---
id: "21tuT-e4NVo"
title: "顶尖公司在 AI 编程上有哪些不同做法｜Martin Harrysson、Prakhar Dixit（麦肯锡）"
channel: "AI Engineer"
host: ["Martin Harrysson"]
guests: ["Prakhar Dixit","Shilpa"]
date: "2026-11-08"
updated: "2026-11-09"
duration: "20:28"
duration_seconds: 1228
source_type: "youtube"
youtube: "https://www.youtube.com/watch?v=21tuT-e4NVo"
canonical: "https://pod-exp.pages.dev/21tuT-e4NVo/"
transcript_jsonl: "https://pod-exp.pages.dev/21tuT-e4NVo/transcript.jsonl"
language: "zh-CN"
translation: true
translated_from: "en"
timestamp_precision: "block"
topics: ["AI 编程","AI 智能体","企业软件"]
series: ["AI 软件工程师"]
---

# 顶尖公司在 AI 编程上有哪些不同做法｜Martin Harrysson、Prakhar Dixit（麦肯锡）

> 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。

**内容提要：** 麦肯锡的 Martin Harrysson、Prakhar Dixit 和 Shilpa 分享了他们在大型企业观察到的 AI 智能体软件开发实践。多数企业的收益仍有限，但约 20% 至 25% 的领先企业已实现端到端两倍提升。关键变化包括：把两周冲刺改成一两天的智能体工作流，采用两到四人的小团队并合并职责，标准化需求和上下文材料，为智能体筛选高质量范例与技能，并将变革管理扩展到组织全体。代码生成加速也可能伴随质量下降，因此审查能力和质量标准需要同步加强。随着构建、测试加快，瓶颈正移向需求、发布以及风险、合规和设计等横向协作。衡量真实影响仍很困难，组织需要把 token 和资源投入最有价值的工作，并逐步建立更成熟的评估方式。

## [0:14] 开场

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-01> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=14s>

**Martin Harrysson：** 大家早上好，谢谢大家留在这里。快到午餐时间了，我们再做最后一场。刚才大家已经听了不少分享，了解各家公司如何在转型中运用 AI 和智能体技术改造软件开发。今天我们想谈谈自己在客户那里看到的情况。我们来自麦肯锡，和我一起的是同事 Prakhar 和 Shilpa。我们都在帮助客户转型软件工程，也一直在关注 AI 和智能体技术如何改变这一领域。我们尤其关注人才和运营模式，接下来就聊聊我们观察到的趋势，以及哪些做法最能带来实际成效。

## [1:24] 走出幻灭低谷

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-02> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=84s>

**Martin Harrysson：** 先退一步看看，AI 在软件开发领域走到了哪一步。很难准确指出我们正处于曲线上的哪个点，但我比较乐观，觉得我们正在走出“幻灭低谷”。过去两三年，软件开发可能是受 AI 影响最大的领域之一，起步很快，大家谈智能体编程也谈了一阵子，预期随之被推得很高。去年年底我们调查了不少客户，发现实际进展和预期之间有很大落差：大多数大型企业虽然都在软件开发中使用 AI，报告的绩效提升却相当有限。

几个月前我们重新调查了几百家客户和大型企业，情况已经出现变化。大约有 20% 到 25% 的公司开始看到非常显著的收益。我们说的不是编码快了 10%、15% 或 20%，也不只是软件开发生命周期（PDLC）某一环节快了一点，而是端到端提升了两倍。

当然，并不是所有公司都已经完全走出低谷，但我很乐观，认为我们正在朝正确的方向前进。

## [3:33] 四类行之有效的做法

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-03> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=213s>

**Martin Harrysson：** 接下来十五分钟左右，我们会谈谈几类已经显现成效的做法。第一是运营模式：哪些流程正在改变？不少客户之前尝试在原有流程里增加工具、让事情加快，但这种办法行不通，真正需要的是重新设计工作流。

第二是人才与团队。我们看到一些客户不再沿用传统 Scrum 团队，而是改成规模小得多的团队小组（pod）。后面会具体说说它们是什么样，这个话题大家在其他分享中可能也听到过。

第三是技术。大家都见过各种工具，它们确实很强；关键更在于如何搭建适合自己的技术栈，并提供恰当的上下文。前一位讲者也提到过，如何建立真正能发挥作用的数据与上下文基础。

最后是变革管理。归根结底，我们是在改变人们的工作方式，这从来都不容易。大多数情况下，组织变革的速度还远没有达到智能体的速度。

## [5:10] 运营模式：缩短周期

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-04> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=310s>

**Prakhar Dixit：** 谢谢 Martin。我来补充一下刚才提到的四个方面，以及我们看到的变化。先说运营模式：大家可能在自己的组织里也看到了类似情况。智能体改变了软件开发生命周期（PDLC），工作周期本身也随之改变。传统的两周冲刺和 Scrum 团队模式已经不适合新的智能体化开发流程。很多客户正转向更接近看板的方式，把工作周期缩短到一两天：智能体夜间运行，人来检查输出，然后再启动下一轮。

