AI 原生研发组织

引言

这两年,AI 写代码的能力几乎每个季度都在刷新认知:从逐行补全,到在 IDE 里对话改代码,再到把一个 Issue 直接交给 coding agent,让它自己读代码、改代码、跑测试、提 PR。在不少场景里,一个熟练的工程师带着几个 AI agent,已经能完成过去一个小组才能完成的工作量。

但大多数团队的组织架构几乎没有变:前端组、后端组、测试组、产品组、UI 设计组各司其职,需求依然沿着“产品写 PRD → 设计出稿 → 前后端开发 → 测试 → 发布”这条流水线一站一站往下传。就算 AI 让写代码这一站快了十倍,整条流水线也快不了十倍,因为大部分时间本来就不是花在写代码上,而是花在等待、交接和对齐上。

我的观点很直接:在 AI 时代,前端、后端、测试、产品、UI 设计这种按职能划分的组织架构和分工,应该被彻底废弃。不是在原有架构上加一个“AI 小组”,也不是让每个职能各自用上 AI,而是从根上换一种组织方式,只保留三种角色:

  • Product Architect(产品架构师):保留架构师,但把职责从技术架构扩展为产品架构,负责定义整个产品统一的元数据和规则。
  • Module Owner(模块负责人):不再区分前端和后端,每个模块指定一位全能开发者作为 Owner,由他指挥 AI 完成这个模块的整体研发。
  • Intent Owner(意图负责人):取代传统的产品经理,只专注两件事:管理和确认需求,以及最终的使用和验收。

角色名我刻意先用英文来定义:一方面,这几个角色在业界还没有统一的中文叫法,英文名更不容易产生歧义;另一方面,这些名字会直接出现在给 AI agent 读的规则文件、代码仓库和工具配置里,用英文更统一。

下面依次讲清楚:为什么职能分工已经不合时宜,三种角色各自做什么,这个组织怎样像飞轮一样转起来,人员比例怎么配,原来的团队怎么转型,效率大概能提升多少倍,以及新组织更需要什么样的人。

一、为什么职能分工已经不合时宜

1. 分工的前提变了

前端、后端、测试、UI 设计这些岗位,本质上是按“执行技能”切分的。过去这样分是合理的:每一门技能都需要多年积累,一个人很难同时精通 React、数据库调优、自动化测试和视觉设计,于是我们用分工换深度,再用流程和会议把各个环节串起来。交接和沟通的成本,是为专业深度付出的代价。

AI 改变的恰恰是这个前提。写组件、写 SQL、写测试用例、调样式,这些“怎么做”的知识,大部分已经可以交给 AI agent,而且它对几乎所有主流技术栈都相当熟悉。执行技能不再稀缺,稀缺的变成了三样东西:

  1. 定规则:这个产品应该长什么样、用什么技术、按什么标准交付
  2. 定方向:下一步做什么,做到什么程度算完成
  3. 做判断:AI 交出来的东西对不对、好不好、能不能上线

组织架构应该围绕稀缺的东西来设计,而不是围绕已经不再稀缺的东西。

2. 交接成了整条链路的瓶颈

一个需求在传统团队里的典型旅程是这样的:产品写 PRD,开评审会;设计出交互稿和视觉稿,再开评审会;前后端拆任务、对接口,前端等后端的接口,后端等产品澄清细节;开发完提测,测试排队,发现问题再打回……真正写代码的时间,往往只占整个周期的一小部分。

这就是软件研发版的阿姆达尔定律(Amdahl’s law):系统整体能提速多少,受限于没有被加速的那部分。AI 把编码这一段压缩到了原来的几分之一,但只要交接、排队、对齐还在,交付周期就不会有数量级的变化。要让 AI 的提效真正变成交付速度,就必须消灭交接本身,而交接正是分工的直接产物。

3. 康威定律:组织长什么样,系统就长什么样

1968 年,Melvin Conway 提出了后来被称为康威定律(Conway’s law)的观察:设计系统的组织,产出的系统结构会复制这个组织的沟通结构。按前端、后端划分团队,系统自然就被切成前端层和后端层,层与层之间靠跨团队协商的接口连接,一个业务功能的改动,往往要横跨好几个团队。

在 AI 时代,我们更希望系统按业务模块纵向切分:一个模块从界面、接口到数据和测试,由一个人带着 AI 端到端负责。根据康威定律,想要这样的系统,就要先有这样的组织,这也就是业界常说的“逆康威操作”(Inverse Conway Maneuver)。

