详细文字内容
💬 Aaron点评
这份报告Aaron读了三遍。不是因为长，是因为它说出了一个很多人不愿意面对的事实：AI 不是救世主，它是一面镜子。 你的组织有多好，AI 就能帮你变多好。你的组织有多乱，AI 就能让你乱得多快。去年 DORA 报告说「AI 用得越多，交付越差」，今年终于解开了这个谜题——答案不在工具里，在系统里。 ——Aaron
🎯 这份报告说了什么
Google Cloud 的 DORA 团队（DevOps 领域最权威的研究机构，持续研究软件交付绩效超过十年），今年发布了有史以来规模最大的 AI 辅助软件开发研究报告。数据来自近 5000 名全球技术专业人士的问卷 + 100 小时的深度访谈。
报告核心回答一个问题：AI 到底是在帮助还是在伤害软件团队？
报告传递的根本信息是：AI 是一面放大镜。它放大强者的优势，也放大弱者的混乱。真正决定 AI 回报的不是工具，是你的组织系统。
📌 一、「DORA 2024 异常」被破解了
去年 DORA 报告扔出了一颗炸弹：AI 使用越多，软件交付的稳定性和速度反而越差。Gene Kim（《凤凰项目》作者）管这叫「DORA 2024 异常」。
今年，这个异常被部分破解了。
好消息：三个指标逆转
AI 对交付吞吐量的效应从去年的负面逆转为正面。AI 对「有价值的工作时间」和产品绩效的效应也都翻了个方向——从负/中性变成了正面。这说明人、团队和工具都在适应。
坏消息：不稳定性仍在上升
交付不稳定性依然在上升。更扎心的是——研究团队检验了一个流行的说法「速度够快就能弥补不稳定」，结果是：完全不成立。 不稳定性对产品绩效和团队倦怠的伤害并没有因为 AI 的存在而减弱。
💡 Aaron怎么看？这个发现说明了什么？AI 在「个人层面」的提效已经显现——你写代码更快了、处理更多任务了、花更多时间在有价值的事上了。但「系统层面」的问题——不稳定性、倦怠、摩擦——不是个人效率能解决的。它们是组织系统的属性。你加速了发动机，但没升级刹车系统。
感知与现实的鸿沟
还有一个 METR 的研究也很有意思：被 AI 拖慢了 19% 的开发者，仍然认为自己快了 20%。感知和现实之间的鸿沟，提醒我们不能只靠感觉来评估 AI 的效果。
📌 二、七种团队画像：你的团队是哪一种
DORA 没有简单地把团队分成「好」和「差」，而是用聚类分析发现了七种截然不同的团队原型。Aaron觉得这是整份报告中最有实操价值的部分——因为它让你能精准定位自己的团队处境。
| 画像 | 占比 | 核心特征 | Aaron一句话 |
|------|------|---------|-----------|
| 基础性挑战 | 10% | 全面低绩效、高倦怠 | 还在挣扎求生 |
| 遗留系统瓶颈 | 11% | 被不稳定的老系统拖累 | 每天在救火 |
| 被流程束缚 | 17% | 系统稳定但流程低效 | 在跑步机上跑步 |
| 高影响力、低节奏 | 7% | 产出好但交付不稳定 | 跑得快但经常翻车 |
| 稳定而有条理 | 15% | 高质量但速度慢 | 稳健的老师傅 |
| 务实的高绩效者 | 20% | 速度和稳定都好 | 还没到巅峰但已经很强 |
| 和谐的高成就者 | 20% | 全面优秀、可持续 | 良性循环，这就是目标 |
🧠 Aaron的洞察：画像 6 和 7 加起来占了 40%。这意味着什么？高速度、高质量的软件交付不是理论理想，而是可观察的现实——有近四成的团队已经做到了。但画像 3（被流程束缚）占了 17%，这些团队的系统是稳定的，不稳定不是问题，流程才是。很多人把「交付慢」归咎于技术债，但数据告诉你，可能是你的审批流程和协作方式在拖后腿。
报告还给了一个重要提醒：「速度与稳定性不可兼得」是一个伪命题。画像 6 和 7 同时在两个维度上出色。真正不可持续的是画像 4——没有稳定性的速度。
📌 三、DORA AI 能力模型：七把钥匙
这是今年报告最重要的原创贡献。DORA 团队不仅度量了 AI 的影响，还回答了一个更关键的问题：什么条件下 AI 才能真正发挥作用？
从 15 个候选到 7 个核心
