1. 项目概述：当AI工具链开始“啃食”传统软件的地基

最近，一个极具冲击力的标题在技术圈和金融圈引发了广泛讨论：“GPT-5.4杀入Excel，Claude打崩IBM！华尔街恐慌：AI要端掉整个行业”。这并非危言耸听，而是正在发生的现实。作为一名长期关注生产力工具演进的从业者，我深切感受到，我们正处在一个临界点上。过去，AI是辅助工具，帮你写写邮件、生成报告草稿；现在，以GPT-5.4、Claude等为代表的新一代AI，正以前所未有的深度和广度，直接“侵入”像Excel、IBM大型机软件这样的传统软件核心腹地，开始重构甚至替代其底层工作流。

这个“项目”的核心，不是某个具体的代码仓库，而是一个正在展开的、宏大的技术范式迁移过程。它关乎我们如何理解和使用数据、如何构建企业级应用、以及未来软件工程师和数据分析师的核心技能栈是什么。简单来说，AI不再满足于做一个“外挂”，它正试图成为操作系统本身的一部分，或者至少是应用软件的“新大脑”。当你在Excel中，不再需要记忆复杂的VLOOKUP或INDEX-MATCH函数，只需用自然语言描述“找出上季度华东区销售额超过100万且客户满意度大于4.5的所有订单，并按产品线汇总”，AI就能瞬间生成结果甚至可视化图表时，传统基于公式和宏的Excel技能体系就开始动摇了。同样，当Claude能够理解并直接操作IBM大型机上的COBOL代码库，甚至提出优化方案时，那些依赖深厚领域知识（如金融交易系统、核心银行系统）的壁垒也在被快速消融。

华尔街的“恐慌”情绪，恰恰是这种颠覆性力量最敏感的晴雨表。金融行业是数据密集型和技术密集型行业的典型代表，其业务流程严重依赖Excel进行数据分析、建模和报告，也依赖IBM等厂商的稳定系统处理海量交易。AI的“入侵”，直接威胁到这两大基石。它带来的不是效率的线性提升，而是工作方式的根本性变革，可能导致大量中低端的数据处理、报表生成、代码维护岗位被重新定义或替代。因此，理解这场变革的技术细节、应用场景和应对策略，对于每一位身处数字化浪潮中的从业者都至关重要。本文将深入拆解这一现象背后的技术逻辑、实操影响以及我们该如何拥抱变化。

2. 核心现象拆解：AI如何“杀死”传统软件？

要理解AI对传统软件的冲击，我们不能停留在“AI很强大”的模糊认知上，必须深入到具体的技术实现和交互模式。标题中提到的“GPT-5.4杀入Excel”和“Claude打崩IBM”是两个极具代表性的切口。

2.1 GPT-5.4与Excel：从函数计算到意图理解

传统的Excel强大之处在于其网格计算模型和丰富的函数库。用户需要将业务问题“翻译”成单元格引用、函数嵌套和公式逻辑。这个过程存在很高的学习成本和认知负荷。例如，一个多条件求和，新手可能需要搜索半天才能拼出=SUMIFS(求和区域, 条件区域1, 条件1, 条件区域2, 条件2, ...)这样的公式。

而集成或调用类似GPT-5.4能力的AI助手（如微软Copilot for Excel）彻底改变了这一范式。其核心突破在于：

1. 自然语言到公式/操作的直接编译：用户用日常语言描述需求，AI在后台将其解析为准确的Excel公式、Power Query M语言或VBA代码片段。这不仅仅是“猜你想要什么”，而是真正理解了数据表的语义（哪一列是“销售额”，哪一行是“总计”）和用户的意图（“汇总”、“筛选”、“预测”）。
2. 上下文感知的数据操作：AI能理解当前工作表的结构。你说“为每一行添加一个唯一标识符”，它知道该插入一列，并使用=TEXTJOIN(“-”, TRUE, A2, ROW())或生成UUID的复杂公式，而无需你指定具体位置和函数。
3. 复杂工作流的自动化生成：像“从数据库导入销售数据，清洗掉无效记录，按月份和地区生成数据透视表，并输出为带图表的管理报告”这样的复杂任务，在过去需要熟练运用Excel导入、Power Query清洗、数据透视表、图表制作等多个模块。现在，通过多轮自然语言对话，AI可以逐步生成并执行这一系列操作，甚至编写出相应的Power Automate流程或Python脚本（通过Excel的Python集成）。

