DORA 2025：AI 輔助開發如何改變軟件研發效能（關鍵趨勢解讀）

AI 已從“前沿探索”變成軟件研發的日常工具，但在我接觸的大量中國企業里，管理層對它的期待與現實體驗，往往并不一致。最新發布的 DORA 2025 報告，給我們提供了一套相對冷靜、基于證據的視角：AI 到底改善了哪些研發效能指標，又在哪些地方制造了新的不穩定？本文嘗試站在中高層管理者與 PMO 的角度，對這些關鍵發現做一次系統梳理，幫助你用更務實的方式審視 AI 研發效能。

從“要不要上 AI”，到“AI 已經無處不在”

過去兩年，我在不同規模和行業的客戶現場聽到最多的兩個問題是：

• “我們是不是也該搞點 AI，別被落下？”
• “AI 研發效能到底有沒有實打實的提升？”

DORA 2025 的數據，至少可以幫我們回答第一部分——這已經不是“要不要上 AI”的問題，而是“你有沒有能力駕馭 AI”的問題。

1. AI 使用已經成為軟件研發的“新默認”

DORA 報告顯示：在 2022 年，開發者使用 AI 還算新鮮事，如今超過 90% 的技術專業人員會在工作中使用 AI 工具；其他行業調研也表明，84% 的開發者正在使用或計劃使用 AI 工具進行開發。

這背后還有兩組值得管理層注意的信號：

• 企業層面：88% 的企業領導者表示，加速 AI 采納是優先事項，2024 年全球企業在 AI 上的總投資達到 2523 億美元，同比增長 26%。
• 招聘層面：包含“生成式 AI 技能”的職位發布量在一年內增長了 300%+。

換句話說，無論你個人是否樂觀，AI 已經是大多數研發團隊的“日常基建”，而不是未來時的選配項。

2. 但“廣泛采納”不等于“廣泛價值”

雖然上面提到 AI 已經是大多數研發團隊的“日常基建”，但 DORA 報告中同時也提醒我們：

很多企業的 AI 計劃仍然是由“FOMO（錯失恐懼癥）”驅動，而不是深思熟慮的戰略。

這句話對國內環境尤為適用。在不少客戶現場，我看到的 AI 項目是這樣推進的：

• 由上而下定一個目標：“要在某某大會上講我們也在用 AI”；
• 集中采購一批許可證，安排幾輪培訓；
• 要求研發部報“節省了多少人天”“代碼產出提升了多少”。

許可證買了、插件裝了、分享會開了，開發者主觀上覺得好像更快了。短期看，這類項目有一些可展示的成果；但長期看，它們往往沒有改變組織的 AI 研發效能——也就是沒有在交付節奏、質量穩定性、價值流效率上留下清晰的改善軌跡。

AI 真正改善了哪些“研發效能”指標？

DORA 團隊這次用了一個相對嚴謹的方式：在控制環境和流程等因素之后，比較同類人群中 AI 采納程度不同的人，看他們在各類結果上的差異。它沒有停留在“開發者好感度調查”，而是嘗試用多維度指標去刻畫“AI 研發效能”的真實變化。

1. 個體視角：生產力與代碼質量的真實提升

在個人層面，AI 研發效能的提升是被數據反復驗證的。

DORA 發現，在其它條件相同的情況下，AI 采納程度越高的從業者，越有可能報告更高的個人效能和代碼質量。比如：

• 更高水平的個人效能；
• 更高比例的時間用于“有價值的工作”；
• 更高水平的代碼質量；
• 更高水平的團隊效能、組織效能以及產品效能；
• 更高的軟件交付吞吐量。

用大白話講，就是：

AI 讓開發者更容易把時間花在“創造價值”的事情上，而不是機械勞動上；同時對代碼質量和產品結果，也有統計意義上的正向影響。

這與我在客戶現場的觀察基本一致：當團隊已經有一定的工程基礎，AI 非常擅長削減“邊角料工作”——寫重復代碼、整理接口文檔、生成簡單測試、起草方案初稿。讓骨干可以把精力更多放在架構決策、復雜場景和跨團隊協作上——這才是真正的 AI 研發效能。

2. 組織視角：效能的多個維度“同時變好”

如果把視角從個體拉到組織，DORA 進一步指出：在具備一定基礎設施和管理成熟度的前提下，AI 采納度更高的團隊在組織效能、團隊效能、產品效能和交付吞吐量上整體表現更好。

