AI 已从“前沿探索”变成软件研发的日常工具，但在我接触的大量中国企业里，管理层对它的期待与现实体验，往往并不一致。最新发布的 DORA 2025 报告，给我们提供了一套相对冷静、基于证据的视角：AI 到底改善了哪些研发效能指标，又在哪些地方制造了新的不稳定？本文尝试站在中高层管理者与 PMO 的角度，对这些关键发现做一次系统梳理，帮助你用更务实的方式审视 AI 研发效能。

从“要不要上 AI”，到“AI 已经无处不在”

过去两年，我在不同规模和行业的客户现场听到最多的两个问题是：

• “我们是不是也该搞点 AI，别被落下？”
• “AI 研发效能到底有没有实打实的提升？”

DORA 2025 的数据，至少可以帮我们回答第一部分——这已经不是“要不要上 AI”的问题，而是“你有没有能力驾驭 AI”的问题。

1. AI 使用已经成为软件研发的“新默认”

DORA 报告显示：在 2022 年，开发者使用 AI 还算新鲜事，如今超过 90% 的技术专业人员会在工作中使用 AI 工具；其他行业调研也表明，84% 的开发者正在使用或计划使用 AI 工具进行开发。

这背后还有两组值得管理层注意的信号：

• 企业层面：88% 的企业领导者表示，加速 AI 采纳是优先事项，2024 年全球企业在 AI 上的总投资达到 2523 亿美元，同比增长 26%。
• 招聘层面：包含“生成式 AI 技能”的职位发布量在一年内增长了 300%+。

换句话说，无论你个人是否乐观，AI 已经是大多数研发团队的“日常基建”，而不是未来时的选配项。

2. 但“广泛采纳”不等于“广泛价值”

虽然上面提到 AI 已经是大多数研发团队的“日常基建”，但 DORA 报告中同时也提醒我们：

很多企业的 AI 计划仍然是由“FOMO（错失恐惧症）”驱动，而不是深思熟虑的战略。

这句话对国内环境尤为适用。在不少客户现场，我看到的 AI 项目是这样推进的：

• 由上而下定一个目标：“要在某某大会上讲我们也在用 AI”；
• 集中采购一批许可证，安排几轮培训；
• 要求研发部报“节省了多少人天”“代码产出提升了多少”。

许可证买了、插件装了、分享会开了，开发者主观上觉得好像更快了。短期看，这类项目有一些可展示的成果；但长期看，它们往往没有改变组织的 AI 研发效能——也就是没有在交付节奏、质量稳定性、价值流效率上留下清晰的改善轨迹。

AI 真正改善了哪些“研发效能”指标？

DORA 团队这次用了一个相对严谨的方式：在控制环境和流程等因素之后，比较同类人群中 AI 采纳程度不同的人，看他们在各类结果上的差异。它没有停留在“开发者好感度调查”，而是尝试用多维度指标去刻画“AI 研发效能”的真实变化。

1. 个体视角：生产力与代码质量的真实提升

在个人层面，AI 研发效能的提升是被数据反复验证的。

DORA 发现，在其它条件相同的情况下，AI 采纳程度越高的从业者，越有可能报告更高的个人效能和代码质量。比如：

• 更高水平的个人效能；
• 更高比例的时间用于“有价值的工作”；
• 更高水平的代码质量；
• 更高水平的团队效能、组织效能以及产品效能；
• 更高的软件交付吞吐量。

用大白话讲，就是：

AI 让开发者更容易把时间花在“创造价值”的事情上，而不是机械劳动上；同时对代码质量和产品结果，也有统计意义上的正向影响。

这与我在客户现场的观察基本一致：当团队已经有一定的工程基础，AI 非常擅长削减“边角料工作”——写重复代码、整理接口文档、生成简单测试、起草方案初稿。让骨干可以把精力更多放在架构决策、复杂场景和跨团队协作上——这才是真正的 AI 研发效能。

2. 组织视角：效能的多个维度“同时变好”

如果把视角从个体拉到组织，DORA 进一步指出：在具备一定基础设施和管理成熟度的前提下，AI 采纳度更高的团队在组织效能、团队效能、产品效能和交付吞吐量上整体表现更好。