要做到这一点，得先把智能体工作流搭建好；这是必须完成的准备工作。但一旦建成，就很难再回到两周一个冲刺的旧模式。组织需要为人工审核设定护栏，决定在哪些环节让人介入。对流程有了信心之后，就可以撤掉某些人工审核，让工作流继续推进。随着客户的信心和成熟度提升，我们看到端到端、自动编排的流程越来越自主。

去年，甚至六个月前，这些流程大多还只覆盖构建和测试环节；现在则扩展到了产品侧和发布侧。我稍后会谈谈这意味着瓶颈转移到了哪里。运营模式还有一点很关键：投入这些工作流的材料，也就是信息的结构化表达，应该预先定义并标准化，最好有统一模板。很多客户的组织规模超过五六百人，数据和上下文的存放方式五花八门。大家要先确定工作流需要哪些材料，比如产品需求文档（PRD）和规格说明，无论它们存在哪里，都应采用一致、标准的格式，这样才能真正转向新的运营模式。

## [7:17] 人才：小团队与角色合并

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-05> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=437s>

**Prakhar Dixit：** Martin 刚才也提到了人才。我们越来越常看到团队架构和规模缩小。这不一定意味着裁员，而是团队数量增加、每个团队更小；目前常见的是每组两到四人。

这也会改变角色职责。我们看到不同角色的职责正在合并，尤其是在大型企业和银行等机构，过去存在多层不同岗位，如今正逐渐朝更统一的定义靠拢。行业还没有就这些岗位叫什么达成一致，但产品类岗位正在转向我们所说的“定义者”（definer），开发和 QA 岗位则更接近“构建者”（builder）。在我接触的大多数客户那里，这种变化正自然而然地发生，因为他们发现，过去由这些岗位手动完成的很多工作可以被识别出来，职责也因此扩展到更广的范围。

## [8:16] 技术：上下文与信任

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-06> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=496s>

**Prakhar Dixit：** 说到技术，也许在场各位已经很熟悉这些工具，不过我还是想说，工具这一关基本已经“解决”了。市面上大多数工具现在都表现不错，关键不再是工具能不能用，而是如何围绕它们搭建适合自己具体场景的技术栈。组织真正的优势在于语义层：如何构建它，自己的知识产权、上下文和知识是什么。

对大型客户来说，难点是很多上下文都存在资深专家的脑子里——有些人在公司干了二十年。如何让智能体反复获得这些知识，而不是一直依赖这些专家、让他们成为瓶颈？这不是新问题，二十年前也存在。现在智能体确实需要这些上下文，我们就必须以某种方式把知识记录下来，让智能体能够使用。

还有一点怎么强调都不为过：AI 本身就是信任层。如何确保智能体按正确方式构建东西？治理要怎么做，怎样确保系统安全、稳定？这些问题正变得越来越重要。

## [9:24] 在组织内规模化变革

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-07> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=564s>

**Prakhar Dixit：** 最后谈变革管理。把新做法放进少数团队试点，交给先行团队推进，一直都比较容易，尤其是从零开始构建新东西时。过去一年左右，大家都做过这类尝试，公开报道也常是“某团队六天就把生产力提高了十倍，而原来要九个月”之类的故事。

但真正的变革，是把它推广到成百上千名工程师身上。把智能体化的软件开发生命周期全面铺开之前，组织需要做好准备，建立相应架构：不只要考虑部署什么智能体，还要想清楚运营模式、人才结构、如何围绕技术栈组织工作。如今尤其重要的是，还要算清部署智能体的成本，因此 AI FinOps（AI 财务运营）显然变得很关键。

**Prakhar Dixit：** 说到这里，Shilpa，也许可以由你接着讲。

## [10:24] 精选技能

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-08> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=624s>

**Shilpa：** 好。我想补充最后一点，它和技术有关：技能方面的挑战并不是市场上没有足够多的技能；现在技能已经很多，大家还在不断创造新的。我认为，筛选和整理（curation）才是越来越关键的事。

客户常问我：“这些技能和框架这么多，我们该怎么用？”问题不在于技能能不能获得，也不在于能不能引入组织，而在于能否挑出真正适合自身场景的技能。现在很容易找到几十万种技能，但对某个组织、某个团队真正有用的可能只有其中少数。因此，客户应该把时间花在筛选上。

这个领域变化太快，同一类技能也在大量涌现。我昨天和一位客户聊到，只是写一份简单的产品需求文档，Google 一下就能找到 1,700 种可以下载的技能——光是这个任务就有这么多。到底该选哪一个？大家很容易因此陷入选择瘫痪。这正是他们最头疼的地方，所以现在筛选技能变得格外重要。

## [11:37] 代码更快，质量却可能下降

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-09> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=697s>

