问题——写得更快，是否交付得更好、运行得更稳？ 随着人工智能工具进入编程、测试与运维等环节，研发周期明显缩短，代码产出速度提升已成为许多团队的共同体感。但效率提升并不必然带来交付效能改善。2025年DevOps研究与评估（DORA）发布的《人工智能辅助软件开发现状》指出，开发人员对生成代码的准确性、可维护性与长期稳定性仍较为谨慎：一方面希望借助工具减少重复劳动、缩短实现路径；另一方面也担心错误逻辑、隐性缺陷和风格不一致系统中累积，带来新的不确定性。“生产力提升”与“信任建立”之间的拉扯，正在成为软件工程的新课题。 原因——工具不是答案，工程体系决定“放大方向” 报告认为，人工智能不是单独创造交付能力的“万能钥匙”，更像既有工程系统的放大器：流程清晰、标准统一、平台能力强的组织，往往能把节省的时间转化为更高的交付质量与更稳定的上线节奏；反之，如果工具链分散、规范不一、架构约束不清，工具带来的“加速”可能表现为更快地产生差异化代码、更快地抬高审查负担、更快地累积技术债。换言之，人工智能提升的是“产出速度”，而交付效能取决于端到端的工程治理，包括需求澄清、代码审查、测试验证、发布回滚、监控响应等全链条协同。 影响——数量增长之外，复杂度与风险同步上升 在工程纪律不足的环境中，人工智能可能引发三上连锁影响：其一，代码变更更大、提交更频繁，审查难度上升，缺陷更容易绕过质量关口；其二，编码风格与架构约束更易偏离，抬高后续维护成本，牵制系统演进；其三，快速试验若缺少灰度发布、可观测性与回滚机制支撑，部署失败、线上波动等运行风险会更突出。报告据此提醒，如果组织仅靠团队自发试用、缺少统一治理与量化评估，短期看似“更快”，长期可能拖慢交付节奏并削弱稳定性。 对策——从“选工具”转向“建能力”，把人工智能纳入治理框架 为降低不确定性、让工具真正带来可持续价值，报告提出“DORA人工智能能力模型”，重点不在某一具体产品，而在组织能力建设。 一是明确战略与规则。将人工智能纳入研发治理体系，形成可执行的政策与指南，界定适用场景、数据与安全边界、审查责任与追溯要求，避免无序试验带来合规与质量风险。 二是夯实基础工程实践。成熟的版本控制、规范的代码审查、统一的编码与测试标准，是人工智能辅助研发的基础。工具可以提速，但不能替代评审、验证与责任闭环；缺少这些支撑，速度越快越容易放大运营风险。 三是坚持以用户价值为中心。报告强调，应将人工智能用于更快交付对用户有意义的功能，而不是单纯追求代码产量。以用户体验、稳定性指标和业务结果为牵引，才能避免“为了自动化而自动化”。 四是做强平台工程。标准化的开发环境、部署流水线与基础设施服务，为团队提供一致、可预期的运行生态，有助于把人工智能建议纳入统一流程，减少环境差异造成的返工与故障，并提升规模化落地的可控性。 五是推行小批量、增量式变更。通过更小的提交、更清晰的变更边界提升审查质量，降低发布风险。在人工智能可能生成较大改动的情况下，小批量实践更有助于守住质量与稳定底线。 前景——“提速”将成常态，“可信交付”成为新竞争力 业内普遍预计，人工智能对研发效率的推动仍将持续，但竞争焦点将从“谁写得更快”转向“谁交付得更稳、更可控”。未来一段时期，工程治理、平台化能力、质量度量体系与人才结构调整将同步加速：企业需要建立覆盖需求到运行的指标闭环，用数据衡量效率与稳定性的平衡；同时加强对关键系统、核心模块的架构约束与风险分级管理，推动人工智能从“个人助手”走向“体系能力”的组成部分。可以预见，率先把工具纳入制度、把效率纳入质量、把创新纳入安全边界的组织，更可能在新一轮软件生产方式变革中取得优势。
当技术创新与工程体系形成合力，软件开发正在从“效率优先”转向“效能为本”。这场转变提示我们：技术赋能必须以组织能力为支撑，只有把智能工具的“快”与工程体系的“稳”结合起来，才能实现更可持续的高质量发展。