代码生成率 30%，交付却没变快：阿里云 CIO 拆解 AI Native 的真实瓶颈

2024 年底，一支几百人的研发团队完成了“全员 AI 编码”。工具铺开得很顺利，代码生成率很快冲到 30% 以上。半年后复盘，负责人发现了一个尴尬的事实：交付一个需求所消耗的人力，几乎没变。

这不是某一家公司的困惑。阿里云智能集团副总裁、CIO 蒋林泉在过去三年里反复听到同行描述同一种现象：AI 生码率和代码量持续增长，真实业务项目的端到端耗时却几乎没有缩短。他把这套观察整理成一次完整复盘，结论并不讨喜——AI Native 不是工具问题，是组织问题。

把需求拆开，答案就出来了

团队把一个需求从提出到上线的全过程做了时间切分：需求设计、评审与修改约 20%；交互视觉设计、评审与修改约 10%；技术方案设计与评审约 15%；编码开发约 20%；前后端联调与集成约 15%；测试与缺陷修复约 20%。

真正写代码，只占两成。再把这 20% 拆开看结构：需要在存量核心系统里修改、要和老系统融合、要保证上线后稳定安全运行的关键代码，代码量不大，却吃掉了 65% 以上的编码时间——而这恰恰是 AI 帮助最有限的部分。反过来，增删改查、前端 UI、测试代码、胶水代码这类常规代码，占据大部分代码量，却只消耗不到 35% 的编码时间。

于是有了那个残酷的乘法：20% 乘以 35%，约等于 7%。即便 AI 把这部分代码的耗时压缩到零、其他环节都不动，端到端能节省的时间上限也只有 7% 左右。业界交流中，有团队说 3%，有的说 5%，做得好的大约 5%，与这个推算基本吻合。

比“没变快”更糟的是“变慢了”

蒋林泉观察到的第二个现象更值得警惕。很多 CIO 和产研负责人向他描述同一种状况：用了 AI 之后，骨干反而成了更大的瓶颈，“像被 DDoS 了一样”。

逻辑不难理解。一个人用 AI 很快写出一大堆代码，要上线就得有人评审、有人为线上结果负责，而真正能负责的往往只是少数几位老手。这些人被大量待审代码淹没，自己的事情干不了，整条链路就卡在他们那里。如果绕过评审直接上线，这些代码大概率会变成技术负债。

他把这一轮生成式 AI 的悖论概括成一句话：唯一可以确定的是，每个人都可以驾驶 AI，快速、规模化地生产无价值的负债；而且这些结果还很像模像样，导致比过去更难识别。

风险分两类。价值风险是加速上线低价值的应用和功能，消耗组织和客户稀缺的注意力；质量风险是加速产出低质量代码，增加系统复杂度与返工，抬高长期维护成本。

回到《人月神话》

做了二十多年软件工程、有 IBM 从业经历的蒋林泉，重新翻开了 Brooks 基于 System/360 项目经验写下的《人月神话》：在已经延期的项目中继续加人，往往只会增加沟通和磨合成本，让项目更慢。

在他看来，AI 提供了改变协作前提的机会，体现在两个维度。第一是提升单节点效率而不增加协作链路：在项目里加入 Agent，增强原有节点的执行能力，沿用人的任务上下文，不必靠“带新人”来增加节点。第二，也是更有意思的，是降低跨技能门槛，减少协作节点。

移动互联网时代形成的前端、后端、设计、测试精细分工，是那个时代生产力决定的——专业供给稀缺，一个人的带宽处理不了那么多技术复杂度，只能以岗位为中心组织、把专业能力池化。今天，做设计、写前端、上手一门新语言的门槛都在剧烈下降。原来必须凑齐多种技能才能完成的事，现在有机会由一个人带着 Agent 跨技能完成，从而减少那些“因为技能必须分岗位而被迫产生”的交接与等待。

把复杂度分成两种，分别处理

沿着《没有银弹》的思路，软件开发的困难分偶然复杂性与本质复杂性。前者来自编程语言、框架、工程工具等实现环节，可以通过自动化测试、CI/CD 持续降低；后者根植于业务问题本身，工具帮不上太多。

他的做法是让测试和观测左移，压缩偶然复杂性。核心的复杂代码 AI 未必擅长，但写测试、做日志和 Tracing 恰恰是它的强项，在分析覆盖度、补全缺失用例这类任务上，效率可提升十倍甚至百倍。过去多轮“提升测试覆盖度”的运动不了了之，不是因为研发懒惰，而是反馈链路太长：写的测试拦住了 Bug，往往是别人跑出来的，写的人拿不到反馈。

一旦反馈回到写代码的人手里，测试就不再是额外负担，而是 AI 可以直接代劳的环节。这也是“组织决定能力能否落地”的具体含义——工具定义能力边界，组织决定这些能力能否进入真实工作。

趋势：AI Native 的考核指标要换

如果继续用“生码率”“Token 消耗量”衡量 AI 转型，结果一定是数字很好看、业务没变化。更合理的指标应该往上游和下游移动：需求从提出到上线的端到端时长、单位需求的返工次数、线上事故率、骨干的有效评审时间占比。

对正在推进 AI 转型的团队来说，这份复盘的价值在于给出了一个可执行的判断顺序：先算清时间都花在哪，再判断 AI 的杠杆能撬动哪一段，最后才是改组织。顺序反过来，工具买得再多，也只是让瓶颈换了个位置。