执行摘要
核心要点：AI是放大器
2025年，技术领导者面临的核心问题不再是“是否”应该采纳AI，而是“如何”实现其价值。本报告研究揭示了一个关键真相：AI在软件开发中的主要作用是放大器。它既能放大高绩效组织的优势，也能加剧困境中组织的失能。最大的AI投资回报并非来自工具本身，而是来自对底层组织系统的战略关注：内部平台的质量、工作流程的清晰度以及团队的协同。没有这个基础，AI创造的局部生产力提升往往会被下游的混乱所吞噬。
主要发现
AI采纳近乎普及
90%的受访者在工作中使用AI，超过80%的人认为AI提高了他们的生产力。然而，仍有30%的人对AI生成的代码信任度不高，这表明关键的验证技能至关重要。
成功采纳AI不仅需要工具
新的DORA AI能力模型识别出七个基础实践（如清晰的AI政策、健康的数据生态系统），这些实践被证明能放大AI对组织绩效的积极影响。
吞吐量提升，不稳定性增加
与去年不同，今年AI采纳显著提高了软件交付的吞吐量。然而，它仍然增加了交付的不稳定性，表明团队虽适应了速度，但底层系统尚未进化到能安全管理AI加速的开发流程。
平台工程成为基础
高达90%的组织已经采纳了平台工程，这使得一个高质量的内部平台成为AI成功的必要基础。
价值流管理(VSM)是倍增器
VSM通过可视化和改进从创意到客户的工作流，成为AI的“力量倍增器”，确保局部的生产力提升能转化为可衡量的团队和产品绩效提升。
七种团队画像
研究识别出七种截然不同的团队画像，从“和谐的高成就者”到陷入“遗留系统瓶颈”的团队，为针对性改进提供了新的框架。
理解软件交付绩效：七种团队画像
报告通过聚类分析，识别出七种常见的团队画像，它们揭示了绩效、福祉和环境之间的深层相互作用。这超越了孤立的数字，为诊断团队健康状况提供了更细致的视角。
基础挑战型 (Foundational challenges)
画像: 处于生存模式，在流程、环境和成果方面存在根本性差距，面临巨大挑战。
- 占比: 10%
- 团队福祉: 高度的职业倦怠和工作阻力。
- 绩效指标: 团队产出、产品交付和价值创造等关键指标持续偏低。
- 系统稳定性: 软件和运营环境的稳定性存在显著挑战。
遗留系统瓶颈型 (The legacy bottleneck)
画像: 处于持续的被动反应状态，不稳定的系统支配着他们的工作，并损害了士气。
- 占比: 11%
- 团队福祉: 工作环境要求苛刻，团队成员报告了较高的阻力和倦怠感。
- 绩效指标: 产品绩效指标低。频繁的质量问题削弱了常规更新所实现的价值。
- 系统稳定性: 系统和运营环境存在显著的稳定性挑战，导致大量计划外的被动工作。
受限于流程型 (Constrained by process)
画像: 像在跑步机上奔跑。尽管工作在稳定的系统上，但精力被低效流程消耗，导致高倦怠和低影响力。
- 占比: 17%
- 团队福祉: 报告了高水平的倦怠感和阻力。
- 绩效指标: 关键绩效指标显示效率低下，创造的客户或业务价值有限。
- 系统稳定性: 软件和运营环境稳定可靠，表明技术不稳定性不是主要挑战。
高影响、低节奏型 (High impact, low cadence)
画像: 产出高影响力的工作，反映在强大的产品性能和高个人效率上。然而，交付模式节奏慢，吞吐量低而不稳定。
- 占比: 7%
- 团队福祉: 低阻力环境，表明团队流程高效协作。
- 绩效指标: 效率和产品性能指标强劲，但软件交付吞吐量低。
- 系统稳定性: 运营环境高度不稳定，对服务可靠性构成重大风险。
稳定方法型 (Stable and methodical)
画像: 软件世界的稳健工匠，以审慎和可持续的节奏交付高质量、有价值的工作。
- 占比: 15%
- 团队福祉: 低倦怠感和阻力，指向健康和可持续的团队环境。
- 绩效指标: 产品质量和价值创造指标持续积极。然而，软件交付吞吐量较低。
- 系统稳定性: 软件和运营环境高度稳定可靠。
务实表现型 (Pragmatic performers)
画像: 持续以惊人的速度和稳定性交付工作，即使他们的工作环境尚未达到最佳敬业度状态。
- 占比: 20%
- 团队福祉: 倦怠感和阻力处于平均水平。
- 绩效指标: 软件交付指标强劲，吞吐量高于平均水平，不稳定性低。
- 系统稳定性: 系统和运营环境稳定可靠，为他们的高绩效提供了坚实基础。
和谐高成就型 (Harmonious high-achiever)
画像: 卓越的典范——一个稳定、低阻力的环境使团队能够持续交付高质量工作，而没有倦怠感。
- 占比: 20%
- 团队福祉: 工作环境的特点是低倦怠感和低阻力。
- 绩效指标: 在团队福祉、产品成果和软件交付等多个领域均表现出积极的指标。