他们从 78 次深度访谈和学术文献出发，测试了 15 个候选能力，最终锁定了 7 项被证明能「放大」AI 正面影响的组织能力：
⚡ 第 6 条是整份报告中最炸裂的发现。DORA 以「高确定性」得出结论：没有以用户为中心的聚焦时，AI 采用对团队绩效的影响是负面的。 不是中性，是负面。这意味着你可能正在用 AI 让团队更快地朝着错误的方向狂奔。
💡 为什么这很重要：这条发现对每个推动 AI 采用的管理者都是警钟——在给团队 AI 工具之前，先确保他们知道在为谁构建、为什么构建。AI 工具不是打开就自动变好的开关。
规律：没有一项关于工具本身
Aaron读这七项能力，发现一个规律：没有一项是关于 AI 工具本身的。 全部是关于组织环境——政策、数据、平台、工作方式、文化。这就是为什么报告说「成功的 AI 采用是系统问题，不是工具问题」。
一个比喻
AI 是一台 1000 马力的发动机。但如果你的底盘是纸糊的、方向盘是歪的、刹车是坏的——这台发动机只会让你更快地撞墙。这七项能力就是你的底盘、方向盘和刹车系统。
📌 四、平台是 AI 的地基，VSM 是 AI 的导航
报告用了两个完整章节来讲两个「基础设施级」的发现。
平台工程：没有地基，AI 的大楼盖不起来
90% 的组织已经有了内部平台。问题不是「要不要建平台」，而是「平台质量怎么样」。
核心发现是：当平台质量低时，AI 对组织绩效几乎没有影响；当平台质量高时，AI 的效应强烈且正面。 你的平台就是 AI 的地基——地基不稳，AI 的大楼盖不起来。
还有一个反直觉的发现：高质量平台反而会增加摩擦。原因是——好的平台会设置边界和护栏，在 AI 工具的最佳实践还没标准化之前，这些边界可能会限制某些 AI 的使用方式。但这是好事——宁可有护栏的快，不要无底线的乱。
价值流管理：没有导航，AI 只会加速你撞墙
VSM 是从创意到客户交付的全流程可视化和优化。报告发现：拥有成熟 VSM 实践的组织中，AI 对组织绩效的效应被「大幅放大」。
💎 Aaron把这两个发现合在一起看：平台是 AI 的地基，VSM 是 AI 的导航。 平台保证 AI 有一个稳定、标准化、有护栏的环境运行；VSM 保证 AI 被导向正确的问题，而不是在错误的地方加速。没有 VSM，AI 的效率提升只会被下游瓶颈吞掉——你写代码快了 3 倍，但代码审查队列堵了 5 倍，净效果为零甚至为负。
📌 五、AI 镜像效应：为什么说「不是 AI 的问题，是你的问题」
GitHub CEO 办公室的研究顾问 Eirini Kalliamvakou 博士写了一章叫「AI 镜像」，Aaron认为这是全报告最有哲学深度的部分。
核心观点：AI 既是镜子，也是倍增器。 在协调良好的组织中，AI 放大流动。在碎片化的组织中，AI 暴露并放大痛点。
她引用了质量管理之父 W. Edwards Deming 的名言：「一个糟糕的系统每次都会打败一个优秀的人。」
这和约束理论一脉相承：每个系统都有一个瓶颈，AI 加速了瓶颈之前的部分，但瓶颈本身不会因为上游更快而消失。你需要的不是更快的 AI 工具，你需要的是找到瓶颈并消除它。
🧠 Aaron觉得这个洞见适用于远不止软件开发。如果你是一个创作者，AI 帮你写稿子更快了，但你的分发渠道是瓶颈——那更快的写作不会给你带来更多读者。如果你是一个企业主，AI 帮你处理客户请求更快了，但你的决策流程是瓶颈——更快的处理只会让等待决策的队列更长。永远先找瓶颈。
💎 精华提炼：这份报告的三个根本信息
第一，AI 的价值不在 AI 里，在系统里。 这是 DORA 十一年研究最一脉相承的结论，也是今年用 AI 能力模型最有力证明的结论。七项放大 AI 效益的能力——政策清晰度、数据生态、内部平台、小批量工作、用户聚焦、版本控制、数据可访问性——没有一项是关于 AI 工具本身的。你不需要更好的 AI，你需要更好的系统来承接 AI。
第二，「速度快但不稳定」不是可接受的权衡。 很多团队（和管理者）在说「AI 让我们快了，偶尔不稳定也没关系」。数据明确否定了这个说法——不稳定性对产品绩效和团队倦怠的伤害，不会因为 AI 的存在而被抵消。高绩效团队（画像 6 和 7，占 40%）证明了速度和稳定性完全可以兼得。你不需要做权衡，你需要做得更好。