這說明，只要底層沒有嚴重短板，AI 研發效能的提升是可以傳導到業務側的，而不是只停留在“個人自我感覺良好”。

我通常會建議管理層，把這部分效應理解為：

AI 不會幫助一個混亂的組織“起死回生”，但會顯著放大一個本來就走在正確方向上的組織的優勢。

AI 沒有解決的三個問題：摩擦、倦怠與不穩定性

然而，DORA 也非常坦誠地展示了另外一面——有些問題，采用 AI 后幾乎沒有動靜，甚至在惡化。

1. 摩擦與倦怠：這是組織問題，不是工具問題

DORA 報告顯示，AI 采納程度與“工作摩擦”和“職業倦怠”的改善幾乎沒有顯著相關性。——換句話說，用不用 AI，大家吐槽流程、抱怨疲憊的程度差不多。

DORA 給出的解釋是：

這些結果更多是“社會技術系統”（流程 + 文化）的產物，即流程、結構和文化共同作用的結果。超出了個體開發者能夠左右的范圍。

這非常符合國內很多研發團隊的現實：

• 需求變更頻繁、優先級經常反復拉扯；
• 評審鏈路長、審批層級多，決策遲緩；
• 跨團隊協作模糊，職責邊界不清晰；
• 指標壓力只下沉不共擔。

在這種場景下，你即便給每個人配一個頂級 AI 助手，他也最多只能幫你“更快地做完錯誤的事”。

從組織治理角度看，這組數據在提醒管理層：

不要指望用 AI 來彌補結構性問題——那些問題需要的是決策機制調整、權限劃分與流程重構，而不是一個更聰明的編輯器。

2. 軟件交付不穩定性：AI 把“隱性風險”提前暴露

更值得警惕的一點是：AI 與“軟件交付不穩定性”的上升存在統計相關性。

2024 年的 DORA 研究曾指出：當 AI 采納率每增加 25%，如果不配套改進交付體系，會出現“交付吞吐量平均下降 1.5%，不穩定性上升 7.2%”的反常現象。

2025 年的情況好一些——吞吐量開始提升，但不穩定性問題依然沒有根本好轉。

原因其實不難理解：

• AI 把“寫代碼的門檻”進一步放低了，讓開發者更容易做出“更大體量的變更”；
• 但測試自動化、灰度發布、監控與回滾能力，如果仍停留在“人肉 + 手工”的舊時代，系統自然會變得更脆弱。

DORA 的表述是：AI 目前主要集中在“鍵盤端”，因此提升了代碼質量和生產力，但沒有觸及引發摩擦、倦怠和不穩定性的那些深層結構。

如果管理層只看到 AI 研發效能帶來的“提速”，卻忽略了不穩定性與隱性風險的疊加，就很容易在一年后迎來一波“質量與運維事故的反噬”。

AI 是“放大器”而不是“銀彈”：七項能力與七類團隊

DORA 在摘要部分給技術領導者提了一個非常重要但容易被忽略的結論：

成功的 AI 采納是一個系統問題，而非工具問題。

這句話背后，有兩個關鍵支點。

1. 七項 AI 能力：決定 AI 研發效能的“上限”

今年 DORA 報告的一個重要成果，是首次提出了 DORA 人工智能能力模型，總結出七項能顯著放大 AI 效益的能力，其中幾項與 AI 研發效能直接相關的包括：

① 明確且已共識的 AI 立場

• 是否有清晰的 AI 使用政策；
• 員工是否知道哪些場景可以大膽試驗，哪些場景必須嚴格審慎。

② 健康的數據生態系統 & AI 可訪問的內部數據

• 內部數據（代碼庫、文檔、工單、日志）是否干凈、可訪問、結構化；
• AI 是否能安全訪問這些內部信息，而不僅僅停留在“通用聊天機器人”。

③ 穩健的版本控制 + 小批量工作模式

• 團隊是否鼓勵小步提交、頻繁集成；
• 出現問題時，能否快速精準地回滾到安全版本。

④ 以用戶為中心的關注點與高質量內部平臺

• 研發是否真正圍繞用戶價值做優先級決策；
• 是否存在一個統一的內部平臺，為開發者提供統一入口、統一規范。

從 AI 研發效能的角度看，這些能力決定了本一家企業的“研發效能上限”，AI 只是讓你更快地觸碰那個上限——是高是低，取決于你之前打的地基。

2. 七類團隊：先知道自己在哪里，再談要去哪里

另一方面，DORA 還基于研發效能結果，比如吞吐量、不穩定性、團隊效能、產品效能、摩擦、倦怠等維度，將團隊劃分為七類典型畫像，從“和諧高成就者”到“遭遇基礎性挑戰者”。

有兩個關鍵觀察值得管理層重視：

• 最佳表現者（聚類 6 與 7）能夠在“速度”和“穩定性”兩個維度上同時取得卓越成績，占樣本近 40%。
• 另一端的團隊（例如聚類 1、聚類 4），要么深陷基礎問題，要么“高影響低節奏”，速度缺乏穩定性，是危險且不可持續的狀態。