- 系统稳定性: 团队在稳定的技术基础上运作，支持了工作的速度和质量。
AI的采纳与使用
AI使用现状概览
本年度的调查数据显示，AI在软件开发行业的采纳和依赖程度既广且深，覆盖了多样化的任务，并为个人生产力和代码质量带来了可感知的益处。
AI在各类任务中的应用
“编写新代码”是AI工具的首要用途（71%），但其应用已渗透到开发的方方面面。高使用率的任务还包括文献回顾、修改代码、创建测试用例和文档编写等。
这种广泛的使用和依赖，伴随着一定程度的怀疑（“信任但要验证”），标志着一种成熟的采纳心态。开发者们正在学习如何将AI作为一种强大的工具，而不是盲目依赖它。
探索AI与关键成果的关系
与2024年的发现相比，今年的数据显示出一些积极的转变，但挑战依然存在。AI对软件交付的影响是复杂且多维的。
AI影响格局 (2025 vs 2024)
结论：系统性适应正在发生
从去年吞吐量下降到今年吞吐量上升的转变表明，开发者、团队和工具都在适应。语言模型变得更好，组织正在调整工作流程。然而，交付不稳定性、职业倦怠和工作阻力等“顽固”问题的持续存在提醒我们，AI并非万能药。它的价值最终取决于它所在的更大系统——流程、文化和组织结构——是否随之进化。
DORA AI能力模型
为了释放AI的全部潜力，组织不能仅仅部署工具，还必须培养一个能够放大AI效益的技术和文化环境。DORA识别出以下七个关键的AI能力，它们是AI成功的倍增器。
1. 清晰且已传达的AI立场
组织需要明确其对AI工具使用、数据隐私和安全性的政策。这种清晰度为开发者提供了心理安全感，鼓励有效实验，减少阻力。
2. 健康的数据生态系统
AI模型的好坏取决于其训练数据。高质量、易于访问且统一的内部数据生态系统能显著放大AI对组织绩效的积极影响。
3. AI可访问的内部数据
将AI工具连接到内部系统（如代码库、文档），使其能够利用特定于公司的上下文，从而超越通用辅助，显著提升个人效率和代码质量。
4. 强大的版本控制实践
在AI加速代码生成的时代，强大的版本控制（尤其是轻松回滚的能力）成为关键的安全网，它使团队能够自信地进行实验，同时管理不稳定性风险。
5. 小批量工作
虽然AI可以快速生成大量代码，但将工作分解为更小、可管理的批次可以提高产品性能并减少AI辅助团队的摩擦。这有助于更快地测试、审查和集成。
6. 以用户为中心的焦点
这是最关键的放大器之一。当团队专注于用户需求时，AI能极大地提升团队绩效。反之，如果缺乏用户焦点，AI甚至可能对团队绩效产生负面影响。
7. 高质量的内部平台
一个高质量的内部平台是扩展AI效益的引擎。它提供了必要的护栏、治理和共享能力，使AI的局部收益能够安全有效地扩展到整个组织。
平台工程：AI成功的基石
平台采纳已成主流
高达 90% 的组织已经采纳了内部平台，其中 76% 拥有专门的平台团队。这表明行业关注点已从“是否需要平台”转向“如何有效构建和治理平台”。
整体体验至关重要
开发者将平台视为一个单一实体，其整体体验（如易用性、反馈清晰度）比任何单个技术特性都更能影响其感知价值。因此，必须采用“平台即产品”的思维，将开发者视为客户，持续关注并优化其端到端体验。
平台是AI的战略前提
研究明确指出，高质量的内部平台是释放AI组织级价值的关键。在平台质量低下的情况下，AI采纳对组织绩效的影响微乎其微；而在平台质量高的情况下，这种积极影响则被显著放大。平台充当了扩展AI效益的分发层、治理层和风险缓解层。
价值流管理(VSM)：从混乱到聚焦
VSM是AI投资的力量倍增器
价值流管理（Value Stream Management）是一种通过可视化、分析和改进从创意到客户交付的端到端工作流的实践。在AI时代，其重要性愈发凸显。单纯追求速度（例如，用AI更快地编写代码）可能会加剧现有瓶颈（例如，代码审查积压）。
VSM通过提供系统级视图，帮助团队将AI的强大能力应用于真正的约束点，确保局部的生产力提升能够转化为对整个组织有意义的价值流动，而不是制造更多的下游混乱。
VSM的直接影响
研究证实，实施VSM实践的团队在以下方面表现更佳：
- 更高的团队绩效
- 从事更有价值工作的比例显著增加
- 更好的产品绩效
AI之镜：反映并放大组织的真实能力
AI本身不解决系统问题
AI技术本身不会自动修复一个组织的根本问题。相反，它像一面镜子，清晰地反映出组织现有的工作方式——无论是高效还是低效。它会放大那些已经存在的优势和劣势。
- 在协同良好、流程顺畅的组织中，AI能放大价值流动。
- 在支离破碎、沟通不畅的组织中，AI只会暴露并加剧现有的痛点。
因此，要实现AI的变革潜力，组织必须将其视为一次组织转型，而不仅仅是工具升级。这意味着需要重新审视和设计工作流程、团队结构、治理模式和文化期望，以适应AI带来的新可能性。