📊 研究报告 · 深度解读
AI辅助开发的双刃剑：个人效率飙升，交付稳定性反降——DORA报告揭示七种团队画像与七项关键能力
DORA 2025年《AI辅助软件开发现状报告》给出核心判断：AI是放大器，而非银弹。个人工作效率提升幅度为所有指标之最，但软件交付稳定性同步下降，回滚与紧急修复更频繁。报告同时提出七种团队画像与七项关键能力，为企业落地AI提供可操作的路线图。
综合公开信息整理•
2025 · QCon London 发布•
全文约 4 分钟读完
#DORA
#AI辅助开发
#团队效能
#软件交付
#能力模型
7 种画像
从基础不足到高绩效协同
覆盖团队效能全光谱
7 项能力
决定AI投资回报率的关键
组织体系 × AI 应用
个人效率 ↑ 稳定性 ↓
AI的双刃剑效应
效率提升最大，但回滚更频繁
⚡ 30 秒速览
- 核心发现：AI是"放大器"——组织体系越好，AI回报越大；反之，局部收益会被下游混乱抵消。
- 七种团队画像：从"基础能力不足"到"高绩效协同型"，不同画像的AI应用策略完全不同。
- 七项关键能力：明确AI策略、健康数据生态、小批量开发、高质量内部平台等，决定AI落地的成败。
- 一个矛盾：个人效率与代码质量提升，但交付稳定性下降——背后是激励机制与可见性的问题。
- 行动建议：将报告结论视为假设，结合自身团队现状验证与调整，而非照搬。
01七种团队画像 你的团队属于哪一种？
DORA 通过大规模调研与定性研究，将团队划分为 七种典型画像。每种画像在交付绩效、协作阻力、职业倦怠等维度上表现各异。识别自身画像，是制定AI应用策略的第一步。
🔧基础能力不足
技能与基础设施薄弱，AI应用缺乏根基，需优先补齐基础。
🏛️遗留系统瓶颈
老旧系统拖累迭代速度，AI难以嵌入，需先治理技术债。
⚙️流程约束型
流程规范但僵化，职业倦怠高，协作阻力大，交付吞吐量低。
🎯高影响·低交付频率
价值高但速度慢，需借助AI加速而不牺牲质量。
📋稳健有序型
稳定可靠，节奏适中，AI可作为效率倍增器。
🛠️务实执行型
注重实际效果，AI应用聚焦解决具体痛点。
🏆高绩效协同型
高效协作，持续交付，AI与组织体系深度融合，是其他团队的对标方向。
注：以上七种画像来自DORA 2025年调研数据，基于团队绩效、产品表现、工作效率、协作阻力、职业倦怠等维度聚类得出。画像并非固定标签，团队可随能力提升而演进。
02七项关键能力 决定AI投资回报率的底层逻辑
为什么有些团队能更有效地利用AI？DORA 总结出 七项关键能力。当这些能力与AI应用结合时，团队获得更好结果的概率显著提升。
7
高质量的内部平台
将复杂性下沉，抽象化，自动执行策略
注：这七项能力并非独立存在，而是相互增强。例如，小批量开发与版本控制实践结合，能更好发挥AI的辅助作用。能力建设需要系统性投入。
03AI的矛盾：个人效率在升，交付稳定性在降
DORA 报告中最引人注目的发现，是一个看似矛盾的现象：个人效率与代码质量双双提升，但软件交付稳定性却在下滑。这不是偶然，而是系统性信号。
✅ 个人工作效率
↑ 最大幅度
自我评价的个人工作效率提升，是所有指标中幅度最大的。开发者完成原型的速度显著加快。
⚠️ 交付稳定性
↓ 回滚更频繁
生产环境中回滚和紧急修复变得更加频繁。代码质量提升，但上线后的稳定性反而下降。
DORA 研究负责人 Nathen Harvey 分析认为，这可能意味着 团队激励机制存在偏差，或开发人员缺乏对生产环境影响的整体可见性。软件工程师更关注快速开发新功能，而没有充分关注功能上线后的稳定运行。
一个诚实的注脚：AI 让个人更快地产出，但如果组织体系没有同步进化，这些产出可能以"更快的混乱"形式进入生产环境，最终抵消局部效率红利。
04当AI倾向于"大变更"，小批量实践如何守住阵地？
DORA 多年来一直发现，小批量开发是提升软件交付表现的关键实践。但AI模型往往倾向于一次生成较大的代码修改或 Pull Request——这与小批量原则形成了直接冲突。
⚡ 大型变更 vs 小批量部署 实践冲突
- AI 的天然倾向：一次生成大量代码变更，Pull Request 规模大、复杂度高。
- 小批量的要求：变更规模小、可独立部署、风险低、审查快。
- 大型变更的风险：更难审查，更难判断是否符合需求，上线后问题定位困难。
- 解决方案：团队可与AI助手协作，将一次大的修改拆分为多个规模较小、能够独立部署的变更单元。
DORA 建议：将报告结论视为假设，结合自身团队现状验证与调整。小批量原则不能因AI而放弃，反而需要更主动地管理。
这意味着，AI 辅助开发的落地，不是简单地"让AI写更多代码"，而是需要 系统工程层面的主动设计，将AI的输出与团队已有的优秀实践对齐。
05高质量内部平台：AI价值的"倍增器"
在 DORA 的七项关键能力中，"高质量的内部平台"被列为重要一项。平台在AI落地中扮演的角色，远不止是"提供能力"那么简单。
AI 的本质是一种放大器。企业从AI投资中获得最大回报的前提，是先把组织系统建设好。如果缺少这一基础，AI 往往只会带来局部的生产力提升，而这些收益最终会被下游流程中的混乱所抵消。
—— Nathen Harvey，DORA 研究负责人
平台的核心价值在于：将复杂性下沉，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。这样既提高了执行一致性，也让开发团队无需反复处理复杂的安全规则，从而专注于业务本身。
当平台能力与AI结合时，团队能够以统一方式调用模型、工作流与其他能力，真正实现AI能力的规模化落地。
编辑核心判断
AI 辅助开发的下一个分水岭，不是模型参数，而是组织体系。DORA 报告证明：当团队能力系统性地落后于AI引入速度时，效率红利会被交付混乱抵消。真正的竞争优势，来自将AI嵌入一个已经健康运转的工程体系。
▶获取完整报告
DORA 2025年《AI辅助软件开发现状报告》全文已发布，涵盖完整的数据分析、团队画像自测工具与能力模型评估框架。
访问 DORA 官方平台 → 获取报告
建议团队结合自身现状，将报告结论作为假设进行验证与调整，而非照搬。