AI狂飙下的驾驭之道

面对AI技术“狂飙”带来的产业变化与从业者压力，三位资深专家王立杰、陈霁（云层）、董越老师，与主持人王婧一起讨论了在AI时代，怎样把这股强大的技术力量转化为“可控、可持续、可交付的生产力”。

1. 研发效率的“冰山理论”与瓶颈

编码提速的边界：王老师指出，AI主要提升的是从意图到代码的生成效率，但这只是“冰山之上”的30%。水面之下的70%包括需求澄清、架构设计以及价值验证，这些隐性工作并不会因为AI介入而减少。

系统性风险上升：虽然个人写代码的速度变快了，但也可能带来团队知识变弱、代码风格不一致以及技术债不断累积的问题。若缺少全局视角，AI生成的代码越多，后续的评审和维护成本反而越高，系统也会更难维护。

价值流瓶颈转移：AI并没有消除价值流中的短板，反而可能因为生成过快而让方向偏移。敏捷的核心是快速反馈与及时调整，AI的引入要求团队把更多注意力放在价值确认上，而不是单纯追求代码产出速度。

2. 度量体系的范式转移

从个人考核到团队价值考核：陈老师提出，研发效能度量已经从早期的“计件式”转向以团队为中心的“价值交付”考核。AI时代不应只看Token消耗量，而应关注团队能否围绕商业目标快速试错。

Token考核的误区：如果只考核Token用量，很容易出现“古德哈特定律与眼镜蛇效应”，也就是为了满足指标而生产垃圾代码。真正合理的度量，应当聚焦业务价值是否实现，而不是AI使用量本身。

日迭代与快速试错：随着AI降低开发门槛，业务对“日迭代”能力的要求也在提升。团队需要具备快速捕捉热点、快速验证价值的能力，这也让质量要求变得更高。

3. AI能力的“枣核模型”与局限

落地场景的边界：董老师提出，AI落地呈现“枣核型”分布。中间部分，如代码生成、前端开发，能力最强，也最容易落地；两端，如业务方向决策、复杂运维，则最难落地，因为AI缺少对业务价值的深层理解，也缺少对私域运维数据的掌握。

幻觉与安全隐患：AI存在“幻觉”问题，可能编造并不存在的信息。在运维等复杂场景中，AI难以完成大规模微服务下的深层逻辑推演，同时还存在数据泄露的风险。

4. 驾驭工程（Harness Engineering）的四大维度

提示引导：通过任务拆解和规划，把复杂需求分成一个个小任务，逐步引导AI生成代码。强调“规格驱动开发”，先把需求细化清楚，再开始生成代码，以降低出错概率。

反馈回路：建立自动化反馈机制，借助AI或自动化工具对输出进行校验和修复。它和DevOps中的反馈回路类似，但在AI场景里，修复动作本身也可以由AI完成，从而形成闭环。

持续改进与积累：不断优化Prompt和工具链，类似于DevOps中的持续探索与持续改进。

知识资产管理：针对AI“无记忆”的短板，必须把隐性知识显性化并整理起来，让AI在需要时能够检索，这也是驾驭工程区别于传统DevOps的关键所在。

5. 敏捷原则的不可替代性

价值判断与方向把握：王老师强调，AI无法替代人对业务价值的判断和方向选择。敏捷宣言中“个体互动高于流程和工具”的原则，在AI时代反而更重要。

应对不确定性的能力：AI加快了开发节奏，也带来了技术选型和需求变化上的不确定性。敏捷强调快速响应变化、持续交付价值，这正是驾驭AI而不是被AI替代的关键。

6. 软件工程基本功的回归

过程与经验无法跳过：陈老师指出，AI可以给出答案，却无法替代踩坑的过程。缺少软件工程基础，比如Git规范、Story拆分的团队，即使用了AI，也会因为上下文不足而导致交付质量不高。

底层逻辑与架构能力：董老师认为，虽然AI会不断侵入人类的工作范围，但从业者必须学会驾驭AI。扎实的架构设计能力、对业务逻辑的理解，以及解决复杂问题的思维能力，仍然是未来技术人最不能丢的基本功。

AI不会取代敏捷与软件工程，反而会放大它们的核心价值。正如讨论中反复强调的，AI解决的往往是“冰山之上”具体编码环节的效率，而“冰山之下”关于价值判断、方向选择、复杂协作与质量保障的“基本功”则变得前所未有的重要。

无论是“驾驭工程”强调的提示引导、反馈闭环与知识管理，还是敏捷所坚持的“个体互动高于流程工具”、“快速响应变化”的原则，都在提醒我们，技术迭代从未改变“以人为本、交付价值”的本质。未来真正的赢家，将是那些善于把AI当作强大工具，并用扎实的工程思维与敏捷思维将其“驾驭”起来，在快速试错中持续创造价值的团队与个人。

有关本期直播的更多案例细节与问题回答，大家可以查看【融管理社区视频号】观看直播回放。