在近期举行的 QCon London 大会上，DORA 研究负责人 Nathen Harvey 发表了题为“Scale High Performance, Not Dysfunction”（规模化复制高绩效，而不是低效）的演讲。他在演讲中强调，人工智能（AI）并非万灵药，而更像是一种“放大器”。企业若想从 AI 投资中获得最大回报，前提是必须先建立稳健的组织体系；如果基础架构薄弱，AI 带来的局部生产力提升最终会被下游流程中的混乱所抵消。
为了帮助企业将研究成果转化为实践，DORA 发布了《2025年 DORA AI 辅助软件开发现状报告》（State of AI-Assisted Software Development at DORA）以及“AI 能力模型”（AI Capabilities Model）。基于对团队绩效、产品表现、工作效率、协作阻力及职业倦怠等维度的深入调研，研究人员将当前企业中的团队划分为七种典型画像。
以“流程约束型”团队为例，此类团队虽然在软件交付的稳定性上表现出色，但由于面临较高的协作阻力和较低的个人工作效率，其产生的实际业务价值并不高。为了打破这种僵局，DORA 总结出七项关键能力：明确且统一的 AI 使用策略、健康的数据生态、可访问的内部数据、良好的版本控制实践、小批量开发、以用户为中心以及高质量的内部平台。
此外，针对 AI 倾向于生成大规模代码变更的特性，Harvey 建议利用“小批量开发”理念，通过与 AI 协作将大型更改拆分为多个可独立部署、易于审查的小单元。同时，他强调高质量的内部平台在其中扮演着核心角色：它不仅能统一提供模型和工作流，更重要的是能够将复杂的安全策略、合规要求等底层逻辑“下沉”到平台内部进行抽象处理，让开发团队能够专注于解决核心业务问题。
【小编观点】
DORA 的研究揭示了一个深刻的职场真相：工具的先进程度往往不能直接转化为组织的生产力。在 AI 浪潮中，很多企业陷入了“工具焦虑”，试图通过引入各种模型来解决流程上的低效。然而，正如 Nathen Harvey 所言，如果组织架构、数据治理和协作逻辑不清晰，AI 只会放大现有的混乱。特别是“代码质量提升但稳定性下降”的矛盾现象，警示我们：在追求 AI 带来的速度时，不能牺牲掉对系统稳健性的基本要求。
【核心提要】
【正文报道】
在近期举行的 QCon London 大会上，DORA 研究负责人 Nathen Harvey 发表了题为“Scale High Performance, Not Dysfunction”（规模化复制高绩效，而不是低效）的演讲。他在演讲中强调，人工智能（AI）并非万灵药，而更像是一种“放大器”。企业若想从 AI 投资中获得最大回报，前提是必须先建立稳健的组织体系；如果基础架构薄弱，AI 带来的局部生产力提升最终会被下游流程中的混乱所抵消。
为了帮助企业将研究成果转化为实践，DORA 发布了《2025年 DORA AI 辅助软件开发现状报告》（State of AI-Assisted Software Development at DORA）以及“AI 能力模型”（AI Capabilities Model）。基于对团队绩效、产品表现、工作效率、协作阻力及职业倦怠等维度的深入调研，研究人员将当前企业中的团队划分为七种典型画像。
以“流程约束型”团队为例，此类团队虽然在软件交付的稳定性上表现出色，但由于面临较高的协作阻力和较低的个人工作效率，其产生的实际业务价值并不高。为了打破这种僵局，DORA 总结出七项关键能力：明确且统一的 AI 使用策略、健康的数据生态、可访问的内部数据、良好的版本控制实践、小批量开发、以用户为中心以及高质量的内部平台。
在与 InfoQ 的深度交流中，Nathen Harvey 进一步解析了这些模型对实战的指导意义。针对“AI 是否提升了代码质量”这一问题，他指出一个值得警惕的现象：虽然开发者感知的个人工作效率和代码质量有所提升，但生产环境中的交付稳定性却在下降（如回滚和紧急修复频率增加）。这反映出团队激励机制可能存在偏差，或者开发人员过度关注功能产出而忽视了系统的整体稳定性。
此外，针对 AI 倾向于生成大规模代码变更的特性，Harvey 建议利用“小批量开发”理念，通过与 AI 协作将大型更改拆分为多个可独立部署、易于审查的小单元。同时，他强调高质量的内部平台在其中扮演着核心角色：它不仅能统一提供模型和工作流，更重要的是能够将复杂的安全策略、合规要求等底层逻辑“下沉”到平台内部进行抽象处理，让开发团队能够专注于解决核心业务问题。
【小编观点】
DORA 的研究揭示了一个深刻的职场真相：工具的先进程度往往不能直接转化为组织的生产力。在 AI 浪潮中，很多企业陷入了“工具焦虑”，试图通过引入各种模型来解决流程上的低效。然而，正如 Nathen Harvey 所言，如果组织架构、数据治理和协作逻辑不清晰，AI 只会放大现有的混乱。特别是“代码质量提升但稳定性下降”的矛盾现象，警示我们：在追求 AI 带来的速度时，不能牺牲掉对系统稳健性的基本要求。
背景链接：
AI-Assisted Software Development: Team Profiles and Capabilities for Putting Research into Action - InfoQ