4. AI 需要统一的上下文,职能分工却制造碎片

AI agent 的输出质量,很大程度上取决于它拿到的上下文。可在职能分工的团队里,上下文是碎片化的:需求在产品的文档里,视觉规范在设计工具里,测试用例在测试管理平台里,发布规则在运维同事的脑子里。每个职能各管一套,彼此之间还经常对不上。

人还能靠开会对齐,AI 不能,AI 只认它能读到的东西。所以真正适合 AI 的组织,必须有人把这些分散的知识收拢成一份统一、明确、机器可读的“产品元数据”,这正是 Product Architect 要做的事情。

把传统分工和 AI 原生组织放在一起对比:

维度传统职能分工AI 原生组织
稀缺资源执行技能:写代码、做设计、写用例规则、方向和判断
切分方式按技能横向切:前端、后端、测试、设计按模块纵向切:一个 Owner 端到端负责
协作方式文档交接、评审会、提测排队共享产品元数据,AI 执行,人做决策和验收
知识载体分散在各职能的文档和个人经验里集中在产品元数据里,人和 AI 都能读
质量保证测试团队在最后把关规则前置,自动化关卡加人类测试

二、新组织:只留三种角色

从职能分工到三种角色

新组织只保留三种角色,外加在关键规则上拍板的更高层决策者:

角色中文核心职责主要产出人数
Product Architect产品架构师定义和维护产品元数据,划分模块产品元数据、模块划分少
Module Owner模块负责人全能开发,指挥 AI 完成模块的端到端研发并持续迭代可交付的模块、规则改进多
Intent Owner意图负责人管理和输入需求,确认需求,人类测试,最终验收与反馈需求、验收结论、针对性反馈多

这里没有前端和后端,没有专职测试,没有传统意义上的产品经理,也没有专职的 UI 设计。这些工作并没有消失,而是换了承载方式:执行交给 AI,规则沉淀进产品元数据,判断留给人。

需要强调的是:废除的是分工,不是人。后面会专门讲原来的每个职能可以转向哪个新角色。

三、Product Architect:从技术架构到产品架构

1. 职责扩展:定义产品元数据

传统的架构师主要负责技术架构:系统怎么分层、服务怎么拆、用什么中间件。在新组织里,架构师保留下来,但职责要扩展到整个产品,所以叫 Product Architect。它的核心产出,是一套统一的产品元数据(Product Metadata),也就是这个产品所有基础元素的定义:

产品元数据

元数据定义什么落地形式(举例)谁拍板
风格(Style)品牌调性、文案语气、术语表风格指南、术语表更高层决策者
视觉(Visual)色彩、字体、间距、图标、组件设计令牌(design tokens)、组件库Product Architect,品牌相关部分由决策者确认
体验(Experience)交互模式、导航结构、无障碍、性能预算、错误提示体验规范、性能预算Product Architect
主体技术栈(Tech Stack)语言、框架、数据库、云服务,以及选型理由技术决策记录(ADR)更高层决策者
CI 规则(CI Rules)必须通过的检查、分支策略、代码评审规则CI 流水线、分支保护Product Architect
环境规则(Environment Rules)开发、测试、预发、生产环境的定义,配置和密钥的管理基础设施即代码(IaC)、环境模板Product Architect
发布规则(Release Rules)发布节奏、灰度策略、回滚条件、变更审批发布流水线、发布手册更高层决策者
测试准入规则(Test Entry Rules)进入人类测试之前必须满足的条件质量门禁Product Architect
产品验收规则(Acceptance Rules)验收标准怎么写、谁来验收、什么算通过验收模板、完成定义(Definition of Done)Product Architect 与 Intent Owner 共同制定

表中由更高层决策者拍板的几项,同样由 Product Architect 起草方案。

2. 产品元数据的三个特点

第一,它主要是给 AI agent 用的。产品元数据不是一份放在 Wiki 上落灰的规范,而是以文件的形式放在代码仓库里,AI agent 每次干活都会读到。比如:

.
├── AGENTS.md                      # 所有 AI agent 的统一入口,指向下面的产品元数据
├── .github/
│   ├── copilot-instructions.md    # GitHub Copilot 的仓库级指令
│   ├── workflows/                 # CI 规则
│   └── skills/                    # 团队共享的 Skill
├── product/                       # 产品元数据
│   ├── style.md                   # 风格
│   ├── design-tokens.json         # 视觉
│   ├── experience.md              # 体验
│   ├── tech-stack.md              # 主体技术栈和选型理由
│   ├── environments.md            # 环境规则
│   ├── release.md                 # 发布规则
│   ├── test-entry.md              # 测试准入规则
│   └── acceptance.md              # 产品验收规则
└── modules/
    ├── account/AGENTS.md          # 模块级规则,由 Module Owner 维护
    └── search/AGENTS.md

