---
source_url: https://mp.weixin.qq.com/s/TrgoIq3rWn6bpYT8Lvdwyw
title: "代码一旦生产出来，首先是负债 —— 一个CIO的AI效能实践复盘"
author: 蒋林泉（阿里云CIO）
account: 阿里云开发者
published: 2026-05-22
source: wechat
tags: [ai-transformation, enterprise-ai, organizational-change, productivity, half-stack, pdfe, abe]
created: 2026-05-23
sha256: 874edaf2f3fb2a44ea46e6b048fdf2e4831aa7069c0bd960e0ff84063c9e9039

---

# 代码一旦生产出来，首先是负债 —— 一个CIO的AI效能实践复盘

## 前言：技能通胀，品味通缩

2026 财年对比 2025 财年，阿里云 CIO 线的产研效能：

- 前端人均有效代码量提升至 **3 倍**
- 后端提升至 **2 倍**
- 千行代码缺陷率：前端下降 **30%**，后端下降 **55%**

蒋林泉 2025 年 8 月提出判断：「技能通胀，品味通缩」—— AI 只能做到 average，但有品味的人能定义什么是「好」。随着工具普及，技能正在迅速失去稀缺性，企业正在从为传统技能付费，转向为判断和结果付费。

## 01 两个流行误区

### 误区一：AI 生码率

行业普遍炫耀生码率从 20% 攀升到 50%，但蒋林泉从一开始就将这个指标排除在考核体系之外：

- AI生码率是「过程指标」，组织一旦观测这种过程指标，AI就特别容易产生毒害
- 代码行数"不加权"没有意义，团队容易陷入「灌水」陷阱
- 在完整的软件工程生命周期中，开发人员实际编写代码的时间**仅占 20%**，大量时间消耗在需求对焦、PRD编写、跨团队沟通、上下游联调及返工

**问题**：AI 生码率恰好在最容易被优化的地方，是整个软件交付链路里价值密度最低、最易被 AI 替代的一段。用最容易被替代的环节，来衡量整体效能。

### 误区二：Vibe Coding 直接上生产

- 做一个 Demo/个人应用，和做一个客户大规模生产系统之间，有巨大差别
- 做一个全新的应用，和在已有核心主力业务系统上叠加新需求，也有巨大不同
- 企业核心应用都是存量系统，业务复杂度极高，历史上积累了各种技术债务

**核心逻辑**：「代码一旦生产出来，首先是负债」。增加的大量代码「可能」是资产，但「一定」是负债。

## 02 AI 破解「人月神话」与「左移」难题

### 人月神话

原来加人会有低效沟通问题（人际沟通复杂度呈几何级数增长），但加 AI Agent 不一样：

- Agent 可以无损地拿到上下文
- 能规模化地从已有代码里解析上下文
- 不需要人与人之间低效的几何级数增长的沟通消耗

### 左移难题

以前左移投入太大、ROI 不够——左移本质是「跨部门转移责任」，左边的人接不接、认不认、有没有能力承担，要付出巨大的软件工程能量和组织摩擦力。

AI 时代，AI 可以从存量代码里抽取上下文，加上增量的 PRD、Spec 等，业务复杂系统能够简化成一个大家可理解的上下文框架。

### 四个显性改变

**左移「质量与测试」**：测试覆盖从 20% 到加权接近 100%。AI 辅助定义覆盖范围、识别异常路径与边界条件，快速生成大量 Test Case。

**左移「知识工程 + Spec」**：从既有老代码中还原存量系统的核心 Spec。AI 让沉淀在代码、文档和历史实现中的存量知识，被重新抽取、结构化，还原成一套相对完备的 Spec 知识库。

**规约跨职能界面（API First）**：AI 辅助团队规模化排查系统中不合理的职责分布，将现有后端 API 全部还原成一张完整的 API 注册表。

**Vibe Coding 左移确认**：用 Live Demo 与业务方对焦，「所见即所得」的需求确认，把原本上线后才发生的验收，前置到需求最左侧。

## 03 灵魂 × 骨架：定义问题

- **「灵魂」**：业务价值。如果做了一个软件，上线后有没有在端到端业务闭环中产生业务价值，是关键。
- **「骨架」**：核心概念与 API 建模。从核心原子模型出发，厘清数据结构、状态机，以及操纵它们的 API 动作。

