台变更数量提高到原来的四倍。更广泛的基础设施自助流程成功率则从63%升至90%。这组数据说明，企业Agent最有价值的知识并不只在文档库里，而在校验、权限、模板、回滚和异常处理这些可执行规则中。

更多代码不等于更高价值，成本账必须单独算

当AI参与比例达到79%，企业最容易陷入“产出越多越好”的错觉。loveholidays选择继续追踪部署、成功率、支持负担和费用。其数据工程团队通过处理过去因机会成本过高而搁置的优化，每年减少约3.6万英镑云存储费用，并通过降低数据处理浪费再节省约10万英镑。这些收益来自具体优化项目，不能简单归因于模型本身，更不能直接复制到其他公司。

同样需要警惕的是维护负债。非工程人员能更快创建体验，也会增加代码审查、依赖治理和长期所有权。安全跑道若缺少组件版本、测试覆盖和退出机制，短期产能会变成后续清理成本。成功案例的前提，是平台团队持续维护规则，而不是把工程责任推给业务岗位。

编辑判断：FDE交付物应从Demo升级为组织接口

这个案例最可复用的不是选择了哪款编码Agent，而是把专家能力做成共同接口：上层是员工理解的业务目标，下层是代码、数据和基础设施，中间由设计系统、验证规则、权限与发布流程连接。FDE进入企业后，应先挑选高频、可回滚、边界清晰的任务，把“成功完成一次”改造成“别人也能安全重复完成”。

验收表也要随之改变。除AI采用率外，至少同时记录任务成功率、人工介入率、每次支持请求对应的自助变更数、部署失败率、回滚时间和可验证节省。只有当这些指标一起改善，79%的AI参与才代表交付系统进化；否则，它可能只是更多代码进入了队列。

组织设计同样重要。平台团队要拥有公共组件和规则，业务团队要对上线后的结果负责，安全与财务则提前参与权限和成本边界。若所有AI生成变更仍集中回到少数工程师手工兜底，表面自助只会把等待从开发队列转移到审查队列，规模效应并不会真正出现。

这也意味着负责人要从批准工具采购，转向持续经营一套可复用的交付系统。