AGENTS.md 是一个已经被很多 coding agent 支持的开放格式,子目录里的 AGENTS.md 会就近生效,正好用来放模块级规则;.github/copilot-instructions.md 是 GitHub Copilot 的仓库级自定义指令;Skill 则可以把一段可复用的能力封装起来,可以参考我之前写的AI 编程进入 Skill 时代。具体用哪种格式不重要,重要的是:规则以文件的形式存在,有版本,可评审,AI 每次都能读到。

第二,它必须让整个团队都了解。产品元数据虽然主要给 AI 读,但它定义的是整个产品的“宪法”。每个 Module Owner 和 Intent Owner 都要读得懂:Module Owner 指挥 AI 时要知道边界在哪里,Intent Owner 验收时要知道标准是什么。所以它要用自然语言写清楚,任何人都可以通过 Pull Request 提出修改,由 Product Architect 评审合入。

第三,它是分级决策的。大部分元数据由 Product Architect 定义,但其中一些关系到品牌、成本和风险的内容,比如风格、主体技术栈和发布规则,应该由更高层的决策者拍板。Product Architect 负责把选项、利弊和建议准备好,交给决策者决定,再把决定写进元数据。

3. 一个例子:测试准入规则

在传统团队里,测试准入通常是开发和测试之间的一份“提测标准”,执行得好不好全靠自觉。在新组织里,它变成一份 AI 和人都能读、机器能检查的规则:

# 测试准入规则(Test Entry Rules)

任何改动进入人类测试之前,必须全部满足:

- CI 全部通过:lint、类型检查、单元测试、构建
- 新增和修改的代码,单元测试覆盖率不低于 80%
- 每一条验收标准,至少对应一个自动化端到端用例
- 核心页面满足性能预算:LCP 小于 2.5 秒(移动网络模拟)
- 安全扫描没有高危问题,依赖没有已知的严重漏洞
- 改动说明写清楚:改了什么、怎么验证的、影响哪些模块

AI agent 在提交之前会按这份规则自查、自测、自修;CI 自动检查其中能自动检查的部分;剩下的,比如改动说明是否清楚,由 Module Owner 把关。测试的专业知识并没有消失,而是从“测试团队的经验”变成了“写进规则的标准”。

4. 划分模块,指定 Owner

除了产品元数据,Product Architect 还负责划分模块:按业务能力切分(比如账号、搜索、订单、支付),而不是按技术层切分;模块之间通过明确的接口契约协作。模块划好之后,再和管理者一起为每个模块指定一位 Owner。模块边界划得好不好,直接决定了 Module Owner 能不能独立地端到端交付。

四、Module Owner:全能开发者,指挥 AI 完成整个模块

按模块纵向切分

1. 不再有前端和后端

每个模块指定一位 Owner,对模块端到端负责:界面、接口、数据、测试、部署、监控,全部由他带着 AI 完成。没有“前端等后端接口”,也没有“这个 bug 到底归前端还是后端”的扯皮,因为从上到下都是同一个人。

这里说的“全能”,不是要求一个人像过去的专家那样手写每一层的代码,而是能看懂每一层,能判断 AI 的方案对不对,出了问题能一路定位到底层。深度的专业知识,一部分在 AI 那里,一部分沉淀在产品元数据和 Skill 里;Owner 需要的是广度、判断力和对模块的全局把控。

2. Owner 的日常工作

Module Owner 每天的工作,和过去写代码的工程师很不一样:

  • 拆解:把 Intent Owner 输入的需求和反馈,拆成 AI 可以执行的任务
  • 指挥:把任务交给不同的 AI agent,比如一个负责实现,一个负责写测试,一个负责评审
  • 评审:审查 AI 的方案和代码,做技术取舍,对质量负最终责任
  • 自测:交给 Intent Owner 验收之前,先以开发者的视角完整走一遍
  • 完善规则:发现 AI 反复犯同一类错误时,补充模块规则,或者向 Product Architect 提出修改产品元数据
  • 值守:模块上线之后出了问题,由 Owner 带着 AI 排查和修复

一句话:人不再是代码的生产者,而是 AI 的指挥者和质量的最终责任人。

3. 一个模块多大合适

模块的大小,取决于 Owner 带着 AI 能否以稳定的节奏持续交付,并且兜得住质量。模块太大,Owner 会成为瓶颈;模块太小,模块之间的协调成本又回来了。一个简单的判断标准是:Owner 能完整地说清楚这个模块的每一个功能和每一份数据。重要的模块可以再配一位备份 Owner,避免单点风险。