这说明，只要底层没有严重短板，AI 研发效能的提升是可以传导到业务侧的，而不是只停留在“个人自我感觉良好”。

我通常会建议管理层，把这部分效应理解为：

AI 不会帮助一个混乱的组织“起死回生”，但会显著放大一个本来就走在正确方向上的组织的优势。

AI 没有解决的三个问题：摩擦、倦怠与不稳定性

然而，DORA 也非常坦诚地展示了另外一面——有些问题，采用 AI 后几乎没有动静，甚至在恶化。

1. 摩擦与倦怠：这是组织问题，不是工具问题

DORA 报告显示，AI 采纳程度与“工作摩擦”和“职业倦怠”的改善几乎没有显著相关性。——换句话说，用不用 AI，大家吐槽流程、抱怨疲惫的程度差不多。

DORA 给出的解释是：

这些结果更多是“社会技术系统”（流程 + 文化）的产物，即流程、结构和文化共同作用的结果。超出了个体开发者能够左右的范围。

这非常符合国内很多研发团队的现实：

• 需求变更频繁、优先级经常反复拉扯；
• 评审链路长、审批层级多，决策迟缓；
• 跨团队协作模糊，职责边界不清晰；
• 指标压力只下沉不共担。

在这种场景下，你即便给每个人配一个顶级 AI 助手，他也最多只能帮你“更快地做完错误的事”。

从组织治理角度看，这组数据在提醒管理层：

不要指望用 AI 来弥补结构性问题——那些问题需要的是决策机制调整、权限划分与流程重构，而不是一个更聪明的编辑器。

2. 软件交付不稳定性：AI 把“隐性风险”提前暴露

更值得警惕的一点是：AI 与“软件交付不稳定性”的上升存在统计相关性。

2024 年的 DORA 研究曾指出：当 AI 采纳率每增加 25%，如果不配套改进交付体系，会出现“交付吞吐量平均下降 1.5%，不稳定性上升 7.2%”的反常现象。

2025 年的情况好一些——吞吐量开始提升，但不稳定性问题依然没有根本好转。

原因其实不难理解：

• AI 把“写代码的门槛”进一步放低了，让开发者更容易做出“更大体量的变更”；
• 但测试自动化、灰度发布、监控与回滚能力，如果仍停留在“人肉 + 手工”的旧时代，系统自然会变得更脆弱。

DORA 的表述是：AI 目前主要集中在“键盘端”，因此提升了代码质量和生产力，但没有触及引发摩擦、倦怠和不稳定性的那些深层结构。

如果管理层只看到 AI 研发效能带来的“提速”，却忽略了不稳定性与隐性风险的叠加，就很容易在一年后迎来一波“质量与运维事故的反噬”。

AI 是“放大器”而不是“银弹”：七项能力与七类团队

DORA 在摘要部分给技术领导者提了一个非常重要但容易被忽略的结论：

成功的 AI 采纳是一个系统问题，而非工具问题。

这句话背后，有两个关键支点。

1. 七项 AI 能力：决定 AI 研发效能的“上限”

今年 DORA 报告的一个重要成果，是首次提出了 DORA 人工智能能力模型，总结出七项能显著放大 AI 效益的能力，其中几项与 AI 研发效能直接相关的包括：

① 明确且已共识的 AI 立场

• 是否有清晰的 AI 使用政策；
• 员工是否知道哪些场景可以大胆试验，哪些场景必须严格审慎。

② 健康的数据生态系统 & AI 可访问的内部数据

• 内部数据（代码库、文档、工单、日志）是否干净、可访问、结构化；
• AI 是否能安全访问这些内部信息，而不仅仅停留在“通用聊天机器人”。

③ 稳健的版本控制 + 小批量工作模式

• 团队是否鼓励小步提交、频繁集成；
• 出现问题时，能否快速精准地回滚到安全版本。

④ 以用户为中心的关注点与高质量内部平台

• 研发是否真正围绕用户价值做优先级决策；
• 是否存在一个统一的内部平台，为开发者提供统一入口、统一规范。

从 AI 研发效能的角度看，这些能力决定了本一家企业的“研发效能上限”，AI 只是让你更快地触碰那个上限——是高是低，取决于你之前打的地基。

2. 七类团队：先知道自己在哪里，再谈要去哪里

另一方面，DORA 还基于研发效能结果，比如吞吐量、不稳定性、团队效能、产品效能、摩擦、倦怠等维度，将团队划分为七类典型画像，从“和谐高成就者”到“遭遇基础性挑战者”。

有两个关键观察值得管理层重视：

• 最佳表现者（聚类 6 与 7）能够在“速度”和“稳定性”两个维度上同时取得卓越成绩，占样本近 40%。
• 另一端的团队（例如聚类 1、聚类 4），要么深陷基础问题，要么“高影响低节奏”，速度缺乏稳定性，是危险且不可持续的状态。

