共计 2706 个字符，预计需要花费 7 分钟才能阅读完成。
Google 近日发布了其 2025 DORA 软件开发报告。DORA（DevOps 研究与评估）是 Google Cloud 组织下的一个研究项目，致力于探索推动软件交付和运营绩效的关键因素。
今年的 DORA 项目调查了来自各行各业的 5,000 名软件开发专业人员，并进行了超过 100 小时的访谈。这项研究可能是迄今为止关于 AI 在软件开发中角色变化的最全面分析之一，尤其是在企业层面。
今年的报告尤为引人注目，因为 AI 已经深度渗透到软件开发中。报告揭示了一些令人鼓舞的趋势，同时也指出了极具挑战性的领域。
在撰写本文时，我仔细阅读了这份 142 页的报告，并提炼出五个主要观察结果，这些结果揭示了软件开发领域正在发生的深刻变化。
1. AI 现已广泛应用于开发中
根据调查，大约 90% 到 95% 的受访者在工作中依赖 AI 进行软件开发。这一比例比去年增长了 14%。尽管不同部分的数据略有差异，但几乎所有程序员现在都在使用 AI。
受访者每天与 AI 交互的中位时间为两小时。然而，使用频率存在差异：只有 7% 的受访者在解决问题时“总是”使用 AI，而最大的群体（39%）表示“有时”会求助于 AI。令人惊讶的是，60% 的人在尝试解决问题或完成任务时“大约一半的时间”或更多时间使用 AI。
80% 的程序员报告了生产力的整体提升，但只有 59% 的人表示他们的代码质量有所提高。另一个关键指标是：70% 的受访者信任 AI 的质量，而 30% 的人则不信任。
以我个人经验为例，我刚刚完成了一个由 AI 支持的 大规模编码冲刺。生成的代码几乎从未在第一次运行时就是正确的，我不得不花大量时间引导 AI 以使其正确。即使工作完成后，我还会进行全面的质量检查，发现更多错误。
我的结论是，如果没有 AI，我根本无法完成如此大量的工作。但我也绝不会在未经大量审查、验证和测试的情况下信任 AI 编写的任何代码。这与我在担任经理并将编码任务委托给员工或承包商时的感受并无太大不同。
2. 将 AI 视为放大器
这是研究中最引人入胜的结果之一。DORA 团队认为，AI 已经成为一种放大器，它“放大了高绩效组织的优势以及挣扎组织的功能障碍”。
这一观点非常有道理。如果你读过我最近的文章“与 ChatGPT Codex 配对编程 60 小时后学到的 10 个秘密，”我指出 AI 会快速犯大错。一个格式错误的提示可能会让 AI 造成重大破坏。我经历过 Codex 决定删除我文件中的一大块内容，然后立即将这些更改提交到 GitHub 的情况。
幸运的是，我能够回滚这些更改，但我看到大量的工作在我喝一口咖啡的时间里消失了。
本质上，团队越有效、越有条理，AI 的帮助就越大。团队越分散或随意，AI 的伤害就越大。就我而言，我有非常好的版本控制实践，因此当 AI“吃掉”我的作业时，我能够恢复它，因为我在授予 AI 访问代码库之前已经设置了控制措施。
3. AI 时代的七种团队类型
那么谁赢谁输？DORA 团队确定了决定团队整体绩效的八个因素：
- 团队绩效：团队的有效性和协作强度
- 产品绩效：所生产产品的质量和成功度
- 软件交付吞吐量：交付过程的速度和效率
- 软件交付不稳定性：交付过程的质量和可靠性
- 个人有效性：团队成员的有效性和成就感
- 有价值的工作：团队成员认为其工作有价值的程度
- 摩擦：个人完成工作的障碍程度
- 倦怠：团队成员的疲惫和愤世嫉俗感
然后，他们根据受访者及其团队对这些因素进行了衡量，识别出七种团队类型：
- 基础挑战：生存模式，处处存在差距
- 遗留瓶颈：持续救火，系统不稳定
- 流程约束：稳定但受制于官僚主义
- 高影响力，低节奏：强大的输出，不稳定的交付
- 稳定且有方法：谨慎的节奏，一致的质量
- 务实执行者：可靠、快速、适度参与
- 和谐高成就者：可持续、稳定、顶级表现
报告称，AI 是组织的一面镜子。使用 AI 使团队的优势和劣势更加明显。但我觉得特别有趣的是，“速度与稳定性”的权衡是一个神话。
这种观点认为，你可以快速或编写高质量的代码，但不能两者兼得。事实证明，排名前 30% 的受访者属于和谐高成就者或务实执行者类型，这些人快速产出，且输出质量很高。
4. 七个关键实践
报告强调，“成功的 AI 采用是一个系统问题，而不是工具问题。”DORA 团队似乎喜欢数字七。他们表示，以下七个关键实践推动了 AI 的影响（无论是好是坏）：
- AI 政策：组织明确传达的 AI 立场
- 数据生态系统：组织内部数据的整体质量
- 可访问的数据：连接到内部数据源的 AI 工具
- 版本控制：管理代码变更的系统方法
- 小批量：将变更分解为小且可管理的单元
- 用户聚焦：团队优先考虑最终用户体验
- 质量平台：组织内共享的能力
正如你所料，成功的团队采用了更多这些实践。虽然不成功的团队可能拥有高生产力的程序员，但正是这些基本要素的缺乏导致了他们的失败。
他们建议，“将 AI 采用视为组织转型。最大的回报将来自于投资于放大 AI 益处的基础系统：你的内部平台、你的数据生态系统以及团队的核心工程纪律。这些要素是将 AI 潜力转化为可衡量的组织绩效的必备前提。”
5. 影响 AI 成功的两个因素
去年，当之前的 DORA 报告显示 AI 实际上降低了软件开发生产力而非提高时，这成为了重大新闻。今年，情况恰恰相反。DORA 研究人员能够识别出扭转这些结果的两个关键因素。
开发组织比一年前更熟悉 AI，并知道如何更有效地使用它。研究表明，90% 的开发组织采用了平台工程。这是构建强大的内部开发平台的实践，这些平台集成了开发团队的工具、自动化和共享服务。
根据 DORA 的说法，当内部平台运作良好时，开发人员花在系统斗争上的时间更少，而更多时间用于创造价值。如果你将 AI 视为放大器，那么你可以看到良好的系统如何真正改善结果。有趣的是，如果平台薄弱，AI 似乎不会提高组织生产力。良好的内部平台是有效使用 AI 的非常明确的前提条件。
下一个因素听起来像是职场情景喜剧中的流行语，但实际上非常重要。它是 VSM（或价值流管理）。其理念是管理者创建一个从想法到交付的工作流程图。它基本上是操作的流程图，而不仅仅是零散的片段。
通过查看每一步，团队可以识别问题区域，例如非常长的代码审查或在不同阶段停滞的发布。报告指出，在具有强大 VSM 实践的组织中，AI 采用的积极影响“显著放大”。值得一提的是，“显著”一词在报告中出现了四次。
报告称，“VSM 作为 AI 投资的倍增器。通过提供系统级视图，它确保 AI 应用于正确的问题，将局部生产力提升转化为显著的组织优势，而不是简单地制造更多的下游混乱。”
这一切对软件开发意味着什么
报告得出了一些明确的结论。首先，AI 已经从炒作阶段进入企业软件开发的主流。其次，真正的优势不在于工具（甚至不在于你使用的 AI），而在于构建坚实的组织系统。没有这些系统，AI 几乎没有优势。第三，AI 是一面镜子。它反映并放大你已有的运营状况（无论是好是坏）。