五、Intent Owner:管需求,做验收

1. 为什么要起一个新名字

传统的产品经理要做的事情非常多:市场调研、竞品分析、写 PRD、画原型、跟进度、协调资源、组织评审、分析数据……其中很大一部分,要么可以交给 AI,要么在新组织里根本不需要了:没有了职能之间的交接,也就不需要那么多协调。剩下的,恰恰是 AI 最难替代的两件事:

  1. 知道要什么:理解用户和业务,把模糊的想法变成清晰、可验收的需求
  2. 判断对不对:亲自去用产品,判断做出来的东西是不是真正想要的

所以我给这个角色起了一个新名字:Intent Owner(意图负责人)。在 AI 时代,人给出意图(intent),AI 负责执行。Intent Owner 对意图负责到底:从意图进入研发(需求),到意图被实现(验收),中间的执行交给 Module Owner 和 AI。如果还叫“产品经理”,大家会默认这个角色还要写 PRD、画原型、管项目;换一个名字,是为了把职责边界划清楚。

它和 Scrum 里的 Product Owner 有些相似,都对需求列表负责;不同的是,Intent Owner 把亲自使用和验收当作核心工作,而且完全不承担项目管理的职责。

2. 第一项工作:需求管理

Intent Owner 管理需求池,持续向各个模块输入需求。关键词是“确认”:需求进入开发之前,Intent Owner 要和 Module Owner 一起把意图确认清楚,尤其是验收标准,也就是“做到什么样算完成”。需求不需要写成几十页的 PRD,但验收标准必须具体、可检查,因为它会同时被 AI(生成测试用例)、Module Owner(自测)和 Intent Owner 自己(验收)使用。

一条好的需求大概是这样的:

## 需求:订单列表支持按状态筛选

意图:客服每天要处理大量“待退款”订单,现在只能逐页翻找,希望能快速筛出来。

验收标准:
1. 订单列表顶部新增状态筛选,可以多选,默认不筛选
2. 选择“待退款”后,只显示待退款的订单,翻页后筛选条件保持不变
3. 筛选条件体现在 URL 里,刷新页面或分享链接后条件不丢失
4. 订单数在 1 万条以内时,筛选结果在 1 秒内返回

3. 第二项工作:人类测试与最终验收

AI 交付的东西通过了自动化关卡和 Module Owner 的自测之后,进入人类测试阶段。Intent Owner 要像真实用户一样去使用,对照验收标准逐条判断,然后给出结论:通过,或者带着反馈打回。

反馈的质量直接决定迭代的速度。“感觉不太好用”这样的反馈,Module Owner 没法拿去指挥 AI 修复;好的反馈必须是针对性的:

## 反馈:订单状态筛选

- 对应验收标准:第 3 条
- 步骤:选择“待退款”,复制页面链接,在新窗口中打开
- 期望:新窗口里依然只显示待退款订单
- 实际:筛选条件丢失,显示了全部订单
- 截图:filter-lost.png

这样的反馈,Module Owner 几乎可以原样交给 AI 去复现和修复。

4. 为什么 Intent Owner 要多

当 AI 把“做出来”的成本降得很低,瓶颈就转移到了两头:想清楚做什么,以及判断做得对不对。一个 Intent Owner 能深入使用和判断的产品范围是有限的。Intent Owner 太少,Module Owner 和 AI 要么闲着等需求,要么在没人验收的情况下做出一堆没人要的功能。所以在新组织里,Intent Owner 的数量应该和 Module Owner 相当。

六、让组织转起来:需求、执行、验收、规则的飞轮

迭代飞轮

把三种角色放在一起,整个研发过程就是一个持续转动的飞轮:

  1. 输入:Intent Owner 输入新的需求(意图加验收标准),或者上一轮验收的反馈
  2. 执行:Module Owner 拆解任务,指挥 AI agent 在产品元数据的约束下完成开发和自动化测试
  3. 自动化关卡:按 CI 规则和测试准入规则自动检查,AI 自己发现问题、自己修复,直到全部通过
  4. 人类测试:Module Owner 先自测,再交给 Intent Owner 像真实用户一样使用和验收
  5. 反馈或发布:验收不通过,Intent Owner 给出针对性反馈,回到第 2 步;验收通过,按发布规则发布
  6. 完善规则:每一轮发现的问题都问一句“能不能变成规则?”能,就补进模块规则或产品元数据,让 AI 下次不再犯

