AI 原生开放教材

外观

Vibe Vibe —— 人人都能学会的 AI 编程（Vibe Coding）指南课时教程·中文原文 ↗原件 ↓仓库 ↗

案例研究：将 AI 集成到工程中 ​

为了将我们的讨论建立在现实世界的成果上，让我们研究几个领先的技术组织如何成功地将生成式 AI 集成到他们的工程实践中。这些来自 2024 年和 2025 年的案例研究说明了 AI 辅助开发前沿团队的好处、方法和吸取的教训。作为高管或技术领导者，你可以将这些案例与你自己的背景进行比较，并为你的策略收集想法。

1. GitHub & Microsoft - 软件团队中的大规模 AI ​

背景： GitHub（及其母公司 Microsoft）一直处于在软件工程中使用 AI 的前沿，不仅作为产品（Copilot），而且在内部用于他们自己的开发工作流程。在 2023 年底和 2024 年，Microsoft 为数千名自己的开发者启用了 Copilot 并研究了效果。

他们做了什么： 在多个工程团队（研究组中有超过 4,000 名开发者）中推出 GitHub Copilot，并在数月内跟踪生产力和质量指标（新研究揭示 AI 编码助手将开发者生产力提高 26%：IT 领导者需要知道什么 - IT Revolution）。他们还为开发者提供了关于如何充分利用 Copilot 的培训，并鼓励将其用于各种任务（代码、文档、测试）。

结果： 这项 2024 年发布的大规模研究发现，使用 AI 辅助的开发者完成的任务平均增加了 26%。使用 Copilot 的开发者还更快地编写代码（平均每周代码提交增加 13.5%），并更频繁地迭代（构建/编译增加了约 38%）（新研究揭示 AI 编码助手将开发者生产力提高 26%：IT 领导者需要知道什么 - IT Revolution）。重要的是，他们观察到代码质量没有下降——如果有的话，一些团队报告改进了代码审查结果，因为 AI 处理了更简单的代码，人类专注于改进。另一个有趣的发现是初级开发者受益最多：经验较少的开发者看到了高达 35-40% 的生产力提升，缩小了与高级开发者的差距。这使一些初级工程师能够承担比他们原本能够承担的更复杂的任务。高级开发者仍然受益（约 10-15% 的收益），主要是通过卸载样板代码并专注于关键代码。

挑战和解决方案： 采用不是即时的——只有约 70% 的开发者坚持一致地使用 AI 助手。一些人最初持怀疑态度或有需要改变的习惯。Microsoft 通过内部倡导来解决这个问题——分享成功故事，并将 Copilot 更深入地集成到内部工具中以使其无缝。另一个挑战是管理期望：一些经理认为生产力可能会翻倍，但事实并非如此——所以 Microsoft 使用数据来设定现实的目标（即，两位数的百分比改进已经是一个巨大的胜利）。他们还完善了编码指南以纳入 AI（例如，AI 建议的代码必须至少经过一次人工审查并通过所有测试才能合并的政策）。随着时间的推移，Copilot 成为工具链的自然组成部分，以至于一些团队说他们永远不想回去。Microsoft 的案例表明，通过高管支持、测量和文化变革，AI 可以在甚至非常大的工程组织中扩展，产生显著的效率提升。

2. Bancolombia - 提高金融机构的生产力 ​

背景： Bancolombia 是拉丁美洲最大的银行之一。人们可能不会期望银行的 IT 部门成为 AI 编码工具的早期采用者，但在 2024 年，Bancolombia 大胆地采取行动，用生成式 AI 赋能其开发者。他们采用了 GitHub Copilot 来帮助维护和构建银行应用的大型开发者团队。

他们做了什么： 他们向开发团队提供了 Copilot（由于银行数据需要必要的合规性检查），并鼓励其使用，特别是用于编写重复代码（如数据库访问层、合规性报告等）。他们还将其集成到他们的 CI/CD 中，以协助某些自动化代码更改。

结果： 该银行报告了一些令人印象深刻的指标——代码生成输出增加了 30%（现实世界的企业如何用 AI 进行转型——超过 140 个新故事 - The Official Microsoft Blog）。这意味着开发者为新功能和更改生成代码的速度比以前快了大约三分之一。这转化为切实的业务成果：Bancolombia 的团队将自动化应用更改的数量增加到每年 18,000 次（对于银行来说是大量的更新），每天约有 42 次生产部署。本质上，Copilot 帮助他们更快地迭代，同时保持他们对可靠性的严格标准（这在金融领域是必须的）。这不仅仅是关于速度；它还提高了开发者的幸福感，因为他们可以更多地专注于逻辑，而更少地专注于样板代码。一位首席工程师评论说，创建新服务端点或编写单元测试等任务曾经很乏味，现在有了 AI 处理繁重工作，变得更加顺畅。

