一句话看懂：DORA在2025年报告中提出了AI辅助软件开发的团队画像与能力模型，核心观点是AI更像“放大器”——只有组织系统建设成熟，AI投资才能带来真实回报。该研究提醒企业，不能只盯着个人效率提升，还要关注交付稳定性与组织协作。
事件核心：发生了什么
在QCon London演讲中，DORA研究负责人Nathen Harvey介绍了2025年发布的《State of AI-Assisted Software Development at DORA》报告。该报告结合问卷与定性研究，将开发团队划分为七种典型画像，包括“基础能力不足”“遗留系统瓶颈”“流程约束型”“稳健有序型”和“高绩效协同型”等。Harvey特别提到，“流程约束型”团队虽然交付稳定性优于多数团队，但成员职业倦怠高、协作阻力大、业务价值产出低。
研究还总结了七项关键能力，当团队将这些能力与AI应用结合时，通常能获得更好的结果。这七项能力包括：明确且统一传达组织的AI使用策略、健康的数据生态、AI可访问的内部数据、良好的版本控制实践、小批量开发、以用户为中心，以及高质量的内部平台。Harvey在演讲中强调：“AI的本质是一种放大器。企业从AI投资中获得最大回报的前提，是先把组织系统建设好。”
为什么重要
DORA多年持续追踪软件交付实践，今年的报告给出一个值得警惕的发现：随着AI应用程度提高，开发者的自我工作效率和代码质量评价都在提升，但软件交付的不稳定性同步增加，生产环境中的回滚与紧急修复变得更频繁。Harvey认为，这种“代码质量提高但交付稳定性下降”的组合，可能意味着团队激励机制存在偏差，或者开发人员对功能上线后的生产环境影响缺乏整体可见性。
这个发现的行业意义在于，AI的局部生产力收益并不自动转化为系统级的稳定交付。企业如果只看单个开发者的效率指标，很容易忽略AI在组织流程中放大的混乱。DORA将AI投资回报问题从“工具好不好用”转向“组织是否准备好”，这对当前大模型编程工具快速普及的行业环境有直接参考价值。
对用户/开发者/创作者的影响
对开发者而言，DORA研究发现AI模型倾向于一次性生成较大的代码修改或Pull Request，这与“小批量开发”这一被多次验证的实践存在冲突。大型变更更难审查、更难判断是否符合真实需求，风险也更高。团队可以与AI协作，将一个大的代码改动拆分为多个可独立部署的小单元。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对技术管理者而言，七种团队画像提供了一套自我诊断框架。可以先用画像评估现状，再对照七项能力确定改进优先级，而不是照搬报告结论。
对平台建设和企业架构团队，高质量内部平台被视为AI落地的关键基础设施。平台不仅统一提供模型和工作流，更重要的是把复杂性下沉：例如安全策略可以在所有新系统中自动执行，让开发团队无需反复处理复杂规则，专注于业务本身。
值得关注的后续
一是DORA的AI能力模型是否会被主流开发工具链吸收，例如AI编码助手是否会增加“变更拆分”支持，帮助开发者生成更小、更可独立部署的修改单元。
二是企业内部激励机制是否会因AI而调整。如果AI让开发效率与交付稳定性进一步脱钩，团队考核方式可能需要从
