AI 原生工程五阶段：多数团队其实还卡在第 0 阶段

近期一篇基于 100 余支工程团队实践编译而来的分析指出，「AI 原生工程」一词已被严重滥用：许多公司只是购买了 Copilot 之类的工具授权，便对外宣称完成转型，但实际上连衡量 AI 价值的基线都没有建立。文章给出一套五阶段框架，并提出四个进入「软件工厂」阶段前必须回答的硬性问题。

行业信心与落地现实之间的鸿沟

多家机构的调研数据描绘出 CTO 群体的信心落差：Akkodis 数据显示，CTO 对规模化应用 AI 的信心已从 2024 年的 82% 下滑至 48%；HCLTech 预计约 43% 的企业级 AI 部署项目将以失败告终；Gartner 调研的 350 家通过裁员筹集 AI 资金的大型企业中，绝大多数收益微乎其微。工具本身有效，但围绕工具的工作流、代码审查、质量门禁与评估体系并未相应重塑，这条鸿沟正变得日益昂贵。

AI 原生工程的五个阶段

作者团队根据实际部署经验，将 AI 原生工程划分为五个阶段：

第 0 阶段（诊断期）：不知道自身所处位置，没有基线与衡量基础设施。多数公司实际处于此阶段，却对外宣称已进入第 2 阶段。耗时 2–4 周可完成诊断。
第 1 阶段（个人 AI 赋能）：每位工程师配备具备完整代码库上下文的 AI 智能体，资深工程师担任代码审查把关人。耗时 1–3 个月。
第 2 阶段（组织 AI 赋能）：从 Task 工单到 PR（合并请求）的流程实现智能体化，覆盖规划、实现、测试、提交 PR 等环节，全流程在沙盒内完成。耗时 2–4 个月。
第 3 阶段（产品维度的 AI 工厂）：LLM 能力直接融入客户产品，带来新收入与留存。耗时 3–6 个月以上。
第 4 阶段（治理维度的 AI 工厂）：构建包含模型网关、策略控制、全链路追踪、合规审查与审计日志的完整控制平面，核心指标转向「单位 Token 产生的实际价值」。耗时 6–12 个月。

从第 0 阶段向第 1 阶段跨越之所以卡壳，原因不在技术，而在于无人为转型负责——既没有 AI 生产力负责人，也没有固定的衡量节奏。

一个真实案例：50 人团队如何缩到 2 人

一家拥有 50 多名工程师的物流平台，在 AI 赋能流程改造后，仅靠 2 名工程师就在 3 个月内提交并合并了 122 个 PR，其中约 90% 代码由 AI 生成，单名开发者每月 AI 使用成本约 200 美元。这一数据来自文章引用的服务案例，并未披露更详细的代码质量与长期可维护性指标。

进入「工厂」前的四个硬性问题

文章认为，在自称为 AI 工厂之前，必须能肯定回答以下四个问题：

团队审查 AI 输出的速度，能否跟上 AI 生产代码的速度？
是否有足够资深工程师精准识别并纠正 AI 错误？
系统架构文档是否具备机器可读性？
是否明确记录了哪些工作类型中 AI 实际上在拖后腿？

无法全部回答，即意味着仍处于「赋能」阶段而非「工厂」阶段。作者判断，与之交流过的绝大多数团队实际停留在第 0 阶段，仅完成 Copilot 授权采购。率先理清自身所处阶段的团队将在交付速度上拉开难以弥补的代差，而靠堆人已无法填平这条鸿沟。