一个实操对比案例：处理“excel多条件筛选”

• 传统方式：你需要手动点击“筛选”按钮，在多个列的下拉框中勾选条件，或者使用高级筛选功能并精确设置条件区域。条件一旦复杂或动态变化，操作就非常繁琐。
• AI增强方式：你直接在侧边栏输入：“筛选出‘部门’为‘销售部’且‘入职年份’在2020年以后，或者‘绩效评级’为‘A’的所有员工记录。” AI瞬间完成筛选，并可以反问：“是否需要将这些结果复制到新工作表，或者高亮显示？” 这背后，AI可能生成了一个复杂的FILTER数组公式或一段VBA代码。

注意事项：AI目前并非完美。对于极其复杂、依赖特定业务逻辑（如递归计算、特定金融模型）的场景，它可能生成有瑕疵的公式。因此，“理解AI生成的结果并具备纠错能力”变得比“记忆所有函数语法”更重要。你需要能够审核AI给出的公式逻辑是否正确，数据引用是否准确。

2.2 Claude与IBM生态：从代码维护到系统重构

“Claude打崩IBM”这个说法更具象征意义，它指的是以Claude为代表的、具备极强代码理解和生成能力的大模型，对IBM所代表的传统企业级软件（尤其是大型机、老旧系统）维护模式的冲击。

IBM的许多核心系统，如银行交易系统、航空订票系统，运行在z/OS等大型机上，由COBOL、PL/I等古老语言编写。这些系统稳定但封闭，维护人员稀缺且年龄偏大。传统上，理解、修改或迁移这些系统需要多年的领域知识和经验。

Claude等AI如何“打崩”这个壁垒？

1. 代码理解与文档化：将数十万行晦涩的COBOL代码库扔给Claude，它可以快速分析出核心业务逻辑、数据流图、模块间的依赖关系，并自动生成人类可读的技术文档和架构说明。这直接将“理解系统”的时间从数月缩短到数小时。
2. 代码翻译与现代化：AI可以尝试将部分COBOL逻辑翻译成更现代的Java、Python或Go语言。虽然完全自动迁移大型关键系统不现实（涉及性能、事务一致性等复杂问题），但它能极大地辅助重构工作，生成初步的、可供工程师评审和优化的代码草稿，显著降低“遗产系统”现代化的门槛和成本。
3. 交互式调试与优化：工程师可以向Claude描述一个大型机上的异常现象或性能瓶颈，Claude能够结合代码库和日志，推测可能的原因，甚至建议具体的诊断步骤或优化方案（例如，指出某个文件访问模式可能导致I/O瓶颈）。

实操心得：在与一位从事金融系统现代化的朋友交流时，他分享了一个案例。他们有一个古老的“ibm acp协议交互过程”需要对接新系统。团队里没人完全清楚该协议的细节，只有一堆二进制日志和残缺的文档。他们将协议样本和日志片段输入给Claude，Claude不仅推断出了协议的大致帧结构和字段含义，还生成了用于解析该协议的Python脚本草稿。这为他们逆向工程节省了数周时间。

核心冲击点：IBM的价值一部分在于其封闭生态带来的高切换成本和专业服务溢价。当AI大幅降低了理解、维护乃至迁移这些系统的难度时，客户被“锁定”的程度就降低了，IBM的传统服务模式必然受到挑战。华尔街恐慌的，正是这种基于“知识垄断”的商业模式被AI democratize（民主化）的趋势。

3. 技术底层解析：AI能力跃迁的关键是什么？

现象的背后是技术的实质性突破。为什么是现在？为什么之前的“AI+办公软件”没有引起如此大的震动？关键在于新一代大模型在以下几个方面的质变：

3.1 代码与逻辑推理能力的质变

早期的AI助手更多是基于模板和简单检索，处理自然语言到指令的映射。而GPT-4、Claude 3 Opus及传闻中的GPT-5.4等模型，展现出了惊人的“程序性思维”能力。