"一个软件的长期价值，灵魂和骨架可能要占到90%，剩下加起来才是那10%。只要在「最左侧」是对的，后面的交付就会越来越容易。"

** Effectiveness × Efficiency**：

- Efficiency：全切面的加速器（测试、运维、编码、存量系统梳理）
- Effectiveness：「做对的事」，避免 AI 生产债务，确保形成闭环的价值

## 04 放弃全栈，用「Half-Stack」重构岗位

### 全栈工程师是例外，非解法

- 大部分硅谷一人公司，要么是价值链极短（非复杂业务链路），要么是做全新应用（非规模化的存量生产系统）
- 业务高度复杂的企业系统，做不到极少数人

### PDFE + ABE：两类核心岗位

**PDFE（AI 产品设计前端工程师）**：前身是产品经理、交互设计师和前端工程师三合一。负责从业务沟通到 Demo 确认，再到 API 对齐和前端开发。原来至少两周的对焦迭代周期，变成半天的协同确认。

**ABE（AI 架构与后端工程师）**：把架构设计、后端开发和 AI Agent 开发融合在一个角色。本质上都在解决数据结构、状态机、API、高可用和高可靠的问题。

两者之间的接口，是 API 契约。

### 三位一体框架

```
产品价值牵引 × 工程效率 × 组织变革
```

- 价值牵引：把更多精力放在价值确认，避免规模化的生产负债
- AI 辅助提效工程：存量系统上下文还原、Live Demo 辅助、质量左移
- 组织变革：收拢在 PDFE 和 ABE 这两类职能

## 05 未竟之问

### 工具：Agent 做出来容易，为何产生价值难？

当下很多企业陷入「Agent 囤积症」—— AI 工具供给急剧过剩，但价值产出严重不足。

封装一个 Skill 只要 5 分钟，但让它产生真实业务价值是个问号。Skill 本质是把完备的数据、API 和 Prompt 的封装门槛下降了，但封装门槛下降了，封装垃圾也容易了。价值从来不在人人都可以包装 Skill 和 Agent 调用的能力上——价值在背后的数据是否 Ready、工具是否成熟、写 Prompt 的头脑是否清醒。

### 组织：个体提效与组织提效，有何不同？

个人生产力可以轻松扩张 50 倍，但企业的规模化提效隐晦不明。个体与组织提效是两个不同的赛道：

- 个体提效：效率红利可转化为员工幸福感，或转化为更多产出
- 组织提效：整个企业端到端的业务大闭环，需要把这两个赛道分开来看

### 人：AI 世界，真正稀缺的能力？

**基础回归**：语文 × 数学 = 超强理解和无损抽象

- **语文能力**：精准的阅读理解与表达——既能准确地将意图传递给 AI，又能敏锐地理解 AI 的输出
- **数学能力**：无损压缩的抽象能力——如何将复杂的业务意图压缩为精确、可执行的结构

**品味至上**：定义问题 × 驾驭 Agent

- 驾驭 Agent 团队：开源社区和业界高手持续推高 Agent 工具的能力天花板，普通团队直接借力
- 定义最左侧：左移定义问题的能力，把需求精准抽象表达出来，以及如何验证结果

「品味本质上，是人类对复杂世界的经验、抽象能力和责任感的结晶。AI 可以提升下限，但上限，永远靠人来定义。」

---

*资料来源：阿里云开发者公众号，基于 Anthropic 2026 Agentic Coding Trends Report 和蒋林泉在阿里云的 CIO 实践*