在最新的AI新闻中，DoorDash联合创始人兼首席执行官徐迅的一番直言引发了行业深思。他认为，AI编程虽然能显著提升代码编写速度，但远未达到颠覆整个软件工程体系的程度。这一观点恰好揭示了当前AI落地中的核心矛盾：新技术与旧流程的脱节。当工程师们发现AI生成的代码占到了总代码量的三分之二，团队架构却纹丝不动时，我们不得不重新审视“效率”的真正含义。本文将从多维度拆解这一现象，并探讨如何让最新科技真正融入企业血脉。
一、AI编程的“效率幻觉”：写代码只是冰山一角
徐迅在访谈中直言不讳：“软件工程师每天只有一部分时间用于写代码，现有模型能够代为完成编程，当然很有价值。真正用于交付代码的时间可能占25%、30%，也可能占50%，AI提升的主要是对应部分的效率。”这句话点破了AI编程被过度神化的根源——人们往往只看到“写代码”这个动作，却忽略了软件工程的其他关键环节。
一个典型的软件工程师的工作日，除了编写代码，还包含大量产品评审、设计会议、跨团队对齐、代码审查、测试、部署、运维等事务。这些环节占用了工程师至少一半以上的时间，而目前的AI工具几乎无法触及这些领域。例如，一个工程师可能需要花两小时参与需求讨论，再花一小时撰写设计文档，最后只用半小时写代码。AI即便能在半小时内完成任务，整体效率提升也不过是20%左右。
更关键的是，这些非编码环节往往需要人类的判断力、沟通能力和创造力，是AI短期内难以替代的。徐迅强调：“如果其他环节不一起改变、无法打通，企业很难只靠AI编程获得预期的生产力提升。”这就像一个赛车手换了更好的轮胎，但发动机和变速箱都还是旧的，整体速度提升必然有限。
这种“效率幻觉”在行业里并不少见。许多初创公司宣称AI编程让开发效率提升数倍，但实际交付的项目却依然延期。原因就在于，他们把AI当作一个孤立的工具，而非嵌入整个工作流的一部分。要破解这个幻觉，企业需要从工程全局出发，重新设计流程，让AI真正融入每个环节。例如，利用AI工具导航寻找能够覆盖需求分析、设计、测试的全栈AI工具，而非仅仅依赖代码生成。
二、从“氛围编程”到全流程重构：AI需要打通哪些环节？
提出“氛围编程”一词的AI大神安德烈·卡帕西，曾公开承认AI编程对工程师存在不少局限。他在演讲中直接“开炮”：“有时我看见那些代码甚至会心头一紧，因为质量并不总是特别出色。这些代码往往臃肿冗余，充斥着大量的复制粘贴，抽象设计也常常别扭而脆弱。”这揭示了AI编程的另一个痛点：代码虽然能跑，但质量堪忧。
然而，问题远不止于代码质量。徐迅指出，工程师还要花费大量时间参加产品评审和设计会议，并与不同业务团队统一方向。“全行业都在摸索如何理顺工作流程，让AI原生不再局限于代码开发，而是延伸到企业实际运营方式中。”这意味着，我们需要从“氛围编程”走向“氛围工程”——让AI参与需求澄清、架构设计、代码审查、自动化测试、持续集成/持续部署（CI/CD）乃至运维监控等多个环节。
具体来说，AI可以如何渗透这些环节？在产品评审阶段，AI可以分析用户反馈数据，自动生成需求摘要；在设计阶段，AI可以辅助生成界面原型，比如用AI画图快速产出低保真设计图，帮助团队在讨论前就有视觉参考；在测试阶段，AI可以自动生成测试用例并执行回归测试；在部署阶段，AI可以预测流量高峰并自动扩容。只有将这些环节串联起来，AI才能真正从“写代码的助手”升级为“软件工程的协作者”。
当前，一些领先的科技公司已经开始尝试这种全流程变革。例如，谷歌内部使用AI辅助代码审查，微软将AI集成到GitHub Actions中实现自动化工作流。但多数企业仍停留在“用AI写代码”的初级阶段。徐迅的发言提醒我们：如果只盯着大模型训练的代码生成能力，而忽视其他环节的数字化改造，最终收获的只能是半吊子的效率。
三、代码质量之殇：当AI生成的代码“能运行但难看”时
卡帕西的吐槽切中了AI编程的软肋：代码质量参差不齐。他形容那些AI生成的代码“臃肿冗余，充斥着大量的复制粘贴，抽象设计也常常别扭而脆弱”。这种“能运行但难看”的代码，在短期内可能提升产出速度，但长期来看，会累积大量技术债务，增加维护成本。
为什么AI会生成这样的代码？原因在于，当前的大语言模型本质上是“统计概率的模仿者”。它们从海量代码库中学习模式，但缺乏对软件架构、设计模式、可维护性的深层理解。当工程师要求AI实现一个功能时，它倾向于输出最常见、最直接的解决方案，往往忽略边界条件、异常处理和代码整洁性。例如，一个简单的排序功能，AI可能会生成一个嵌套循环，而不是使用内置的排序函数，因为从训练数据中它看到很多低级实现。
更致命的是，这些代码往往缺乏注释和文档，抽象层次混乱。当团队需要后续修改时，必须花费大量时间理解这些“AI垃圾”，反而拖慢了整体进度。徐迅虽然没有直接批评代码质量，但他指出“仅凭代码产出比例，仍无法说明工作流程和团队架构应当怎样调整”，暗示了单纯追求代码量可能带来的问题。
那么，如何解决代码质量痛点？一种思路是让AI学习更高质量的代码规范，比如专门对开源精品项目进行微调；另一种是引入“AI+人工”的协作模式，让AI生成初稿，再由资深工程师进行审查和重构，同时将审查结果反馈给模型形成闭环。此外，团队可以借助AI工具箱中的代码质量分析工具，自动检测AI生成代码的异味，并给出改进建议。
