AI 已经从“前沿探索”演变为软件研发中的常规工具。然而，在我接触的众多中国企业中，管理层对 AI 的期待与其实际体验之间往往存在明显落差。DORA 2025 报告提供了基于数据和实证的视角，揭示了 AI 在提升研发效能方面的具体成效，以及它所引发的新挑战。本文从中高层管理者与 PMO 的角度出发，系统梳理这些关键发现，帮助组织更理性、务实地评估 AI 对研发效能的真实影响。

从“是否要引入 AI”，到“如何驾驭 AI”

在过去两年间，我在多个行业和规模的企业中经常听到两个问题：

• “我们是不是也该上 AI，以免被时代落下？”
• “AI 真的能带来可衡量的研发效率提升吗？”

DORA 2025 的研究结果至少可以回应第一个疑问——

这已不再是“要不要用 AI”的选择题，而是“你是否有能力有效管理 AI 应用”的现实考验。

1. AI 使用已成为软件开发的新常态

数据显示，2022 年时开发者使用 AI 还属少数现象，而如今：

超过 90% 的技术从业者已在工作中使用 AI 工具；其他调研也显示，84% 的开发人员正在使用或计划使用生成式 AI 支持开发工作。

这一趋势背后还有两组值得关注的数据：

企业层面：88% 的企业领导者将加速 AI 落地列为战略优先事项。2024 年全球企业在 AI 领域的投资总额达到 2523 亿美元，同比增长 26%。

招聘层面：一年内，包含“生成式 AI 技能”要求的职位发布量增长超过 300%。

这意味着，无论个体是否主动接受，

AI 已成为大多数研发团队的“基础配置”，不再是未来可选的技术方向，而是当下必须面对的工作现实。

2. 广泛采用 ≠ 实际价值落地

尽管 AI 工具普及迅速，但 DORA 报告提醒我们一个关键事实：

许多企业的 AI 推进仍由“FOMO（错失恐惧症）”驱动，而非清晰的战略规划。

这种情况在国内尤为普遍。不少客户现场的 AI 实施路径如下：

• 高层设定目标：“必须在某某大会上展示我们用了 AI”；
• 集中采购许可证，组织几轮培训；
• 要求研发部门上报“节省了多少人天”“提升了多少代码产出”。

结果是：插件装上了，分享会开过了，开发者主观感觉“好像快了些”。短期内确实能看到一些表面成果；但从长期看，这类项目并未真正改善组织的 AI 研发效能——即在交付节奏、质量稳定性、价值流效率等方面缺乏持续、可验证的改进轨迹。

AI 到底提升了哪些研发效能指标？

DORA 团队采用了严谨的研究方法：在控制流程、环境等变量的前提下，比较同类人群中 AI 使用程度不同的表现差异。这种方法超越了简单的满意度调查，通过多维度指标刻画 AI 对研发效能的实际影响。

1. 个体层面：生产力与代码质量的双重提升

在个人维度上，AI 带来的效能提升已被多项数据反复验证。

DORA 发现，在其他条件一致的情况下，AI 使用频率越高的技术人员，越倾向于报告更高的个人效能与代码质量，具体体现在：

• 更高的个人工作效率；
• 更多时间用于高价值任务；
• 更高的代码质量水平；
• 更强的团队、组织及产品效能感知；
• 更高的软件交付吞吐量。

通俗地说，AI 帮助开发者减少重复性劳动，如编写样板代码、整理接口文档、生成基础测试用例、起草方案初稿等，从而让核心成员能聚焦于架构设计、复杂逻辑处理和跨团队协作——这才是真正的 AI 研发效能 提升。

2. 组织层面：多个效能维度同步优化

当视角从个体扩展至整个组织，DORA 进一步指出：

在具备一定工程基础和管理成熟度的团队中，AI 使用程度越高，其在组织效能、团队效能、产品效能和交付速度上的整体表现也越好。

这说明，只要底层能力不过于薄弱，AI 所带来的个体增益是可以传导至业务端的，而不只是停留在“个人觉得有用”的层面。

我通常建议管理者这样理解这一现象：

AI 无法拯救一个混乱的组织，但它会显著放大那些本就在正确轨道上的团队的优势。

AI 尚未解决的三大挑战：摩擦、倦怠与不稳定性

尽管 AI 在某些方面带来了积极变化，DORA 报告也坦率指出了其局限性：

有些问题在引入 AI 后几乎没有改善，甚至出现恶化趋势。

1. 摩擦与职业倦怠：根源在于组织，而非工具

数据显示，AI 使用强度与“工作摩擦感”和“职业倦怠”的缓解之间并无显著关联。也就是说，无论是否使用 AI，员工对流程繁琐、沟通低效、身心疲惫的抱怨程度基本不变。

