虽然 AI 革命承诺带来前所未有的生产力，但大型企业却撞上了一堵巨大的墙：他们无法将复杂的模型缝合进混乱的遗留环境中。一家名为 June 的初创公司正试图通过使用 AI 来自动化那些目前需要大量昂贵顾问才能完成的过程，从而解决这一部署危机。

AI 实施的悖论

随着 AI 模型能力的增强，对人工专业服务的需求反而上升了。公司会聘请“前线部署工程师”（Forward-Deployed Engineers, FDEs）——这些团队嵌入到组织内部，手动桥接原始 AI 模型与现有的企业基础设施。

前 Salesforce 高管 Efrat Rapoport 表示，通过增加人力来应对复杂性是不可持续的。这种人工模式造成了瓶颈，阻碍了即使是最强大的 LLM 为财富 500 强企业创造真正的现实价值。

解决遗留数据乱象

最大的障碍不是模型的智能，而是“底层的混乱”。大型企业运行在由 Salesforce、ServiceNow、Databricks、Workday 等平台组成的拼凑系统之上，这些系统充斥着技术债、重复字段和不一致的工作流。

June 的平台可以扫描公司的系统，学习其独特的工作流程，并自动生成逐步的部署路线图。June 不再依靠人工架构师来规划集成，而是精准定位瓶颈，提示用户清理重复数据或连接数据源，然后自动构建集成。

超越咨询的“黑盒”

June 用自助式工具取代了高摩擦、高成本的人工模式。对于美国主要的抵押贷款机构 CMG 来说，这种转变是颠覆性的。在通过传统咨询方式艰难处理 Claude Code 和 Salesforce 之后，June 让他们的团队能够识别部署点并推进工作，而无需经历数周的阻碍。

通过自动化“管道工程”（数据清洗、映射、工作流优化），June 让公司能够从实验性的“凭感觉编程”（vibe-coding）转向可扩展的、由智能体驱动的运营，而无需配备大量专业的工程师。

为什么这对于 AI 格局至关重要

下一波 AI 的衡量标准将不再是参数量，而是谁能将模型编织进现有的经济引擎中。如果 June 取得成功，整个行业可能会从重服务的模式转向软件驱动模式，从而降低企业自动化的门槛，并加速“智能体工作流”（Agentic Workflow）时代的到来。

核心要点

  • 自动化集成： June 扫描并映射复杂的遗留系统，然后提供自动化的路线图，以修复数据碎片化和技术债。
  • 减少人力开销： 该平台用自助式的“点击即构建”部署模式取代了昂贵的前线部署工程师。
  • 大佬背书： June 由 Bonobo AI 背后的团队打造，已获得由 Marc Benioff 的 Time Ventures 领投的 2000 万美元种子前融资。

June 展示了一个 AI 驱动的平台，可自动将大语言模型 (LLMs) 集成到遗留企业系统中，声称可以消除对昂贵的前线部署工程团队的需求。

集成瓶颈

企业在过去一年里购买了越来越强大的 LLM，但大多数在第一道关卡就遇到了障碍：将这些模型连接到由本地和云端应用组成的拼凑系统中。典型的解决方案是聘请一支 FDE 团队——这些顾问嵌入到公司内部，手动映射数据流并编写胶水代码。

Efrat Rapoport 称这种方法是“不可持续的”。增加人员编制并不能消除重复字段、陈旧的数据表和孤立的工作流；它只是推迟了不可避免的瓶颈。悖论显而易见：随着 AI 模型变得更加强大，对人工实施服务的需求反而上升了，而不是下降。

June 的平台如何运作

June 颠覆了这一局面。该平台不是派遣工程师去审计客户的环境，而是部署自己的 AI 来扫描现有的技术栈——Salesforce、ServiceNow、Databricks、Workday 或自定义 ERP。扫描会生成一份包含数据模式 (data schemas)、API 端点和工作流触发器的详细地图。基于该地图，June 会自动识别：

  • 阻碍模型训练的冗余或孤立数据字段
  • 会导致运行时错误的 API 契约不匹配
  • LLM 驱动的智能体可以发挥价值的工作流缺口

平台随后会生成一份修复计划，提示用户批准清理操作，例如对表进行去重或建立安全的数据管道。一旦获得批准，同一个 AI 引擎就会执行这些更改、构建连接器，并将 LLM 作为托管服务进行部署。

在实践中，该工作流将长达数周的咨询服务转变为“点击即构建”（build-on-click）的体验。内部团队可以自行迭代集成方案，无需等待外部工程师。

真实案例研究

美国大型抵押贷款机构 CMG 此前一直难以将其对话式 AI 工具 Claude Code 连接到其 Salesforce 实例。传统的架构咨询迫使该公司进行一系列反复的会议，每次都会导致数周的延迟。在转向 June 的平台后，CMG 的员工精准定位了集成点，运行了自动化清理，并在几天内（而非数周）就启动了 LLM。结果是：他们获得了一个功能完备的智能体（agent），能够回答承销查询，而无需外部 FDE（前线部署工程师）团队。

面临的挑战与风险

这种方法的前提是 AI 能够可靠地理解公司的数据治理政策、安全约束和监管要求。配置错误的连接器可能会泄露敏感的客户信息或引发下游故障。批评人士警告称，全自动集成可能仍需要人工安全网，特别是在金融或医疗等受严格监管的行业。

行业连锁反应

June 出自构建 Bonobo AI 的团队，并已获得由 Marc Benioff 的 Time Ventures 领投的 2000 万美元种子前融资。这一支持表明投资者充满信心，认为下一波 AI 价值将来自于降低部署摩擦的软件，而非规模更大的模型。

反方观点：人为因素

自动化并不能消除所有的复杂性。遗留系统通常带有未记录的定制化内容，且某些集成点涉及无法在不冒稳定性风险的情况下重写的旧代码。June 的平台可能会加速“基础设施搭建”（plumbing）阶段，但企业仍需要领域专家来验证自动化修复是否符合业务规则和合规指令。

后续关注点

  • 采用指标： 早期流失率以及新公司从试点转向生产的速度，将揭示自动化是否真的能取代人工工程师。
  • 监管响应： 随着 AI 嵌入核心业务功能，监管机构可能会就自动化集成发布指南，特别是在数据隐私方面。
  • 竞争格局： 其他初创公司和成熟供应商正竞相将其云平台与 AI 部署工具捆绑销售。June 如何使其扫描和修复引擎实现差异化将至关重要。
  • 定价透明度： 将平台成本与传统咨询费用进行比较，将决定其对注重成本的 CFO 的吸引力。

June 声称能够实现混乱且充满遗留系统的企业级 AI 部署自动化，这一主张非常大胆，而 CMG 的初步结果表明，该技术可以将数周的工作量缩减至几天。该模式能否持续处理那些让咨询公司得以生存的边缘案例（edge cases），将决定 AI 集成市场是否会真正从“人力密集型”转向“软件密集型”。接下来的几个季度将揭示“点击即构建”是否会成为将 LLM 转化为创收智能体的全新标准。