**Shilpa：** 很好。我想谈谈加速带来的一个反向影响：质量。代码生成越来越快，但我们看到的很多报告和数据都显示，质量并没有同步提升，反而在下降。

这其中有一部分是预料之中的：代码提交和 PR 越来越频繁，事故和质量缺陷自然可能更多。但从数据看，即使按每位开发者或每个 PR 计算，bug 和事故的报告数量也呈下降趋势。根本问题在于，我们固然要培训开发者和测试人员使用 AI 与相关工具、加快代码生成，但审查生成内容、判断质量好坏的能力也需要同等重视。

因此，我们开展的很多工作，首先是为支持整个软件开发生命周期的智能体筛选合适的范例。有一条原则是：不要把代码库的平均水平直接喂给智能体；要精心挑选“黄金范例”，明确告诉它什么才算好。在整个流程中，越是能把质量标准、政策和规范作为上下文提供给智能体，结果就越好。这样做还有一个好处：不必等到最后才看到一个不理想的成果，然后说“它没通过 X 或 Y 质量关卡”。

我们和客户一起做的，是把要求拆进每个检查点，从生成 PRD 到定义什么样的代码才算好：代码是否可维护、是否过于复杂、能否顺利和其他分支合并？这些规则都应该写进贯穿软件开发生命周期、为你提供支持的智能体里。

我们还观察到一个有意思的现象：构建和测试这两个环节，因为提升空间大、应用案例突出，所以加速最明显……

## [14:07] 瓶颈转向需求与发布

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-10> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=847s>

**Shilpa：** ……这两个环节的提升很明显，因为它们是很有代表性的应用场景，采用率也很高。构建和测试所需时间确实缩短了。有意思的是，瓶颈开始转向前端：需求写得有多快、用什么方式写。下游则是发布，最终要看你能多频繁地发布。横向来看也很有意思，我稍后再多讲一点。

上游的关键，是把智能体接入你的工作环境和企业上下文，给它们提供日志、客户日志、邮件，以及任何可以输入的材料；同时还要把这些信息和实际需要构建的东西连接起来。发布也一样：提前梳理企业对发布的要求，并做好规划，然后才能加速这一环节。

横向问题也很有意思。我们看到不少组织把整个流程的各个环节都打通了，软件开发生命周期中也处处有智能体。但在企业环境里，流程和规章制度非常多。比如我们最近帮一家银行做面向客户的应用，对方对配色有具体规定，还要求确保色盲用户能分辨按钮并正确点击。过去通常得有人跑去找相关团队，坐下来逐项弄清这些要求。现在组织会开始发现，这些才是新的瓶颈。

因此，还要把并行团队的要求也梳理出来，比如风险、合规、治理和设计团队的要求；思考端到端加速时，这些规则都必须编码进智能体。

## [16:09] 衡量实际影响

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-11> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=969s>

**Martin Harrysson：** 在收尾之前我还想补充一点。现在仍在摸索的一个重要领域，是如何衡量这类工作的影响。我们投入资金、消耗 token、采购新工具、重新培训员工，之后怎么判断它到底有没有用？在 AI 的实际采用程度和组织是否有信心衡量正确指标、掌握产出之间，仍然存在很大差距。

这个问题没有捷径。我从事软件开发领域二十多年了，至少在我记忆中，衡量成效一直是个老话题。客户实际做的，往往是先衡量那些并不新鲜的指标。我有几位客户已经开始用 AI 以很有意思的方式思考影响：能不能用 AI 评估正在构建的东西有多大价值，从而判断其目标？他们开始发现，应该把 token 和资源投向最能创造价值的事情。说起来很显然，做起来却极其困难。

我觉得接下来几个月，这方面会有不少进展，因为我已经在一些科技客户那里看到苗头。这会帮助组织决定把力气花在哪里，以及如何判断是否取得了价值。

还有一个很务实的做法，和前面提到的团队规模有关。我有好几位客户把团队缩到现在的一半甚至更小，同时把团队数量增加一倍。如果工程负责人还用原来的思路估算：“三支团队做八周左右”，但每支团队现在只有原来一半大，就会看到巨大的加速效果。短期内这几乎像个提升生产力的“作弊码”，当然，随着时间推移，还需要把方法做得更成熟。

## [19:04] 总结

<https://pod-exp.pages.dev/21tuT-e4NVo/#chapter-12> · YouTube <https://www.youtube.com/watch?v=21tuT-e4NVo&t=1144s>

**Martin Harrysson：** 最后总结一下。我们只有二十分钟左右，谈了不少内容。结束后我们还会留在这里，欢迎大家继续交流这些行之有效的做法。正如很多事情一样，要真正从 AI 软件开发中获得价值，需要把一百件事情都做好，并且让它们彼此协调。光是改一件事、装一个新工具，不会自动带来这些变化。

这确实很难，但好消息是，如果肯投入精力、把这些事情做好，我们现在看到的提升相当显著。过去可能要花一年，最后只改善 20%；而现在，在不少指标上，我们看到短时间内提升两倍、三倍，甚至更多。我很乐观，数据已经开始显示这些变化，真正的转变也正在发生。所以，大家尽管去尝试、继续推进，也欢迎告诉我们效果如何。非常感谢邀请，祝大家今天接下来的活动顺利。

**Prakhar Dixit：** 谢谢。
