如果一部分开发者信任AI，另一部分不信任，问题并不在于模型本身，而在于他们的组织是否提供了正确的数据、平台和指导方针。

图源:Credit: Sammie Chaffin / Unsplash

我在科技行业摸爬滚打三十多年，如果有什么心得，那就是：科技圈永远痴迷于一个好谜题。而现在，我们面前正摆着一个引人入胜的谜团。

今年，我们领域最受尊敬的两个调查向开发者提出了一个简单的问题：你信任AI工具的输出结果吗？结果截然不同！

2025年度DORA报告——这份报告基于近5000名技术专业人员的研究，这些人员在过去往往偏重于企业领域，发现有整整70%的受访者对AI生成的输出质量表示某种程度上的信心。

而2025年度Stack Overflow开发者调查——其拥有庞大的开发者受众，却只有33%的开发者对AI工具“有点”或“非常”信任。

这之间的差距是37个百分点。

先停两秒，想想这个数字。两份调查同一年进行，面向同一职业群体，考察的也基本是OpenAI、Anthropic、Google提供的同一批底层模型。为何能得出如此截然不同的现实？

一、DORA：AI是放大器

37分信任鸿沟的谜底不在AI本身，而在AI所处的运营环境。正如DORA报告在其执行摘要中所指出的：AI是一个放大器。直白地说：“技术领导者的核心问题已不再是要不要采纳AI，而是如何兑现它的价值。”

DORA衡量的不只是AI采用率，而是组织能力，其决定了AI是提升还是破坏你的团队速度。他们发现了七项具体能力，这些能力将他们在调查中的70%信心组与Stack Overflow结果中的33%区分开来。

下面带你逐项拆解——这才是能落地的地方。

二、高信任度AI环境的7大支柱

DORA研究团队不仅指出了问题，还给出了蓝图——他们确定了七项基础能力，将AI从一种新奇事物变成一种倍增器。当我看到这个列表时，我只是点了点头：这正是多年来伟大工程组织一直在努力实现的事情。

1.明确且沟通良好的AI立场

你的开发人员是否了解规则？还是两眼一抹黑，担心用个工具就踩雷，甚至不小心把机密数据喂给模型？当规则明确时，就能减少摩擦，提高效率。

2.健康的数据生态

AI的天花板就是数据。那些将数据视为战略资产并投资于其质量、可访问性和统一性的组织，会看到AI在组织绩效上的巨大收益。

3.AI可访问的内部数据

通用AI很有用，但懂你的代码库、文档、内部API的AI才是变革者。将AI连接到你的内部上下文，这与通用AI的区别在于一个有帮助的副驾驶和一个真正的导航员。

4.严格的版本控制实践

在AI加速生成代码的时代，版本控制系统是最关键的安全网。那些精通提交和回滚的团队可以自信地进行实验，因为他们知道如果出了什么问题，可以轻松恢复——这就是“快”而不“疯”的前提。

5.小批量工作

AI可以快速生成大量代码，但变化越大审查越难，并且部署风险更高。坚持小批量、可管理改动的团队，产品表现更好，摩擦更少——即使这感觉像是他们正在减缓单个代码输出的速度。

6.以用户为中心

这是杀手锏。DORA报告发现，如果没有明确的用户关注点，AI的采用实际上会损害团队表现——因为这样你只是更快地在建造错误的东西。当团队在创造用户价值上达成一致时，AI才成为实现它的利器。

7.高质量的内部平台

一个优秀的平台就像是为开发者铺就的赛车道；一个糟糕的平台则像是一条布满坑洞的泥路。数据不容置疑：高质量的平台是释放AI在组织层面价值的必要基础。

三、对你意味着什么

这不仅仅是一个学术练习，DORA与Stack Overflow之间这37分的落差，直接影响我们每一天的工作方式。

对于开发者：如果你对AI感到沮丧，不要只怪工具，先看看你周围的系统有没有让你成功的前提。这无关你的提示词工程技能，而在于你是否有组织支持来有效使用这些工具。

对于工程领导者：你的工作不仅仅是购买AI许可证，而是搭建一个能让许可证真正产生价值的生态系统。DORA列出的七项能力就是你的新待办清单，最大的ROI（投资回报率）不在下一个模型，而在修复内部平台、厘清数据战略并把AI政策宣贯到位。

对于CIO（首席信息官）：DORA报告明确指出——成功的AI采用是一个系统性问题，而不是一个工具问题。只投入资金买AI，却不投资能放大其收益的基础能力，只会换来失望。

所以，当你下次再听到“AI对开发者到底是否好”的争论，记住这两个调查之间的差距。答案是两者都好，而这种差异与AI本身关系不大。

没有现代工程文化和坚实基础设施的AI只是一种昂贵的挫折，有了基础地基的AI才是未来。

作者：Pete Johnson（皮特·约翰逊）

译者：木青   编审：@lex