DORA：AI 辅助软件开发的团队画像与能力模型，帮助团队将研究成果落地
点击查看原文>
本条来自 InfoQ 中文（AI / 工程），聚焦 technology。 在 QCon London 的演讲 Scale High Performance, Not Dysfunction （规模化复制高绩效，而不是低效） 中，DORA 研究负责人 Nathen Harvey 表示，AI 更像是一种“放大器”；将战略重点放在组织体系上才能带来最大的回报。他同时介绍了 DORA 于 2025 年发布的软件开发报告提出了一套团队画像和能力模型，帮助企业将研究成果应用到实际工作中。
点击查看原文>
- InfoQ：这些 AI 能力模型如何帮助团队更好地发挥 AI 的价值？
- InfoQ：平台在 AI 落地和价值实现过程中扮演什么角色？
- 在 QCon London 的演讲 Scale High Performance, Not Dysfunction （规模化复制高绩效，而不是低效） 中，DORA 研究负责人 Nathen Harvey 表示，AI 更像是一种“放大器”；将战略重点放在组织体系上才能带来最大的回报
点击查看原文>
在 QCon London 的演讲 Scale High Performance, Not Dysfunction （规模化复制高绩效，而不是低效） 中，DORA 研究负责人 Nathen Harvey 表示，AI 更像是一种“放大器”；将战略重点放在组织体系上才能带来最大的回报。他同时介绍了 DORA 于 2025 年发布的软件开发报告提出了一套团队画像和能力模型，帮助企业将研究成果应用到实际工作中。
Harvey 表示，DORA 一直关注的是团队如何持续提升技术实践能力。研究内容不仅涵盖软件交付本身，也包括团队协作、组织运作方式，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结合分析，并于 2025 年发布了 State of AI-Assisted Software Development at DORA（DORA AI 辅助软件开发 现状报告 ）。谈到 AI 在软件开发中的作用时，Harvey 表示：
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。
在研究中，DORA 希望了解不同团队在多个维度上的表现，包括团队绩效、产品表现、工作效率、协作阻力、职业倦怠等。基于调研数据，研究人员将团队划分为七种典型画像：
Harvey 以“流程约束型”团队为例进行了说明。
该类型团队的特点是：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也较少。不过，这类团队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，这并不是一个理想的团队状态，因为虽然系统相对稳定，但真正创造出的业务价值并不高。研究人员随后进一步分析了：为什么有些团队能够比其他团队更有效地利用 AI？最终，他们总结出了七项关键能力。当这些能力与 AI 应用结合时，团队通常能够获得更好的结果：
Harvey 强调，软件开发的最终目标始终是服务于人。
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。由于团队往往并不能准确知道用户真正需要什么，因此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。
去年 12 月，DORA 还发布了 AI Capabilities Model（AI 能力模型）报告。谈到如何将研究成果真正落地时，Harvey 建议团队首先评估当前现状，然后确定优先事项，并持续建设持续改进的文化。他指出，每一家企业都有自己的业务背景和客户群体，因此不能照搬 DORA 报告中的建议，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。
在演讲结束后，InfoQ 对 Nathen Harvey 进行了采访。
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？
Nathen 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。与此同时，开发者对代码质量的评价也有所改善。
不过，一个值得关注的现象是：虽然个人工作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。这意味着，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，而交付稳定性却下降，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，应如何最大化 AI 投资的回报。例如，DORA 多年来一直发现，小批量开发能够带来更好的软件交付表现。然而，AI 模型往往倾向于一次生成较大的代码修改或 Pull Request，这与这一实践形成了冲突。
大型变更不仅更难审查，也更难判断是否真正符合需求，同时还会带来更高的风险。
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，对于帮助企业真正发挥 AI 的价值至关重要。首先，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，那么平台可以在所有新系统中自动执行这些策略。
这样既提高了策略的执行一致性，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。
查看英文原文： AI-Assisted Software Development: Team Profiles and Capabilities for Putting Research into Action - InfoQ
本条目归入「Technology AI」垂直，涉及真实话题：technology。
· 市场：关注 technology 对相关品类与竞争格局的潜在影响。
· 消费者：受众行为与偏好变化值得追踪。
· 品牌：本动向对品牌资产建设的启示。
· 渠道：内容分发与触点组合（社媒 / 电商 / 线下）的协同值得复盘。
· 核心话题：technology。
· 可思考：如何把「technology」的洞察，转化为可衡量的内容与增长动作？
面试中可引用「DORA：AI 辅助软件开发的团队画像与能力模型，帮助团队将研究成果落地」：围绕 technology，说明你对行业动向的判断与可落地动作。
本条目相关英文术语可在「商务英语」模块按话题检索，用于外企面试表达训练。
在 QCon London 的演讲 Scale High Performance, Not Dysfunction （规模化复制高绩效，而不是低效） 中，DORA 研究负责人 Nathen Harvey 表示，AI 更像是一种“放大器”；将战略重点放在组织体系上才能带来最大的回报。他同时介绍了 DORA 于 2025 年发布的软件开发报告提出了一套团队画像和…