DORA 发布 AI 辅助开发团队画像与能力模型：AI 是放大器，组织能力是底座
在 QCon London 2025 上，DORA 研究负责人 Nathen Harvey 分享了关于 AI 辅助软件开发的团队画像与能力模型。核心观点是：AI 的效果取决于组织基础，团队应先评估现状、确定优先级，再持续改进，才能让 AI 投资真正产生回报。
AI 是放大器：组织体系决定 AI 投资回报
在 QCon London 的演讲《规模化复制高绩效，而不是低效》中，DORA 研究负责人 Nathen Harvey 指出，AI 更像是一种“放大器”——它放大的既可以是优秀实践，也可以是混乱和低效。企业如果希望从 AI 投资中获得最大回报，前提是先建设好组织系统；否则，AI 带来的局部效率提升，很容易被下游流程的阻塞抵消。
Harvey 介绍，DORA 多年来致力于研究团队如何持续提升技术实践能力，研究范围不仅包括软件交付本身，还延伸到团队协作、组织运作，以及企业如何通过技术更好地服务客户。DORA 将问卷调查与定性研究相结合，并于 2025 年发布了《DORA AI 辅助软件开发现状报告》（State of AI-Assisted Software Development at DORA）。
七种团队画像：了解自己属于哪一种
DORA 在研究中收集了团队在多个维度上的表现数据，包括团队绩效、产品表现、工作效率、协作阻力、职业倦怠等。基于这些数据，研究人员将团队划分为七种典型画像：
- 基础能力不足
- 遗留系统瓶颈
- 流程约束型
- 高影响、低交付频率
- 稳健有序型
- 务实执行型
- 高绩效协同型
Harvey 以“流程约束型”团队为例进行说明：
这类团队的特点是：成员职业倦怠程度较高、协作阻力较大、个人工作效率偏低，真正投入高价值工作的时间较少。不过，他们的软件交付稳定性反而不错，甚至优于大多数团队，只是整体交付吞吐量较低。Harvey 认为，这并非理想状态——系统虽然稳定，但真正创造出的业务价值并不高。
七项关键能力：让 AI 真正发挥作用
为了回答“为什么有些团队能更有效利用 AI”这个问题，DORA 研究人员总结出七项关键能力。当这些能力与 AI 应用结合时，团队通常能获得更好的结果：
- 明确且统一传达组织的 AI 使用策略
- 健康的数据生态
- AI 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
- 高质量的内部平台
Harvey 强调，软件开发的最终目标始终是服务于人。
我们的工作是解决问题。我们需要真正理解用户是谁，并构建他们真正需要、能够改善他们生活的产品。
他认为，AI 最大的价值在于显著提高了团队的试错能力。过去只能完成一个原型的时间，现在可以同时做五个。既然团队往往无法准确预知用户真正需要什么，更好的做法是快速构建多个方案，交给用户验证，并在团队内部持续讨论和改进。
从研究到实践：把报告结论当作假设
去年 12 月，DORA 还发布了《AI 能力模型》（AI Capabilities Model）报告。谈到如何落地研究成果，Harvey 建议团队先评估当前现状，再确定优先事项，并持续建设改进文化。
他指出，每家企业都有自己的业务背景和客户群体，不能照搬 DORA 报告的建议，而应结合自身实际情况理解这些研究成果。将 DORA 的研究结论视为你的假设，然后结合自己的组织不断验证和调整。
开发者视角：效率提升的同时，交付稳定性在下降
在演讲结束后，InfoQ 对 Nathen Harvey 进行了采访，以下为关键问答。
InfoQ：DORA 报告对于 AI 如何影响个人生产力和代码质量，得出了哪些主要结论？
Harvey： 随着 AI 应用程度不断提高，人们对于个人工作效率和代码质量的评价都在持续提升。其中，自我评价的个人工作效率提升幅度是所有指标中最大的，代码质量评价也有所改善。但值得关注的是：虽然个人效率和代码质量都有提升，软件交付的不稳定性同样在提高——生产环境中出现回滚和紧急修复的情况变得更加频繁。
代码质量提高而交付稳定性下降，看似矛盾。Harvey 认为，这可能意味着团队激励机制存在偏差，或者开发人员缺乏对生产环境影响的整体可见性。例如，软件工程师可能只关注如何更快开发新功能，而没有充分关注这些功能上线后是否真正稳定运行。
InfoQ：这些 AI 能力模型如何帮助团队更好地发挥 AI 的价值？
Harvey： 它们能够帮助团队理解如何最大化 AI 投资的回报。例如，DORA 多年来一直发现，小批量开发能带来更好的软件交付表现。然而，AI 模型往往倾向于一次性生成较大的代码修改或 Pull Request，这与小批量实践形成冲突。大型变更不仅更难审查，也更难判断是否真正符合需求，同时带来更高风险。团队可以利用这些研究结论，与 AI 助手协作，将一次大的代码修改拆分为多个规模较小、能够独立部署的变更单元。
InfoQ：平台在 AI 落地和价值实现过程中扮演什么角色？
Harvey： 高质量的内部平台，对于企业真正发挥 AI 的价值至关重要。平台能够将模型、工作流以及其他能力以统一方式提供给整个组织使用，从而推动 AI 的普及和价值实现。但平台的意义并不仅限于提供能力——更重要的是，它能够将复杂性下沉到平台内部，对使用者进行抽象。例如，如果企业必须遵循某项安全策略，平台可以在所有新系统中自动执行这些策略。这样既提高了策略执行的一致性，也让开发团队无需反复理解和处理复杂的安全规则，从而专注于业务本身。