第三，没有以用户为中心的 AI 采用，不如不采用。 这是今年最发人深省的发现。AI 不是一个你打开就自动变好的开关。如果团队没有清晰的用户导向，AI 会让他们更快地做错误的事情。这对每个推动 AI 采用的管理者来说都是警钟：在给团队 AI 工具之前，先确保他们知道在为谁构建、为什么构建。
📌 报告来源：Google Cloud DORA《State of AI-Assisted Software Development 2025》，基于近 5,000 名全球技术专业人士问卷 + 100 小时以上深度访谈。
🌟 对 AI 学习者的启示
这一段是Aaron读完整份报告后，专门写给正在学 AI、用 AI 的你。
认知刷新：你可能以为「用 AI 写代码更快」就等于「团队产出更好」，但 DORA 用 5000 人的数据证明——没有以用户为中心的聚焦时，AI 采用对团队绩效的影响是负面的。不是中性，是负面。
实操建议：在你给团队或自己引入 AI 工具之前，先回答一个问题：「我在为谁构建、为什么构建？」如果答不清楚，先搞清楚方向再加速。AI 放大效率，也放大错误方向上的损失。
趋势判断：Aaron认为 12 个月内，「AI 镜像效应」会成为管理者的必修课。AI 是镜子也是倍增器——在协调良好的组织中放大流动，在碎片化的组织中放大混乱。先找到你的瓶颈并消除它，再引入 AI 加速。
📋 文档信息
资源
📎 20251015-Google-DORA-AI-Software-Dev-2025-翻译版.md
📎 20251015-Google-DORA-AI-Software-Dev-2025-原版.md
📊 本页表格（2 张，从原数据库还原）
| 维度 | Aaron解读 | 数据 |
|---|---|---|
| AI 采用率 | 已经不是选择题了，是标配 | 90% 在工作中使用 AI |
| 每天 AI 交互时间 | 占工作日的四分之一 | 中位数 2 小时 |
| 认为 AI 提升了生产力 | 感知很乐观… | 80%+ |
| 对 AI 代码几乎不信任 | …但信任跟不上 | 30% |
| Agent 模式从未使用 | 最强能力最少人用 | 61% |
| 交付吞吐量 | 适应正在发生 | 从去年的负面变为今年的正面 |
| 交付不稳定性 | 这是核心问题 | 仍在上升 |
| 倦怠和摩擦 | AI 动不了这两块 | 不变 |
| 能力 | # | 放大了什么 |
| 清晰传达的 AI 立场 | 1 | 个人效能 ↑ 组织绩效 ↑ 摩擦 ↓ 吞吐量 ↑ |
| 健康的数据生态 | 2 | 组织绩效 ↑ |
| AI 可访问的内部数据 | 3 | 个人效能 ↑ 代码质量 ↑ |
| 强健的版本控制 | 4 | 个人效能 ↑（频繁提交） 团队绩效 ↑（频繁回滚） |
| 小批量工作 | 5 | 产品绩效 ↑ 摩擦 ↓ |
| 以用户为中心 | 6 | 团队绩效 ↑ 📍没有这个→AI 反而伤害团队 |
| 高质量内部平台 | 7 | 组织绩效 ↑ |
| AI 效应 | 平台表现 |
|---|---|
| 不确定/无实质影响 | 极低质量 |
| 微弱正面 | 低质量 |
| 小幅正面 | 中等质量 |
| 中到大幅正面 | 高质量 |
| 内容 | 项目 |
| State of AI-Assisted Software Development 2025 | 报告名称 |
| Google Cloud DORA | 发布机构 |
| Derek DeBellis、Kevin M. Storer 博士、Nathen Harvey 等 | 作者 |
| 2025 年 10 月 | 发布日期 |
| ~5,000 名技术专业人士问卷（2025 年 6-7 月）+ 100 小时以上深度访谈 | 数据来源 |
| Aaron | 教程撰写 |
| 教程版（Aaron视角深度解读） | 文档类型 |