DORA 的解释是：这些问题本质上是“社会技术系统”的产物——即流程机制、组织结构与文化的综合作用结果，远超单个开发者所能掌控的范围。

这一点非常契合国内多数研发团队的现状：

• 需求频繁变更，优先级反复调整；
• 评审链条冗长，审批层级复杂，决策缓慢；
• 跨团队协作职责不清，接口模糊。

即便引入了 AI 辅助编码，这些结构性问题依然存在，甚至因信息密度增加而加剧认知负荷。

[此处为图片2]

在当前许多组织中，指标压力往往只是单向传导至执行层，而未能在管理层与团队之间形成共担机制。

即便为每位开发者配备顶级的 AI 助手，在这种结构性失衡下，其作用也仅限于“更快地完成错误的事情”——效率提升反而可能加剧系统性偏差。

从组织治理的视角来看，这一现象背后的深层数据正在向管理层发出警示：

AI 无法替代对决策机制、权限分配和流程设计的根本性重构。依赖更智能的编码工具，无法解决本应由管理体系承担的责任。

软件交付的不稳定性正因 AI 的引入而被进一步放大，尤其体现在“隐性风险”的提前暴露。

2024 年 DORA 研究曾揭示一个反常趋势：当 AI 采纳率每上升 25%，若未同步优化交付体系，则交付吞吐量平均下降 1.5%，而不稳定性则显著攀升 7.2%。

尽管 2025 年吞吐量有所回升，但交付系统的不稳定性问题仍未得到根本缓解。

其根源在于：AI 极大降低了编写代码的技术门槛，使得个体开发者能够发起更大规模、更高频次的变更；

然而，如果测试自动化程度、灰度发布机制、监控能力以及回滚流程仍停留在人工操作阶段，整个系统将变得更加脆弱。

DORA 指出，当前 AI 主要聚焦于“键盘端”的辅助功能，虽提升了代码质量与开发速度，却并未触及导致摩擦、倦怠和交付不稳定的核心结构问题。

若管理层仅关注 AI 带来的短期提速效应，忽视随之累积的不稳定性与潜在风险，极有可能在未来面临一波集中爆发的质量事故与运维危机。

AI 是“放大器”，而非“万能解药”：七项能力与七类团队画像

DORA 在报告摘要中提出一项关键但常被忽略的观点：

成功的 AI 实施本质上是一个系统工程问题，而非简单的工具引入。

这一判断建立在两个核心支柱之上。

一、决定 AI 效能上限的七项关键能力

2025 年 DORA 报告首次发布“DORA 人工智能能力模型”，识别出七项显著增强 AI 应用成效的能力，其中多项直接关联研发效能：

• 明确且共识的 AI 立场： 是否具备清晰的 AI 使用政策？员工是否清楚哪些场景可自由探索，哪些必须严格管控？
• 健康的数据生态与内部信息可访问性： 内部数据（如代码库、文档、工单、日志）是否结构化、清洁并可供 AI 安全调用？避免 AI 退化为通用聊天机器人。
• 稳健的版本控制与小批量工作模式： 团队是否推行频繁提交与持续集成？能否在故障发生时快速精准回滚？
• 以用户为中心的优先级机制与高质量内部平台： 研发决策是否围绕真实用户价值展开？是否存在统一平台提供标准化入口与规范支持？

这些能力共同决定了组织的研发效能天花板。AI 的作用只是加速逼近这个上限——最终高度，取决于组织此前的基础建设水平。

二、基于效能表现的七类团队分类

DORA 根据吞吐量、系统稳定性、团队协作效率、产品影响力、摩擦程度及职业倦怠等维度，将技术团队划分为七种典型类型，从“和谐高成就者”到“基础能力缺失者”不等。

两项关键发现值得管理者高度重视：

1. 表现最优的团队（聚类 6 与 7）能够在“交付速度”与“系统稳定性”之间实现双优，占比接近样本总量的 40%。
2. 处于另一极端的团队（如聚类 1 与 4），普遍存在基础能力薄弱或“高影响低节奏”的问题，交付节奏不可持续，风险积压严重。

这打破了传统认知中的迷思：**速度与稳定并非互斥选项，卓越团队完全可能两者兼得**。

在此背景下，AI 扮演的角色呈现分化：

• 对于已接近聚类 6/7 的成熟团队，AI 成为效能加速器，进一步释放潜力；
• 而对于尚处聚类 1/2 的初级团队，AI 更像是一个“问题放大镜”，将原有缺陷提前暴露。

