购买工具还是内部自建，这一决策因人工智能的进步而变得复杂：AI 降低了自建成本，同时使采购更加便捷。历史上，产品负责人负责此类决策，但 AI 已将权衡因素转向维护权归属、系统集成和用户界面体验等维度。目前，绝大多数企业级 AI 用例均采用购买方式，然而 AI 驱动的编码代理使得内部自建工具显得颇具欺骗性的简单。这种“氛围式编程”（vibe coding）可能导致系统难以维护，最终演变为需要预算和专职负责人的产品，而这一成本在初始自建方案中常被忽视。购买工具意味着继承供应商的产品路线图、数据模型和发布周期，甚至可能包括其组织架构。这些采购的系统未必契合公司的特定用户或工作流程，从而导致效率低下。用户并非孤立地使用工具，而是通过工具间的缝隙进行交互，往往涉及频繁的应用切换和数据重复输入，消耗大量工作时间。复杂性始终存在，选择的关键仅在于其承载位置：是置于公司内部代码库、供应商的路线图，还是转嫁给用户。如今，许多产品通过 Teams 或 ChatGPT 等宿主界面访问，这意味着设计必须顺应宿主平台的约束。替换现有系统同样会产生成本，包括用户专业知识的流失、旧软件中嵌入的隐性规则，以及“非我发明”（not invented here）偏见，该偏见倾向于重建而非采纳外部解决方案。AI 编码代理可能扭曲开发时间的估算，并营造出虚假的速度感。核心原则是：购买通用商品，自建差异化能力。AI 模型本身正逐渐成为通用商品，但围绕其构建的用户体验更难复制，因而构成差异化优势。当专有数据是关键优势，或法规要求定制解决方案时，公司应内部自建。然而，大多数组织缺乏构建生产级 AI 应用所需的专业技能，因此对于许多需求而言，购买仍是更务实的选择。