在这个飞轮里,人只做三件事:定规则、给意图、做判断。其余的执行工作,全部交给 AI。

第 6 步是这个组织能够越转越快的关键。传统团队里,一个 bug 修完就结束了,同类问题下次换个地方还会出现;在新组织里,追求的是“修规则,而不只是修 bug”。规则越完善,AI 的产出越稳定,人类测试发现的问题越少,飞轮就转得越快。

七、人员比例:Product Architect 少,Module Owner 和 Intent Owner 多

三种角色的人数差别很大:

  • Product Architect 少:产品元数据是全产品共享的,一旦建立起来,后续的变化是渐进的,一个产品通常一到两位 Product Architect 就够了。大型产品可以按领域分工,比如一位偏体验和视觉,一位偏工程和交付,但总数依然要少,因为元数据只能有一个统一的出口。
  • Module Owner 多:模块的数量决定了 Module Owner 的数量,他们是执行的主力。
  • Intent Owner 也多:瓶颈已经转移到了需求和验收,Intent Owner 的数量应该和 Module Owner 相当。

以一个 12 人的团队为例,传统配置可能是 2 个产品经理、1 个 UI 设计师、2 个测试、3 个前端和 4 个后端。按新组织来配,可以是 1 位 Product Architect、6 位 Module Owner 和 5 位 Intent Owner,大约是 1 : 6 : 5:

同样 12 个人,新的角色

这个比例不是固定的公式,但方向是确定的:Product Architect 是少数,Module Owner 和 Intent Owner 是多数,而且两者的数量大致相当。

八、原来的角色去哪了

原来的职能新角色说明
架构师Product Architect从技术架构扩展到产品架构,负责全部产品元数据
前端、后端工程师Module Owner借助 AI 补齐另一侧的能力,从“我负责前端”变成“我负责这个模块”
测试工程师Intent Owner 或 Module Owner擅长从用户视角发现问题的,适合做 Intent Owner;擅长自动化和工程的,适合做 Module Owner;测试方法论写进测试准入规则
产品经理Intent Owner放下 PRD、原型和项目管理,专注需求和验收;擅长产品体系设计的,也可以成为 Product Architect
UI 设计师Product Architect 或 Intent Owner视觉和体验规范进入产品元数据,资深设计师可以成为偏体验方向的 Product Architect;对体验敏感的设计师,也是很好的 Intent Owner

上面 12 人的例子里,一种可能的转型路径是:2 个产品经理、2 个测试和 1 个 UI 设计师转为 5 位 Intent Owner;7 个前端和后端工程师里,1 位资深工程师成为 Product Architect,其余 6 位成为 Module Owner。

无论走哪条路,转型都意味着能力的扩展:前端要懂后端,后端要懂界面,测试要懂产品,产品要懂验收,所有人都要学会和 AI 协作、学会写规则。

九、效率能提升多少倍?一个粗略的估算

先说明:下面是基于假设的模型估算,不是实测数据。我把每一个假设都列了出来,你可以换成自己团队的数字重新算一遍。

1. 先看研究:只加 AI 工具,组织效率不会自动提升

关于 AI 能让研发提效多少,公开研究的结论并不一致:

  • 个体层面:2023 年发表的一项 GitHub Copilot 对照实验,让开发者用 JavaScript 实现一个 HTTP 服务器,能使用 Copilot 的一组比对照组快了 55.8%。
  • 真实项目:METR 在 2025 年上半年对资深开源开发者做了随机对照实验,在他们自己维护的大型代码库里,使用当时的 AI 工具反而让任务多花了 19% 的时间。2026 年初的后续数据开始出现提速的迹象,但置信区间仍然包含零;而且越来越多的开发者因为不愿意离开 AI 工作而不再参加实验,研究者自己也认为这只是很弱的证据。
  • 组织层面:DORA 2024 年的报告发现,AI 的采用提升了个人的生产力、心流和工作满意度,却对软件交付的吞吐和稳定性有负面影响。DORA 2025 年的报告说得更直接:AI 的主要作用是放大器,放大组织已有的长处和短处,AI 投资的最大回报不来自工具本身,而来自对底层组织系统的改造。

这和第一节的分析是一致的:只给每个人加上 AI 工具,加速的只是“干活”的那一段,等待、交接和对齐一点都没有少。

2. 估算方法

用两个指标来衡量效率:

  • 交付周期:一个需求从提出到上线的日历时间,衡量“快不快”
  • 人均产出:同样的人每月能交付多少需求,用每个需求消耗的人天来折算,衡量“多不多”

