AI 如何提升工程生产力：高管圆桌会议的关键洞察

某海外科技公司如何利用 AI 提升研发效能

提升工程效率，是这家海外科技公司工作中的重要组成部分。团队越快向客户交付高质量功能，客户就越能从产品中获得更多价值。随着 AI 编码工具和 AI 工作流逐渐进入软件开发生命周期，如何利用 AI 提升工程生产力和研发效能，也成为技术团队必须认真回答的问题。

这种快速迭代能力，也是该公司开发一款情境感知型 AI 工具的关键。这个工具可以连接用户的各类工作应用，帮助用户搜索信息、提出问题，并整理分散在不同工具中的工作内容。

在构建这类 AI 产品的过程中，该公司自身也大量采用了 AI 编码和开发工具。早期成果令人鼓舞，但关于如何最有效地使用这些工具，以及它们在哪些场景下最能发挥价值，仍然存在许多尚未解决的问题。

为了推动相关讨论，这家海外科技公司的技术负责人在旧金山工作室主持了一场高管圆桌会议。会议邀请了一小群来自头部公司的技术领导者，共同探讨 AI、工程生产力与研发效能领域正在发生的变化，并进行了深入交流。以下是这次会议中的一些核心内容。

如何利用 AI 提升工程生产力

为了使用 AI 而使用 AI，并没有意义。AI 工具必须与真实的业务成果相连接。

在应对这场变化时，我们不得不反复追问自己：什么样的方法才是正确的？哪些现有流程需要根据 AI 工作流进行升级？

为了开启这次活动，并向与会者展示这家公司如何思考这些问题，工程生产力负责人介绍了团队在利用 AI 提升工程生产力方面的实验、采用和推广过程。

首先，团队与公司领导层合作，争取他们的支持，并明确 AI 工具的重要性，最终将 AI 采用提升为公司层面的优先事项。

这使得 AI 从一项基层实验，转变为一项紧迫的组织任务，也帮助所有人对这件事形成了共同认知。现在，各个团队可以更自由地尝试不同工具，公司内部新工具试点项目的审批流程也被进一步简化，试点门槛随之降低。

在实验过程中，团队发现，AI 对整个软件开发生命周期都产生了影响。从代码审查、文档编写，到调试和测试，AI 都有发挥作用的空间。

和其他大型组织一样，这家公司也面临一些独特挑战。现成的 AI 工具并不总是能满足其规模要求。由于公司拥有一个非常庞大的多语言单体代码库，因此必须谨慎判断：哪些地方适合直接采用现有工具，哪些地方需要进行扩展，哪些地方则需要构建自有能力。

例如，这家公司构建了自己的 AI 工具，用于监听拉取请求中的构建失败，并基于内部 AI 平台提出修复建议。

得益于这些努力，现在大多数开发人员都在自己的工作流中使用至少一种 AI 工具。团队将每位工程师每月提交的拉取请求，也就是 PR 吞吐量，作为一项核心指标进行跟踪。

从数据中可以看到，更频繁使用 AI 编码工具的用户，在代码交付产出上体现出明显变化，这一点反映在每月 PR 吞吐量上。

团队也密切关注公司内部工程师对 AI 工具的看法。随着积极情绪持续增强，消极情绪所占比例正在下降。

最重要的是，由于公司让开发者更容易根据团队实际情况选择最适合自己的工具，他们在使用 AI 加速工作时感受到的阻力也更小了。

高管圆桌会议如何讨论 AI 与研发效能

当晚的重点，是一场旨在促进跨行业思想交流的圆桌讨论。

为了实现这一点，组织者将与会者分成三组。每组轮流讨论一个问题，这样每位领导者都能从三个不同的同行小组中学习。

讨论主要围绕三个核心支柱展开。

第一，衡量影响。与会者在衡量 AI 驱动的工程生产力提升时，主要采用哪三种方法？在衡量由此带来的业务影响时，又主要采用哪三种方法？

第二，形成领导层共识。在 AI 部署、AI 应用，以及通过 AI 提升生产力的进展和速度方面，如何与公司领导层保持一致？与会者分享了各自正在采用的三类方法。

第三，人的因素。在招聘、评估和培养员工的 AI 能力与生产力方面，与会者主要采用哪些方法？在提升非开发人员生产力方面，又有哪些经验值得借鉴？

正式讨论结束后，与会者在后续交流环节继续分享观点。各位领导者进一步探讨了在 AI 时代进行管理、领导和持续改进所需要的思维方式。

AI 工程生产力提升带来了哪些启发？

圆桌讨论中浮现出的主要主题，集中在以下几个方面。

第一，平衡。必须谨慎权衡生产力提升与潜在代价之间的关系，尤其是质量和长期维护成本方面的取舍。

第二，领导力的作用。管理层，尤其是技术领导力，在建立和执行有效 AI 使用规范方面发挥着至关重要的作用。

第三，制度化。将 AI 能力正式纳入职业发展框架，表明组织已经把 AI 视为长期战略重点，而不是短期工具实验。

不过，仍有许多问题尚未完全解决。例如：如果 AI 确实提升了我们的处理能力，那么这些新增能力究竟被用在了哪里？

对这家公司来说，这些能力目前正被用于解决技术债务、执行数据迁移，以及提升系统可靠性等领域。

然而，如何将这些生产力提升有效地与具体业务成果联系起来，仍然是一个关键挑战。这也是许多与会者在圆桌会议中反复提到的观点。

要回答这个问题，单靠 AI 编码工具本身还不够，团队还需要把研发目标、客户反馈、需求评审、开发测试、发布上线和知识沉淀连接起来。对于研发团队来说，PingCode 这类智能化研发管理工具，可以帮助团队把 AI 带来的效率提升沉淀到完整研发流程中，用数据化方式追踪研发效能和业务结果之间的关系。

因此，2026 年的重点将是：把生产力提升直接与具体成果挂钩，将运营上的严谨性扩展到工程团队之外，并最终推动端到端产品迭代速度的提升。

在工程团队之外，AI 也会影响产品、运营、市场和管理等更多角色的协作方式。对于这类跨职能协作场景，Worktile 这类通用项目协作系统，可以帮助团队围绕任务、项目、文档、日历和审批等事项统一协作，让非开发人员的效率提升也能被更好地组织和承接。

非常感谢贡献观点的参与者。未来，我们也期待继续围绕 AI、工程生产力和组织效率，与更多技术领导者进行交流。