毕马威一名技术负责人介绍，AI 正在改变其与客户合作的方式。相比过去主要依赖人工编写代码，如今项目推进的重点更偏向业务信息整理、上下文构建，以及把 AI 生成的结果嵌入客户交付物和软件系统中。

交付速度取决于上下文准备

这名负责人目前担任前置部署工程师，直接与客户团队协作，从理解业务需求到交付可运行方案全程参与。他表示，AI 的能力很强，但前提是要先准备足够完整的背景信息。

他举例称，自己曾为一名客户整合多个应用，接入一个复杂的软件系统。团队前期花了数月梳理需求、补充背景信息，随后借助 AI 在约一个月内完成应用交付。客户随后进一步询问，项目为何能在较短时间内推进，以及整个过程为何更透明。

工作重心转向数据与集成

他表示，AI 提高了个人产出，也让他能同时维护多个客户和项目的上下文。过去软件开发的瓶颈主要在编码阶段，如今更大的限制出现在开发开始前，即如何收集业务语境、明确目标，并把分散的信息整理成 AI 可用的输入。

在他看来，越来越多的软件开发工作正转向数据层和集成层。许多企业问题并不只是写代码，而是要让 AI 理解数据，把传统系统与云端应用中的信息汇总起来，用于监控、可视化和后续分析。

AI 已用于风险评分场景

他提到，近期交付的一个应用与风险评分有关，目标是帮助客户评估某个客户或合作伙伴的业务风险。团队先汇总用于衡量风险的各类信号，再由 AI 对这些信号进行综合判断并生成评分，供独立审核人员在评估中参考。

他还表示，前置部署工程师与传统系统集成模式不同。以往一些项目在需求收集、开发和交付之间存在明显割裂，软件完成后再交还客户，容易出现落地效果不佳的问题。现在通过与客户团队同步开发、培训和辅导，知识可以在项目推进过程中直接转移，客户拿到的不只是应用本身，也包括文档、方法和使用实践。

现场协作仍有优势

他认为，虽然部分客户团队采用远程协作，但线下办公仍有实际优势。面对面沟通更容易形成即时讨论，也更便于理解团队反馈和项目推进中的细节。

在他看来，AI 让工程人员能把更多时间放在问题定义和关键决策上，而不是重复性任务。这也意味着，咨询与企业技术服务的价值点，正从单纯开发转向业务理解、数据整合和判断能力。