AI时代科技组织该怎么做？—

2025年春节后，“AI”一词迅速成为热门话题，仿佛一夜之间横空出世，AI技术的迅猛发展，让许多企业意识到其重要性，甚至有观点认为AI将成为未来的核心竞争力，堪比电力和互联网。组织的数字化能力和技术工具以前所未有的速度被重新定义。

不可否认，AI已成为一种强大的新质生产力，正在推动整个软件研发流程从面向“人”到面向“人-Agent共生体”演进。主要变化点包括但不限于：

需求分析不再全靠人工，而由AI生成界面原型、扩写需求文档、对需求内容进行质检；
编码环节从代码补全进化到基于任务描述的代码生成模式；
测试阶段可以实现AI通过需求生成测试用例。

但是，AI在给人和组织带来生产助力的同时，也会带来风险和挑战。

AI不是魔法

AI爆发后，几乎成为所有企业管理者的关注重点，大家都急着想知道怎么尽快乘上AI这趟高速列车。从“能不能用”到“该怎么用”，大家对AI的期待值不断升高。

但AI并非魔法，也无法一夜之间让组织焕然一新。用好AI的前提，还有着基础设施的建设要求和组织在各方面的适应性变革要求。尤其是在人员组成、组织架构、资产管理、工具工艺等方面。金融行业作为高度依赖技术和数据的领域，更是面临着前所未有的变革压力。（关于这方面的变化，也可以参考我们之前发表的文章《最新预测：DeepSeek时代，科技组织即将发生的12大变化》）

文章配图

在我们的试验和观察中，AI赋能提升人效的背后，对质量提出了新要求。

不谈质量的提效，是在制造技术负债

很多组织一上来就想用AI提效，更有部分组织和管理者，立马将AI变成裁员工具，就地降本增效。但吴穹博士却有不同的观点：在AI应用上，建议组织先把重点放在“提质”，而非盲目“提效”。

AI确实将要以及正在深刻重构软件研发的全流程，但前提是“质量体系要先跟得上”。基础设施不牢靠，即便AI工具再强，也只能加速制造混乱。例如：

1. 如果需求资产不完整，AI写出的代码可能方向会出现偏差。

AI不是业务专家，其代码生成是基于它所理解的需求上下文来的。如果你的需求资产不完整、不结构化，AI理解的上下文就会是不准确的或模糊的，它写出的代码很容易逻辑上对了，但业务上错了。

2. 如果单元测试覆盖率不够，AI生成的功能将无法回归验证。

AI擅长写语法对、结构对、设计模式对的看起来“很合理的代码”，但这不代表就是“正确的功能”。如果一个系统中大多数模块都有完备的单测，那么AI生成或改写代码后，一跑测试就知道有没有问题。因此只有构建好单测基础，才能让AI形成安全高效的生产闭环。

3. 如果DevOps流水线不完善，部署流程将变成“自动化踩坑”过程。

如果你的部署流程不够自动化、不够规范化，那么即便AI把代码写得再快、再多，也会迅速把“缺陷”和“混乱”推到上线环境，变成“高效交付问题”。所以我们建议在全面应用AI编码之前，一定要重视和补全DevOps技术债务。

因此，提质是AI提效的前提条件。只有具备较高工程标准和资产沉淀能力的团队，才能够通过AI有效释放生产力。

应对AI带来的影响，建议先做这些事

1.构建资产，让AI看得懂在做什么，才有可能写得对

资产沉淀相当于AI的“燃料库”，AI只有在看得见全貌的前提下，才能做得更准”。短期内我们建议的行动项包括：

推动需求资产化：用标准用例格式，构建结构化需求库，避免AI“编错方向”。
补全用户手册&设计文档：作为需求扩写、自动任务分解的输入源。谨慎推动AI直接进行需求扩写。
试点AI生成/维护架构资产：提升架构的可视化、可回溯性，为后续演进打下基础。

2. 优化研发工艺，让AI嵌入研发主流程

AI不是工具链的附属，而应该是研发流程内的共同成员，通过工艺流程来定义组织与AI的协作任务、流转过程、校验输入与输出。

以知微为例，我们现在探索构建的柔性AI软件工程生产线如下图所示，AI不是孤立的能力，而是流程中一个一个“Agent”。

文章配图

在研发工艺变化方面我们建议的短期行动项主要有：

强化评审质控机制：在AI介入流程后，评审工作反而更重要，强化需求评审、设计评审、代码评审等质控环节，不仅要看人写的，也要看驯化AI写的，确保在AI助力下同时提升效率和守住质量。
稳步提升单元测试覆盖率，加大自动化接口测试建设：单测覆盖率、接口测试能力应该成为组织2025年大力推进的方向，以构建最底层的质量闭环，让AI生成内容有反馈机制。

3. 组织适配AI演进，优化人才结构，释放“超级个体”潜力

AI让优秀开发者如虎添翼，组织可能变小但战斗力更强，组织需要适配调整人才战略，引导AI应用方面的人才，打造“AI+人”的最小作战单元。

推进全栈/跨系统人才培养：减少前后端、跨系统的中间沟通联调成本。
识别并保护超级个体：在组织内设立AI变革推进机制，激励愿意尝试、适应、复用AI的人才。
重构角色能力模型：AI智能体成为团队成员，推动员工具备和AI协作能力，适应“人-Agent混成团队”。

4. 建设能用AI的基础设施

AI不是插上就能跑的外挂，它需要基础设施“托得住”。建议的行动项包括：

部署专用研发环境：确保研发团队拥有专属满血的大模型（如DeepSeek），并做好用户权限和资源调配。
推进DevOps能力：补齐自动化构建、测试、部署能力，否则AI产出只会加速“自动化踩坑”。
容器化环境就绪：为AI Agent和多分支协作提供轻量沙箱，实现“一个Agent一套环境”。
关注国产IDE发展：避免被限制能力或泄露数据，提前布局生态替代方案。

结语：

质量是AI赋能的前提，而非代价

在结尾，我们引用吴穹博士的一个形象比喻：

AI就像高铁，

不是开不到400km/h或更高的速度，

问题是刹不住车。

如果不先构建质量保障机制，贸然提速将带来安全与稳定性的巨大隐患。

这正是今天我们对科技组织面对AI变革的关键提醒：不是速度决定你是否领先，而是质量决定你能不能持续。

只有当组织在质量保障、资产建设、工艺演进上打下扎实基础，AI才能真正进入人机协同的良性发展新纪元。