1. 链式思维（Chain-of-Thought）与规划能力：面对一个复杂任务，如“在Excel中制作一个动态甘特图来管理项目进度”，AI不会直接生成一个它做不到的魔法指令。而是会拆解任务：第一步，需要准备包含任务名称、开始日期、持续天数的数据表；第二步，使用条件格式或条形图来可视化时间跨度；第三步，可能需要添加滚动条或表单控件来实现动态筛选。它会将任务分解为一系列可执行的、有序的步骤，并逐步生成对应的操作或代码。这模仿了人类专家解决问题的思路。
2. 对工具和API的精确调用：现代AI模型被训练得能够理解并调用外部工具。当它判断需要从数据库取数时，它可能会生成正确的SQL查询片段；当它需要复杂计算时，它会选择调用Python引擎（通过=PY()函数）；当它需要生成UUID时，它能写出符合规范的VBA或JavaScript代码。这种“工具使用”能力，让AI从一个聊天机器人变成了一个可以协调多种资源的“智能体”（AI Agent）。
3. 对长上下文和复杂结构的理解：处理一个拥有上百列、数万行的Excel表格，或者一个包含多个嵌套子程序的COBOL代码文件，需要模型有强大的长上下文处理能力。新一代模型支持128K甚至更长的上下文窗口，使得它们能够“看到”足够多的信息来做出准确的判断，理解整个工作表或整个代码文件的结构。

3.2 多模态与复杂文档处理

“Excel导入数据库”、“a2l转excel”、“专利相关辅助链接 ai辅助”这些热词，揭示了另一个关键能力：对非结构化、复杂格式文档的理解与转换。

1. 文档解析与信息提取：AI可以阅读PDF、Word、甚至扫描件图片，理解其中的表格、段落和列表，并将结构化信息提取出来，直接填入Excel或数据库。例如，将一份A2L（ASAM MCD-2MC数据描述文件，用于汽车标定）文件中的测量变量和地址信息，自动解析并生成一个结构化的Excel映射表。这在汽车工程、法律、审计等领域是巨大的效率提升。
2. 视觉理解与图表生成：用户上传一张手绘的草图或旧的报表图片，说“帮我做一个和这个类似的月度销售趋势图”，AI可以识别出图中的图表类型、数据维度，并在Excel中复现出来，甚至根据当前数据优化图表设计。这打通了从想法到成品的“最后一公里”。

3.3 智能体（AI Agent）工作流：从单点工具到自动化流程

单独的“写公式”或“读代码”能力虽然强，但颠覆性有限。真正的质变发生在这些能力被组织成自主的、目标驱动的“智能体”工作流时。

一个AI智能体可以接收一个高级目标，如“监控指定文件夹，每当有新的销售数据Excel文件放入，就自动读取数据，清洗异常值，更新总部的数据库，并通过邮件发送摘要报告给经理”。然后，这个智能体会自行规划：使用文件系统监控工具、调用Python的pandas库进行数据处理、生成SQL更新语句、调用邮件API。整个过程无需人工逐步指导。

这正是“ai agent”成为热词的原因。它意味着AI从“副驾驶”变成了可以独立执行复杂任务的“自动驾驶仪”。对于企业而言，这意味着整个业务流程的自动化程度可以达到新的高度，许多基于规则和手工操作的岗位将面临被整合的风险。

4. 实操影响与行业冲击分析

技术的变化最终会落到具体的工作和行业上。我们从个人技能、企业流程和行业格局三个层面来看。

4.1 个人技能栈的重塑：从“操作工”到“指挥官”

对于普通员工，尤其是数据分析师、财务人员、初级程序员来说，技能要求正在发生根本性转变。

1. Excel专家：过去的核心技能是精通函数、数据透视表、VBA。未来的核心技能将变为：

   • 精准的需求描述能力：能用清晰、无歧义的自然语言向AI描述复杂的数据处理需求。
   • 数据逻辑与业务理解能力：能判断AI生成的结果是否符合业务逻辑，能设计高效的数据模型供AI操作。
   • 审核与调试能力：当AI生成的公式或流程出错时，能快速定位问题所在并进行修正。理解“excel如何svn管理”这样的版本控制知识将更重要，因为AI会生成大量代码和配置，需要管理变更。
   • 跨界工具整合能力：知道何时该跳出Excel，让AI调用Python（=PY()）进行更复杂的分析，或者将流程接入Power Automate实现自动化。

2. 传统软件维护工程师（如IBM大型机工程师）：

   • 核心价值从“读懂代码”转向“定义问题与验证方案”。AI可以帮你读懂COBOL，但如何制定系统现代化策略、如何评估迁移风险、如何确保新老系统业务一致性，这些更需要人类的经验和决策。
   • 成为“AI增强型考古学家”：你的工作不再是逐行调试，而是指导AI去探索代码库，提出假设（“这个模块是不是负责利息计算的？”），并验证AI给出的分析结果。你需要精通如何向AI提问，如何设置约束条件。