这直接打破了一个传统迷思：速度与稳定性不是天然对立的，优秀团队完全可以两者兼得。

而 AI 在这里扮演的角色，很可能是：

• 对于已经接近聚类 6/7 的团队，AI 是一个加速器，可以进一步放大 AI 研发效能；
• 对于停留在聚类 1/2 的团队，AI 可能只是把问题“放大并提前暴露”——这未必是坏事，但如果管理层没有系统观，就容易误以为“AI 没用，甚至添乱”。

因此，在设计 AI 路线图之前，最重要的一步其实是：搞清楚自己属于哪一类团队，而不是“简单抄一份别家的 AI 方案”。

这一点，我会留到下一篇文章中，用专门的一篇来展开。

给中高层和 PMO 的三点行动建议

站在项目治理与组织效能的角度，结合 DORA 2025 的数据和本土实践，我会给中高层和 PMO 三个相对直接的建议。在规划 AI 研发效能提升时，至少考虑以下三件事。

1. 把 AI 项目从“工具采购”升级为“交付系统重构”

如果你的 AI 项目目标只有两条：

• 采购若干 AI 工具或平台；
• 证明“我们也在用 AI，且节省了 X% 人力”。

那么在 DORA 的体系中，你大概率会落入那类高不稳定性、低可持续性的组织。

更健康的 framing 应该是：

我们希望能借助 AI 这次契机，整体升级软件交付系统

这意味着，AI 规划要与以下议题强绑定：

• 系统架构是否支持小批量、易回滚的变更；
• 测试与发布流水线是否足够自动化、可观测；
• 需求管理、优先级机制是否真正以用户和业务价值为导向。

2. 用价值流管理，把 AI 接入“端到端”

DORA 用大量数据证明：价值流管理（VSM）可以显著提升团队效能、有价值工作时间与产品效能，是 AI 投资的放大器。

一个可操作的小步骤是：

1. 选一个有代表性的产品或系统；
2. 让产品、研发、测试、运维、安全坐在一起，用一张 A3 纸画出当前从“想法”到“上线”的全过程；
3. 标注每个环节的平均等待时间、返工率以及常见摩擦点。

在这张图出来之前，不要急着讨论“用哪种 AI 工具”，否则你很可能在非瓶颈环节取得漂亮的局部优化，却看不到整体 AI 研发效能的提升。

3. 把平台工程与数据治理当成 AI 成功的“基础设施项目”

最后，DORA 明确指出：

• 90% 的企业已采用平台工程，76% 拥有专职平台团队；
• 高质量内部平台能显著增强 AI 对组织效能的正面影响，是 AI 成功应用的关键基础。

同样，健康的数据生态也是七项 AI 能力中的核心一环：高质量、可访问、一致性的内部数据，直接决定 AI 能否从“聪明玩具”变成“业务助手”。

对管理层来说，这意味着：

• 如果你没有统一的内部开发者平台，AI 工具只会进一步加剧“工具碎片化”和“协作割裂”；
• 如果你的数据分散在多个孤岛，质量参差不齐，AI 再强也只能给你生成“看起来聪明但不可信”的回答。

因此，把 AI 项目的预算单独拎出来讨论往往是陷阱。更务实的做法，是把平台工程建设、内部数据治理、AI 能力接入与治理，视为同一个“AI 研发效能基础设施项目”的三个侧面。

结语：管理者需要的，是“更清醒的系统观”

DORA 2025 带来的最大价值，不在于告诉我们“AI 很重要”（这一点你可能早就感受到了），而在于用数据提醒我们：

1. AI 能显著提升个体与组织的研发效能，但前提是底层系统足够健康。
2. 工作摩擦、职业倦怠和交付不稳定性，是组织结构与文化的结果，不会因为买了 AI 工具自动消失。
3. 真正优秀的团队，可以在高吞吐与高稳定之间实现双赢，关键在于你有没有勇气用系统工程的方式重构交付体系。

作为中高层管理者与 PMO，如果你把 AI 看成一场 “交付系统升级”与“组织能力重塑” 的契机，而不是一轮工具采购，这场变革将更有可能为你的企业带来长期的 AI 研发效能优势。

在下一篇文章中，我会结合 DORA 2025 提出的七类团队画像模型，进一步展开讨论：

• 如何判断你的团队属于哪一种类型？
• 不同类型在上 AI 时应该先补哪些课、踩哪些刹车？
• 如何在不透支团队的前提下，逐步提升 AI 研发效能？

敬请留意下一篇：《DORA 2025：基于七类团队画像的 AI 研发效能诊断方法》。