估算里最关键、也最不确定的参数,是 AI 执行倍数 s:设计、开发、测试这些执行工作交给 AI 之后,人在其中投入的时间缩短为原来的几分之一。它取决于 AI 的能力、产品元数据的完善程度和代码库的状况,所以分三档:保守 s = 2,中性 s = 4,乐观 s = 6。

3. 算一笔账:一个中等需求

以一个中等需求为例,比如“订单退款流程”:涉及几个页面、几个接口和一次数据表变更,在传统组织里,产品、设计、前后端和测试都要参与。下表对比它在两种组织里的交付周期和投入人力(新组织按中性假设):

环节传统组织新组织(中性)变化的原因
需求写 PRD、评审:3 天,其中等待 1 天确认意图和验收标准:1 天不写长篇 PRD,Intent Owner 和 Module Owner 当面确认
设计交互稿、视觉稿、评审:3 天,其中等待 1 天并入 AI 执行视觉和体验由产品元数据定义,界面由 AI 按规范生成
排期等待开发排期:2 天无Module Owner 直接从需求池里拉取
开发和测试前后端开发、联调:5 天;提测排队、测试:3 天,其中等待 1 天AI 执行(设计、开发、自动化测试、关卡):2.5 天执行交给 AI,测试按准入规则自动完成,也没有了前后端联调
验收和修复修复、回归和产品验收:2 天,其中等待 0.5 天人类测试与验收:1 天;反馈修复:1 天反馈直接交给 Module Owner,由 AI 修复
发布等待发布窗口:2 天按发布规则发布:0.5 天持续发布,不用等发布窗口
交付周期20 天6 天约 3.3 倍
投入人力20 人天:产品 3、设计 2、前端 4、后端 5、测试 4、评审和沟通 27 人天:Intent Owner 2、Module Owner 4、Product Architect 分摊 0.5、沟通 0.5约 2.9 倍

传统组织的 20 天里,真正写代码的只有 5 天,纯等待(等评审、等排期、提测排队、等回归、等发布窗口)就有 7.5 天。新组织的提速主要来自三个方面:等待和交接基本消失;设计、开发、测试这些执行工作交给 AI;验收和反馈的回路变短,Intent Owner 发现问题,Module Owner 当天就能指挥 AI 修复。

4. 对照:只加 AI 工具,不改组织

假设 AI 的能力完全一样(同样是 s = 4),但组织不变,各个职能各自用 AI 干活:实际工作时间从 12.5 天缩短到约 5.5 天,可那 7.5 天的等待一天都没少,交付周期约 13 天,只快了约 1.5 倍。每个需求的人力在纸面上能降到约 10 人天,但各职能的人数是固定的,开发提速之后,瓶颈很快转移到人数没变的产品和测试身上,实际的吞吐提升还要打折扣。

一个中等需求的交付周期

5. 结果:中性情况下约 3 倍

方案交付周期提速每个需求的人力人均产出
传统组织(基线)20 天1 倍20 人天1 倍
传统组织 + AI 工具(s = 4)约 13 天约 1.5 倍约 10 人天纸面约 2 倍,实际受瓶颈限制
新组织,保守(s = 2)10 天2 倍11.5 人天约 1.7 倍
新组织,中性(s = 4)6 天约 3.3 倍7 人天约 2.9 倍
新组织,乐观(s = 6)3.5 天约 5.7 倍5 人天4 倍

保守和乐观两档的算法和中性一样,只是 s 不同,人类环节的耗时(确认需求、验收、反馈修复的轮次)也相应地多一些或少一些。

所以我的结论是:按中性假设,新组织能把交付周期缩短到原来的三分之一左右,人均产出提升到约 3 倍。保守情况下,交付周期也能缩短一半,人均产出约 1.7 倍;乐观情况下,交付速度能提升 5 倍以上,人均产出约 4 倍。换成 12 人团队的语言:按每人每月 20 个工作日、全部投入需求开发粗算,原来每月大约交付 12 个中等需求,新组织在中性情况下可以交付 30 个以上。

6. 两个值得注意的结论

第一,人类环节决定了效率的上限。s 越大,Module Owner 投入的人天越少,但确认意图、人类测试和验收、规则维护和沟通这些人类环节,不会随着 AI 变强而消失。按中性假设,这部分每个需求约 3 人天,人均产出的理论上限约为 20 ÷ 3 ≈ 6.7 倍。这又是一次阿姆达尔定律:AI 越强,瓶颈越集中在人的判断上,所以要持续提升需求确认和验收的效率,比如把验收标准写得更具体、更可检查,把能自动化的验收步骤都交给端到端测试。