避坑指南：不要试图与AI比拼记忆和速度。与其花时间记忆“excel函数公式大全”，不如深入理解业务，练习如何将模糊的业务需求拆解为AI可执行的、清晰的步骤。你的不可替代性在于对业务上下文、伦理边界和最终结果负责的能力。

4.2 企业流程与成本结构的剧变

对于企业，尤其是金融、咨询、制造业等重度依赖数据和流程的行业，AI的渗透将带来运营模式的深度调整。

1. 开发与运维成本重构：

   • 开发：很多内部工具、报表系统、数据清洗脚本的开发将不再需要专业的软件开发团队。业务人员借助AI就能快速搭建原型甚至生产级应用。这可能导致企业内部IT部门的角色从“开发中心”向“平台与治理中心”转变，专注于提供AI工具链、确保数据安全和合规。
   • 运维：如前所述，老旧系统的维护成本有望大幅下降。AI辅助的代码分析和故障排查，可以缓解资深工程师短缺的压力。企业可能会更积极地考虑系统现代化项目，因为前期分析和迁移的成本被AI拉低了。

2. 数据分析民主化与决策加速：

   • 当任何部门的员工都能通过自然语言快速进行“excel数据分析”时，数据驱动的决策将不再局限于数据分析师团队。市场、销售、运营部门都能实时获取自己需要的洞察。这要求企业有更高质量、更统一的数据底座（Data Fabric），否则AI生成的将是“垃圾进，垃圾出”的漂亮报告。
   • 风险：如果缺乏良好的数据治理，AI的普及可能导致“分析孤岛”和结论冲突。建立统一的指标定义和验证流程变得空前重要。

3. 岗位结构的演化：

   • 大量重复性的数据录入、报表制作、基础代码编写岗位会萎缩或转型。
   • 新的岗位会产生，如“AI工作流设计师”、“人机协作培训师”、“AI输出审核员”、“业务-AI翻译官”（专门负责将业务需求转化为AI可理解的指令集）。
   • 对复合型人才的需求激增：既懂金融业务又懂如何利用AI建模的量化分析师；既懂生产流程又懂AI视觉检测的工程师。

4.3 行业格局与商业模式冲击

标题中“华尔街恐慌”点明了金融业这个风暴眼，但其冲击波将辐射至所有行业。

1. 软件巨头的攻防战：

   • 微软：正在全力将Copilot深度融入Office和Windows，巩固其生产力套件的霸主地位。它的策略是“用AI增强并锁定现有生态”。
   • IBM：面临挑战，但也看到机遇。IBM正在将其Watsonx AI平台与红帽OpenShift、云计算服务整合，为企业提供从AI模型训练、调优到部署的全栈服务。它的策略可能转向“为企业管理复杂的AI生命周期和混合云环境”，从卖软件转向卖AI服务和咨询。
   • 新兴AI公司（如Anthropic的Claude）：它们不背负历史包袱，以纯粹的、强大的基础模型能力，通过API和桌面应用（如Claude Desktop）直接赋能终端用户和开发者，从底层颠覆工作流。它们挑战的是传统软件的使用方式本身。

2. 咨询服务业的变革：

   • 传统的管理咨询、IT咨询严重依赖分析师团队手动收集数据、制作PPT。AI能瞬间完成市场数据抓取、竞品分析、报告生成和可视化。咨询公司的价值必须更多地向战略洞察、行业人脉、落地实施等AI难以替代的领域迁移。
   • “专利相关辅助链接 ai辅助”这类应用，直接冲击了专利检索、法律文件分析等专业服务领域。

3. “无代码/低代码”平台的升级：

   • 之前的低代码平台主要提供图形化拖拽组件。现在的AI低代码平台，允许你直接用语言描述想要的应用，AI帮你生成大部分代码和界面。这进一步降低了应用开发的门槛，使得“人人都是开发者”更近一步，但也对专业开发者的设计能力和架构能力提出了更高要求。

