麦肯锡近期调查了全球 334 位产品和研发负责人，其中包括 173 位总监及以上级别的高管。
调查结果显示出明显的分化：
* 25% 的管理者表示，AI 让团队实现了两倍以上的生产力提升；
* 同时，有 30% 的管理者反馈，团队引入 AI 后，整体生产力反而下降了。
使用相似的模型和工具，为什么结果差距很大？报告指出了三个核心原因。
一、 流程没有重构，局部提效加重了下游拥堵
多数效率下降的团队，只是在原有的研发流程中加入 AI 代码补全工具。
需求、排期、评审、编码、测试和上线的链路没有变化。这种方式虽然减少了编码时间，但没有改变整体交付节奏。
由于写代码的速度变快，提交的 PR（拉取请求）数量成倍增加，代码审查和合并环节成了新的瓶颈。负责审查的高级工程师需要处理更多代码，测试和排查的工作量随之上升。报告援引的数据显示，测试样本中约 45% 的 AI 生成代码存在安全隐患，后续排查和修复这些问题消耗了省下的时间。
生产力成倍增长的团队，重构了协作方式。
以往的研发依赖人工逐个环节交接。领先团队将协作转为异步模式：人负责定义业务目标、制定规则、做架构决策与审查；Agent 在夜间自主完成背景研究、拆解任务、编写代码和测试用例。次日上班时，工程师直接核对结果。
报告提到了两个实际案例：
* Sonar：将 Agent 接入需求分析、任务拆解、代码生成、测试和缺陷修复环节，PR 处理周期缩短到原先的三分之一，吞吐量提升 2.2 倍。
* 某跨国银行：早期只给员工配备 Copilot，人效提升 10% 到 15%。后来团队调整流程，采用“白天人决策、夜间 Agent 批处理”的模式，团队效率提升了 40% 到 80%，老系统修复 Bug 的耗时从几天缩短到几分钟。
二、 团队人数缩减，对需求定义的要求提高
当基础编码、文档撰写和常规测试交由 Agent 承担，人的重心转移到了需求定义。
过去需求不够清晰时，工程师可以在日常沟通中与产品经理逐步对齐。面对 Agent，如果输入模棱两可的需求，Agent 会快速生成大量偏离实际目标的代码、任务拆解和测试用例，反而增加了排查成本。意图需要拆解为清晰的输入，明确业务边界、验收标准和安全红线。
团队组织形态也随之发生变化。在 AI 提效明显的组织中，79% 的管理者反馈团队人数有所减少，团队中位数从 10 人降至 7 人。其中约 20% 的团队已经转变为 1 到 4 名核心成员配合一组 Agent 的小型架构。
三、 代码验证成为新的瓶颈
目前软件交付链条上的瓶颈转移到了验证环节。
麦肯锡的数据显示：引入 AI 后，团队整体工作时间减少了 11.8%，但修复 Bug 和返工的时间只减少了 6.2%。
写代码的速度超过了测试和验证的速度。如果审查和验证机制没有跟上，快速产出的代码会转化为技术债务。
效率较高的团队开始搭建统一的 Agent 控制层。他们对 Agent 的访问权限、操作行为和输出质量进行监控，同时调度专门的 Agent 参与自动化测试与安全扫描，用自动化的质检来匹配前端的产出速度。
结语
麦肯锡这份报告表明：只给旧流程增加一个代码补全助手，很难带来整体生产力的跃升。
要实现显著提效，关键在于重新设计流程：建立人与 Agent 的异步分工，提高需求定义的准确性，并在流水线中建立自动化的验证机制。
文章评论