這直接打破了一個傳統迷思：速度與穩定性不是天然對立的，優秀團隊完全可以兩者兼得。

而 AI 在這里扮演的角色，很可能是：

• 對于已經接近聚類 6/7 的團隊，AI 是一個加速器，可以進一步放大 AI 研發效能；
• 對于停留在聚類 1/2 的團隊，AI 可能只是把問題“放大并提前暴露”——這未必是壞事，但如果管理層沒有系統觀，就容易誤以為“AI 沒用，甚至添亂”。

因此，在設計 AI 路線圖之前，最重要的一步其實是：搞清楚自己屬于哪一類團隊，而不是“簡單抄一份別家的 AI 方案”。

這一點，我會留到下一篇文章中，用專門的一篇來展開。

給中高層和 PMO 的三點行動建議

站在項目治理與組織效能的角度，結合 DORA 2025 的數據和本土實踐，我會給中高層和 PMO 三個相對直接的建議。在規劃 AI 研發效能提升時，至少考慮以下三件事。

1. 把 AI 項目從“工具采購”升級為“交付系統重構”

如果你的 AI 項目目標只有兩條：

• 采購若干 AI 工具或平臺；
• 證明“我們也在用 AI，且節省了 X% 人力”。

那么在 DORA 的體系中，你大概率會落入那類高不穩定性、低可持續性的組織。

更健康的 framing 應該是：

我們希望能借助 AI 這次契機，整體升級軟件交付系統

這意味著，AI 規劃要與以下議題強綁定：

• 系統架構是否支持小批量、易回滾的變更；
• 測試與發布流水線是否足夠自動化、可觀測；
• 需求管理、優先級機制是否真正以用戶和業務價值為導向。

2. 用價值流管理，把 AI 接入“端到端”

DORA 用大量數據證明：價值流管理（VSM）可以顯著提升團隊效能、有價值工作時間與產品效能，是 AI 投資的放大器。

一個可操作的小步驟是：

1. 選一個有代表性的產品或系統；
2. 讓產品、研發、測試、運維、安全坐在一起，用一張 A3 紙畫出當前從“想法”到“上線”的全過程；
3. 標注每個環節的平均等待時間、返工率以及常見摩擦點。

在這張圖出來之前，不要急著討論“用哪種 AI 工具”，否則你很可能在非瓶頸環節取得漂亮的局部優化，卻看不到整體 AI 研發效能的提升。

3. 把平臺工程與數據治理當成 AI 成功的“基礎設施項目”

最后，DORA 明確指出：

• 90% 的企業已采用平臺工程，76% 擁有專職平臺團隊；
• 高質量內部平臺能顯著增強 AI 對組織效能的正面影響，是 AI 成功應用的關鍵基礎。

同樣，健康的數據生態也是七項 AI 能力中的核心一環：高質量、可訪問、一致性的內部數據，直接決定 AI 能否從“聰明玩具”變成“業務助手”。

對管理層來說，這意味著：

• 如果你沒有統一的內部開發者平臺，AI 工具只會進一步加劇“工具碎片化”和“協作割裂”；
• 如果你的數據分散在多個孤島，質量參差不齊，AI 再強也只能給你生成“看起來聰明但不可信”的回答。

因此，把 AI 項目的預算單獨拎出來討論往往是陷阱。更務實的做法，是把平臺工程建設、內部數據治理、AI 能力接入與治理，視為同一個“AI 研發效能基礎設施項目”的三個側面。

結語：管理者需要的，是“更清醒的系統觀”

DORA 2025 帶來的最大價值，不在于告訴我們“AI 很重要”（這一點你可能早就感受到了），而在于用數據提醒我們：

1. AI 能顯著提升個體與組織的研發效能，但前提是底層系統足夠健康。
2. 工作摩擦、職業倦怠和交付不穩定性，是組織結構與文化的結果，不會因為買了 AI 工具自動消失。
3. 真正優秀的團隊，可以在高吞吐與高穩定之間實現雙贏，關鍵在于你有沒有勇氣用系統工程的方式重構交付體系。

作為中高層管理者與 PMO，如果你把 AI 看成一場 “交付系統升級”與“組織能力重塑” 的契機，而不是一輪工具采購，這場變革將更有可能為你的企業帶來長期的 AI 研發效能優勢。

在下一篇文章中，我會結合 DORA 2025 提出的七類團隊畫像模型，進一步展開討論：

• 如何判斷你的團隊屬于哪一種類型？
• 不同類型在上 AI 時應該先補哪些課、踩哪些剎車？
• 如何在不透支團隊的前提下，逐步提升 AI 研發效能？

敬請留意下一篇：《DORA 2025：基于七類團隊畫像的 AI 研發效能診斷方法》。