5. 应对策略与未来展望：成为驾驭AI的人

面对这股浪潮，恐慌无益，积极学习和适应才是关键。无论是个人还是组织，都需要制定新的策略。

5.1 个人学习与发展路径

1. 拥抱“提示工程”作为核心技能：未来最重要的技能之一，就是如何与AI高效协作。这不仅仅是写几个关键词，而是包括：

   • 任务分解：将宏大、模糊的目标拆解成AI可顺序执行的小任务。
   • 上下文管理：在对话中有效地为AI提供背景信息、约束条件和示例。
   • 迭代优化：根据AI的初步输出，给出精准的反馈，引导其向正确方向改进。
   • 领域知识注入：将你的专业知识和行业术语教会AI，让它用你的“行话”和你沟通。

2. 深化领域知识，成为“领域专家×AI教练”：AI是通才，但你是专才。你在金融、医疗、制造等特定领域的深厚知识，是指导AI解决该领域复杂问题的“导航仪”。你的价值在于知道什么问题值得被解决，以及如何定义“好”的结果。例如，在金融风控中，你知道哪些指标的组合更有预测性，你可以指导AI去构建和测试这些模型，而不是自己去写代码。

3. 培养批判性思维与验证能力：必须对AI的输出保持健康的怀疑态度。建立一套自己的验证方法：对于AI生成的Excel公式，用少量数据手动验算；对于AI给出的代码建议，在测试环境中充分运行；对于AI总结的文档，对照原文关键部分进行核对。永远不要完全信任一个黑箱的输出。

4. 主动探索AI增强型工具链：不要等待公司培训。主动去试用Copilot in Excel、Github Copilot、Claude Code、Cursor等工具。亲自体验“vscode配置claude code”的过程，解决“virtual machine platform not available”这样的报错。在个人项目中用AI辅助完成一个数据分析或一个小型应用开发。实操经验远比理论阅读宝贵。

5.2 企业组织与文化建设

1. 从“采购工具”转向“投资能力”：企业引入AI不应只是购买一批Copilot许可证，而应视为一项战略投资。需要配套进行：

   • 全员培训：不是简单的功能培训，而是“人机协作”新工作模式的培训。
   • 建立内部最佳实践库：收集和分享各部门使用AI提升效率的成功案例和提示词模板。
   • 设立AI伦理与安全准则：明确哪些数据可以喂给AI，AI生成的内容如何审核，如何防止商业秘密泄露。

2. 重构IT部门职能：IT部门应从成本中心和控制者，转型为赋能中心和平台提供者。重点任务包括：

   • 搭建安全、合规的企业级AI模型部署和管理平台。
   • 提供内部AI工具和API，确保不同部门使用的AI能力是在可控、可审计的范围内。
   • 负责数据治理，为AI提供高质量的“燃料”。

3. 鼓励实验与宽容失败：在AI应用初期，效率可能不升反降，因为员工需要学习曲线。企业需要营造一个允许试错、鼓励创新的文化，从小的实验性项目开始，快速迭代，积累经验。

5.3 技术演进的短期挑战与长期展望

短期内，我们仍需面对许多现实挑战：

• 幻觉与准确性：AI仍然会“一本正经地胡说八道”，生成看似合理但完全错误的公式或代码。这要求使用者必须具备纠错能力。
• 数据安全与隐私：将企业核心数据发送到云端AI模型存在风险。本地化部署、私有化模型是企业级应用的必然要求。
• 成本与ROI：高级AI功能订阅费用不菲，企业需要精确计算其带来的效率提升和成本节约，证明投资回报率。
• 技能断层与变革阻力：并非所有员工都愿意或能够快速适应新工具，管理变革的阻力是另一大挑战。

但从长远看，AI与传统软件的融合是不可逆的趋势。未来的软件界面很可能是“自然语言优先”的。我们不再学习软件的操作，而是学习如何向软件清晰地表达我们的意图。软件本身会变得越来越“智能”和“隐形”，成为我们思维的延伸。

我个人最深的一个体会是：这场变革的本质，不是AI替代了某个软件，而是它重新定义了“使用软件”这个行为本身。过去，我们花80%的时间学习工具，20%的时间思考问题。未来，这个比例可能会倒过来。我们的核心竞争力，将越来越取决于我们提出好问题的能力、定义复杂问题的能力，以及批判性验证答案的能力。Excel函数可能会被遗忘，但数据思维永不过时；COBOL语法可能会消亡，但对金融系统高并发、高可用的架构理解永远有价值。AI端掉的不是整个行业，而是行业中那些不愿进化、仅靠操作熟练度生存的“操作工”角色。对于善于学习、能够驾驭新工具的人来说，这是一个生产力空前解放、创造力极大迸发的黄金时代。