有趣的是，这种“代码质量之殇”反而催生了新的科技产品方向。一些初创公司开始开发专门针对AI代码的审查工具，它们能识别出典型的AI生成模式，并提示工程师重点检查。这或许会成为最新科技领域的一个细分赛道。
四、组织架构的惰性：为何AI写了三分之二代码，团队却未变？
徐迅在5月的财报电话会议上透露了一个令人震惊的数据：“DoorDash现有代码中，远超一半由AI编写，比例可能已经接近三分之二。”但紧接着他又补充道：“AI目前已经带来显著效率提升……但AI尚未改变DoorDash的组织架构。”这个矛盾点正是企业数字化转型中常见的“组织惰性”现象。
为什么AI能写三分之二的代码，团队结构却毫无变化？原因在于，组织架构是由业务流、决策权、沟通模式等多重因素决定的，代码产出只是其中一个环节。即便AI承担了大部分编码工作，工程师依然需要参与需求评审、架构设计、跨部门协调等。这些工作的人数需求并没有因AI而减少，反而可能因为AI带来的更高产出节奏，需要更多人投入到沟通和决策中。
更深层的问题在于，企业往往只把AI当作“增效工具”，而非“变革引擎”。他们习惯性地将AI嵌入现有流程，而不是重新思考流程本身。例如，一个团队过去需要10个工程师，其中6个写代码、4个做其他工作。现在AI能写80%的代码，但团队是否应该调整为2个写代码、8个做其他工作？答案是否定的，因为写代码的比例虽然降低，但其他工作的重要性并未对称增长。实际上，正确的做法可能是将团队规模缩减，或者将节省的编码人力投入到更高价值的创新性工作中。
徐迅的发言暗示了这种“组织架构的惰性”是全行业的通病。要打破这种惰性，企业需要主动进行组织结构调整，比如设立“AI工程师”岗位，专门负责AI代码的审查和优化；或者将部分工程师转型为“AI训练师”，负责训练和调整模型。同时，管理层需要重新定义绩效指标，不再单纯以代码行数衡量产出，而是以“业务价值交付”为基准。
这种变革与企业数字化转型的深层逻辑一脉相承：技术只是手段，管理模式的变革才是核心。那些率先尝试组织重塑的企业，比如一些科技巨头设立“AI卓越中心”，正在为行业提供有价值的参考。
五、未来趋势：AI原生企业需要怎样的工作流重塑？
徐迅的观点可以看作是对当前AI编程热潮的“冷思考”。他提醒我们，不要被AI写代码的炫酷表象迷惑，而应关注如何构建一个真正“AI原生”的工作流。那么，未来的AI原生企业应该具备怎样的特征？
首先，工作流将不再是线性的“需求-设计-开发-测试-部署”，而是变成一种人机协同的网状结构。AI可以同时参与多个环节，甚至跨越团队边界。例如，当产品经理输入需求时，AI自动生成原型图、测试用例和部署脚本，并自动推送到相关人员的待办列表。这种“端到端自动化”需要企业打通数据孤岛，让AI能够访问所有业务系统的信息。
其次，工程师的角色将从“代码生产者”转变为“AI监督者”和“系统架构师”。他们不再需要手写每一行代码，而是花更多时间设计高质量的训练数据、定义AI的行为边界、审查AI的输出。卡帕西提到的代码质量问题，正是由于缺乏这种监督机制。未来，每个AI生成的代码段都应该附带“置信度评分”和“风险提示”，工程师需要像医生看X光片一样解读AI的结果。
第三，企业需要建立自己的“AI知识库”和“最佳实践库”。当前通用AI模型虽然强大，但缺乏领域特定知识。例如，DoorDash的配送调度逻辑、定价策略等，通用模型无法理解。企业需要利用AI Agent技术构建专属Agent，将内部流程、规则、历史数据等注入模型，使其能够处理复杂业务场景。
最后，也是最重要的，是培养“AI原生”的组织文化。这意味着员工需要信任AI的决策，同时具备批判性思维。徐迅说“全行业都在摸索如何理顺工作流程”，这个过程必然伴随着试错和迭代。那些能够快速调整学习路径的企业，将率先享受到AI带来的红利。
作为科技媒体，我们观察到，最新科技的发展速度远超组织的适应速度。但好消息是，已有越来越多的工具和平台开始支持这种全流程重塑。例如，AI图片生成工具可以帮助非设计师快速产出视觉素材，而文生图技术则让产品概念可视化变得轻而易举。这些科技产品正在从各个层面渗透到软件工程的血肉中，只待企业用新的组织形态去拥抱它们。
结语：AI编程的下一步——从工具到生态
回顾徐迅的发言，核心启示在于：AI编程远不是终点，而是起点。它迫使我们去重新审视软件工程的本质，去思考技术与人、与组织的关系。当AI能写三分之二代码时，真正的效率提升不在于代码量的增加，而在于工作流的重构、组织架构的优化和人与AI协作模式的创新。
未来，AI编程将不再是孤立的技术名词，而是融入整个企业生态的基础设施。正如蒸汽机不只是取代了人力，更催生了工厂制度和现代城市，AI编程也将催生新的软件工程范式。我们期待看到更多企业像DoorDash一样坦诚分享经验，推动行业从“氛围编程”走向“AI原生”。
而在日常工作中，开发者不妨从一些简单工具开始尝试，例如用抠图工具快速处理素材，或用AI诗词生成能力为产品增加趣味性，逐步建立对AI的信任与理解。毕竟，任何伟大的变革，都始于一次小小的尝试。