这种暴露本身未必是负面结果，但如果管理层缺乏系统思维，就容易误判为“AI 无效甚至有害”。

因此，在制定 AI 发展路线前，最关键的一步是：

准确识别自身团队所处的类别，而不是盲目复制其他企业的 AI 实施方案。

该主题将在后续文章中深入探讨。

面向中高层管理者与 PMO 的三项行动建议

结合 DORA 2025 的研究发现与本土实践经验，从中长期项目治理与组织效能提升的角度出发，提出以下三点具体建议：

1. 将 AI 项目定位从“工具采购”转向“交付系统重塑”

若当前 AI 项目的唯一目标仅为：

• 采购若干 AI 工具或平台；
• 证明“我们已在使用 AI，并节省了 X% 人力成本”。

那么根据 DORA 框架评估，这类组织大概率会落入“高不稳定性、低可持续性”的区间。

更合理的定位应是：

以 AI 为契机，全面升级软件交付体系。

这意味着 AI 规划需与以下关键议题深度绑定：

• 系统架构是否支持小规模变更与快速回滚；
• 测试与发布流水线是否高度自动化且具备充分可观测性；
• 需求管理与优先级排序是否真正以业务价值和用户需求为核心导向。

2. 借助价值流管理，实现 AI 的端到端集成

避免将 AI 局限于局部环节的效率优化。应通过价值流分析，识别从需求产生到交付上线的全流程瓶颈点，并将 AI 能力嵌入关键节点，实现跨职能、跨系统的协同增效。

唯有如此，才能防止 AI 成为孤岛式工具，真正发挥其在整个交付链条中的放大作用。

DORA 的研究通过大规模数据验证：价值流管理（VSM）不仅能有效提升团队的交付效率、增加有价值工作的时间占比，还能显著增强产品效能。更重要的是，它在AI技术投入中起到了放大器的作用，使组织能够更充分地释放AI潜力。

一个切实可行的起点是：

• 选择一个具有代表性的产品或系统；
• 召集产品、研发、测试、运维和安全等关键角色，共同参与；
• 使用一张A3纸，绘制出从“想法提出”到“功能上线”的完整流程；
• 在图中标注每个环节的平均等待时长、返工频率以及常见的协作摩擦点。

在完成这张价值流图之前，避免急于讨论“该用哪个AI工具”。否则，容易在非瓶颈环节实现局部优化，看似成效显著，实则对整体AI研发效能的提升收效甚微。

平台工程与数据治理应被视为支撑AI成功落地的核心基础设施。DORA 指出：

• 90% 的企业已经采纳了平台工程实践；
• 76% 的组织设有专门的平台团队；
• 高质量的内部平台能显著强化AI对组织效能的正向影响，是实现AI规模化应用的关键基础。

同时，健康的数据生态也是构建七项核心AI能力的重要支柱。只有当内部数据具备高质量、高可访问性与一致性时，AI才有可能从“演示级的聪明玩具”转变为真正驱动业务决策的“智能助手”。

对管理者而言，这意味着：

• 若缺乏统一的内部开发者平台，引入AI工具只会加剧工具链的碎片化，导致协作更加割裂；
• 若数据分散于多个孤岛，且质量参差不齐，再强大的AI模型也只能输出“表面合理但难以信任”的结果。

因此，将AI项目预算单独剥离出来进行规划，往往是一种短视行为。更务实的做法是，把平台建设、数据治理与AI能力的集成及管控，整合为同一个战略级项目——“AI研发效能基础设施项目”的三个有机组成部分，统筹推进。

DORA 2025 最重要的贡献，并非再次强调“AI很重要”这一共识（这或许你早已认同），而是以扎实的数据揭示了一个深层现实：

• AI确实能大幅提升个体与团队的研发效能，但前提是组织的底层系统足够稳健；
• 工作中的摩擦、员工的职业倦怠、交付过程的不稳定，本质上是组织结构与文化的产物，不会因采购AI工具而自动消失；
• 真正高效的团队，能够在高吞吐量与高稳定性之间取得平衡，其关键在于是否愿意以系统工程的思维重构整个交付体系。

作为中高层管理者或PMO负责人，如果你将AI视为一次

交付系统的全面升级 与 组织能力的结构性重塑

的契机，而非简单的一轮工具采购，那么这场变革更有可能为企业带来可持续的AI研发效能优势。

在后续内容中，将基于 DORA 2025 提出的

七类团队画像模型

深入探讨以下问题：

• 如何识别你的团队属于哪种类型？
• 不同类型的团队在引入AI前，各自需要优先补足哪些能力？又应在哪些方面保持谨慎？
• 如何在不压榨团队的前提下，稳步推进AI研发效能的提升？

敬请关注下一篇文章：

《DORA 2025：基于七类团队画像的 AI 研发效能诊断方法》