第二,人员配比要跟着工作量调整。按中性假设,每个需求 Module Owner 约 4 人天、Intent Owner 约 2 人天,12 人团队比较均衡的配比约为 1 : 7 : 4;AI 越强,Module Owner 的人天越少,Intent Owner 的占比就越高,配比会逐渐向第七节的 1 : 6 : 5 移动。配比不对,瓶颈角色就会卡住吞吐:如果 Intent Owner 还是只有原来产品经理那 2 个人,每人每月 20 个工作日、每个需求 2 人天,那么不管 AI 多强,每月最多也只能验收 20 个需求。

7. 前提和风险

这个估算成立,有几个前提:

  • 产品元数据足够完善:规则越完整,AI 的产出越稳定,s 越大;规则缺失时,AI 会反复犯同样的错,s 会掉到保守档甚至更低
  • 模块边界清晰:模块之间耦合严重时,Module Owner 之间的协调成本又会回来
  • Intent Owner 能给出可检查的验收标准:模糊的需求会让反馈修复的轮次成倍增加
  • 接受一段爬坡期:写规则、学会指挥 AI、补齐全栈能力都需要时间,转型初期的效率可能不升反降

最后,提效倍数一定要用自己的数据来验证:在试点模块上记录交付周期、每个需求的人天、验收一次通过率和返工次数,和转型前对比,而不是凭感觉。METR 的研究也提醒过,开发者对 AI 提效的自我感觉往往并不可靠。

十、新组织更需要什么样的人

上一节的估算有一个结论:AI 越强,效率的瓶颈越集中在人的判断上。所以在新组织里,最有价值的不再是“精通某个框架”,而是判断力、广度和表达。具体来说,新组织更需要下面几类员工:

新组织更需要的人

更需要的人为什么最能发挥作用的角色
懂业务的资深员工AI 不懂你的业务,“做得对不对”要靠业务经验来判断Intent Owner、Product Architect
综合能力强的员工一个人对一个模块端到端负责,从理解需求、技术决策到质量和上线Module Owner
技术面广的员工要看懂每一层,判断 AI 的方案是否合理,出了问题能一路定位Module Owner、Product Architect
沟通表达能力强的员工给 AI 的指令、给人的需求和反馈、写进元数据的规则,本质上都是表达所有角色,尤其是 Intent Owner

1. 懂业务的资深员工

AI 能写出几乎任何代码,却不知道你的客户为什么总在月底集中申请退款,也不知道某条规则背后曾经有过一次严重的事故。这些业务知识,恰恰是确认需求、验收结果和制定规则最需要的东西。

这里的“资深”,指的是真正懂业务,而不是工龄长。懂业务的资深员工,不管原来是产品、开发还是测试,都很适合做 Intent Owner;其中对产品全局理解最深的人,可以成为 Product Architect,把经验写进产品元数据,让 AI 和整个团队都能用上。

2. 综合能力强的员工

Module Owner 不再只是“写好自己那一层”,而是对一个模块的结果负责:和 Intent Owner 一起确认意图,拆解任务,指挥多个 AI agent,评审方案,把控质量,处理线上问题。这需要的是综合能力:理解需求、做技术决策、组织工作、对结果负责。只擅长单一环节、习惯等别人交接的人,在新组织里会很吃力。

3. 技术面广的员工

全能开发者靠的是技术广度。前端、后端、数据库、测试、部署、监控,每一层都要看得懂,才能判断 AI 的方案是否合理,才能在出问题时一路定位到底层。技术深度依然有价值,但在新组织里,深度更多沉淀在规则和 Skill 里,被所有人和所有 AI 共享;而广度,决定了一个人能独立负责多大的模块。

4. 沟通表达能力强的员工

在 AI 时代,表达能力就是生产力。Module Owner 给 AI 的指令,Intent Owner 写的需求、验收标准和反馈,Product Architect 写进产品元数据的规则,本质上都是表达:说得越清楚,AI 执行得越准,返工越少。

同时,新组织去掉了层层交接,人和人之间的协作变成了直接对话。Intent Owner 和 Module Owner 能不能快速对齐意图,Product Architect 能不能把规则讲到所有人都理解,直接决定了飞轮转得有多快。

5. 不是不要初级岗位,更重要的是学习成长能力

这并不意味着新组织不要初级员工。如果一个团队只招资深员工,几年之后就没有人能成长为新的资深员工。变化在于对人的要求:会不会某个具体的框架没那么重要,更重要的是学习成长能力。这一点对所有人都一样,原因有三个:

  1. AI 和工具变化太快:今天的最佳实践,几个月后可能就过时了,资深员工也必须持续学习;而初级员工的优势,恰恰是学得快、包袱少。
  2. 新组织的成长条件更好:产品元数据把团队的经验写成了规则,新人读规则就能快速理解产品的标准;AI 是随身的导师,不懂的技术随时可以让它解释、对比方案。
  3. 成长路径更清晰:初级员工可以先做资深 Module Owner 的备份 Owner,从评审、自测和补充规则做起,再逐步独立负责一个小模块;也可以从一个小业务范围的 Intent Owner 做起,在验收中积累业务经验。

需要警惕的是,初级员工很容易变成“只会让 AI 干活,自己却不理解”。所以衡量初级员工的成长,不看产出了多少代码,而看他能不能讲清楚 AI 为什么这样做、做得对不对、有没有更好的方案。能讲清楚,才算真正学会了。

落到招聘和培养上,标准也要跟着变:少问“会不会某个框架”,多看业务理解、技术广度、表达能力和学习速度。比如面试时给候选人一个陌生的业务场景,看他能不能很快问出关键问题、讲清楚自己的方案,并且指挥 AI 做出一个可用的原型。

十一、几个常见的质疑

1. 一个人真的能“全能”吗?

不需要每一层都是专家。有了 AI 的帮助,一个有经验的工程师补齐另一侧的能力,比过去容易得多。真正需要深度的地方,比如数据库性能和复杂的交互动效,可以把专家的经验写成规则和 Skill,让所有 Owner 的 AI 都能用上,而不是让专家在每个需求里亲自出手。

2. 没有测试团队,质量谁来保证?

质量本来就不应该只靠最后一道关卡。新组织把质量拆成了三层:测试准入规则定义标准,AI 和 CI 自动执行,人类测试负责最后的判断。测试团队的专业能力没有被丢掉,而是被写进了规则,并且在每一次改动上都会执行,而不只是在提测的时候。

3. 没有 UI 设计师,产品会不会变丑?

不会,反而可能更一致。传统团队里,视觉不一致往往来自设计稿和实现之间太多的手工转换。在新组织里,视觉和体验是第一等的产品元数据,设计令牌和组件库一次定义、处处生效,AI 生成的每一个界面都遵循同一套规范。设计能力集中用在定标准上,而不是一张一张地出稿。

4. Product Architect 会不会成为新的瓶颈?

产品元数据的变化频率远低于需求,大部分时候 Product Architect 是在评审别人提出的规则修改,而不是事事亲为。任何人都可以提出修改,Product Architect 负责保证整体一致。产品规模大了,可以有两三位 Product Architect 按领域分工,但不应该再长出一个“架构部”。

十二、怎么开始转型

不需要一次性重组整个部门,可以按下面的顺序推进:

  1. 先写产品元数据:把散落在 Wiki、文档和个人脑子里的规则整理出来,以文件的形式放进仓库。可以从技术栈、CI 规则、测试准入规则和验收规则开始,这几项最容易立刻见效。
  2. 选一个模块试点:挑一个边界清晰的模块,指定一位 Module Owner 和一位 Intent Owner,按飞轮跑两到四周,记录交付周期、每个需求的人天和返工次数,用第九节的方法和转型前对比。
  3. 调整考核方式:不再按职能考核(写了多少代码、测了多少用例),而是按模块的交付结果和验收质量考核;Product Architect 则看规则的质量和 AI 产出的稳定性。
  4. 调整招聘和培养:按第十节的标准招人和培养人,给初级员工安排从备份 Owner 到独立 Owner 的成长路径。
  5. 逐步拆掉职能团队:试点跑通之后,按模块重新组队,原来的职能团队逐步解散。
  6. 每周复盘规则:固定时间回顾一周的反馈,把能沉淀的问题沉淀成规则。

结语

职能分工是为“执行能力稀缺”的时代设计的。今天,执行能力正在变得像水电一样随取随用,真正稀缺的是规则、方向和判断。组织架构也应该围绕这三样东西重建:

  • Product Architect 定规则,让 AI 和人都知道这个产品应该是什么样;
  • Module Owner 带着 AI 端到端地把模块做出来,并不断完善规则;
  • Intent Owner 给出意图、亲自验收,让产品始终朝着用户真正需要的方向走。

按第九节的估算,在中性假设下,这样的组织能把交付周期缩短到原来的三分之一左右,人均产出提升到约 3 倍;AI 越强,倍数越高,上限取决于人类判断环节的效率。

而让这个组织真正转起来的,是懂业务、综合能力强、技术面广、善于沟通表达,并且能持续学习成长的人。

工具已经变了,组织也该变了。

参考资料