挑战和解决方案： 作为一家银行，数据隐私是一个主要问题。他们小心翼翼地不向 AI 暴露任何客户数据或专有算法。他们配置 Copilot 在隔离环境中运行，并且仅在被认为不敏感的代码上运行（对于敏感代码，他们依赖内部工具）。他们还在采用之前进行了广泛的评估，以确保 Copilot 的建议是准确的，并且不会引入安全问题。有趣的是，他们发现 AI 有时建议的代码与他们的内部最佳实践不一致，所以他们创建了一个"Copilot 风格指南"——一组他们的开发者可以使用的注释和提示，以使 AI 偏向他们的模式（例如，他们的日志记录或错误处理标准）。这种变通方法有助于使 AI 输出与他们的期望保持一致。Bancolombia 的成功表明，即使在受到严格监管、注重安全的行业中，如果谨慎行事，也可以利用 AI 来提高生产力。关键是从不太关键的代码开始并证明价值，然后在建立信任后扩大使用。

3. LambdaTest - 加速开发周期 ​

背景： LambdaTest 是一个基于云的软件测试平台（初创公司规模）。在 2024 年，为了加速在其平台中交付新功能，LambdaTest 将 AI 辅助集成到他们的开发工作流程中。

他们做了什么： 他们向所有工程师推出了 GitHub Copilot，并使其成为他们内部开发者赋能计划的一部分。他们特别鼓励在编写单元和集成测试（因为他们的产品是关于测试的，他们有很多测试代码要维护）以及生成连接到众多浏览器 API 的代码时使用它。

结果： 在几个月内，他们观察到某些版本的开发时间减少了 30%（现实世界的企业如何用 AI 进行转型——超过 140 个新故事 - The Official Microsoft Blog）。这是通过查看从设计到部署功能所需的时间来衡量的——通常可能需要十天的任务现在平均在七天内完成。代码质量和测试覆盖率也有所提高；Copilot 经常建议开发者然后批准并包含的额外测试用例。最大的胜利之一是在入职新开发者方面：新员工可以在第一天就在 Copilot 的帮助下开始贡献有意义的代码，而以前设置开发环境和理解代码库需要一段时间。事实上，他们的内部指标显示，新工程师比以前提前约 1-2 周达到完全生产力，这对于快速发展的初创公司来说是巨大的。

挑战和解决方案： LambdaTest 的工程师最初面临 AI 建议有时对他们的上下文是错误的问题——例如，建议过时的方法或不适合他们架构的方法。为了解决这个问题，他们建立了一个轻量级的**"Copilot 反馈"循环**：他们在 Slack 中创建了一个频道，开发者会发布任何奇怪或不正确的建议以及他们如何找出正确解决方案的。这有助于训练每个人的直觉，知道在哪里要小心。他们甚至向 GitHub 报告了其中一些作为反馈以改进产品。另一个挑战是让每个人都参与进来；一些高级工程师持怀疑态度，认为这可能会降低代码质量。在大量使用 Copilot 的第一个项目成功交付后，这些怀疑者成为了倡导者——看到了更快的周转时间，并且在错误方面天没有塌下来。LambdaTest 的案例突出了中小型公司如何通过将 AI 集成到他们的敏捷流程中快速受益，以及它如何成为他们为客户交付速度的差异化因素。

4. Infosys - 使用 AI 的企业软件工程 ​

背景： Infosys 是一家全球 IT 服务和咨询公司，有数千名开发者为客户从事项目工作。他们启动了一项使用生成式 AI（包括 Copilot 和他们自己的 AI 解决方案）来改进项目交付的计划。

他们做了什么： Infosys 建立了一个集中式 AI 平台，并向其许多工程师提供了 GitHub Copilot。他们还开发了使用 AI 执行任务的手册，如代码迁移（例如，帮助使用 AI 建议将代码从旧语言移动到新框架）和代码审查（AI 辅助的代码审查评论）。

结果： Infosys 报告说，对于一个试点项目，使用 Copilot 帮助他们显著加速了新功能的开发，甚至与传统方法相比提高了代码质量（现实世界的企业如何用 AI 进行转型——超过 140 个新故事 - The Official Microsoft Blog）。具体来说，一个估计需要 4 周的功能在 3 周内交付，代码通过质量门（如静态分析和同行审查）时需要的更改更少。客户对交付不仅更快而且最终结果缺陷更少印象深刻。Infosys 将此归因于 AI 提供了第二双眼睛——Copilot 经常建议添加开发者在第一遍时可能不会编写的错误处理或输入验证，有效地使代码更健壮。在多个项目中，他们平均看到开发时间减少了 20%，代码一致性显著提高（因为 AI 会在模块之间生成类似的代码模式，看起来像一个人写的，即使多人协作）。

挑战和解决方案： 外包/背景下的一个挑战是知识捕获。通常，大量的领域知识存在于高级工程师的脑海中。Infosys 开始探索使用 AI 来捕获和转移这些知识。例如，他们使用生成式 AI 从代码创建文档，甚至基于过去的项目工件生成问答。这不是直接的编码任务，但它有助于让新团队成员快速了解项目。挑战是确保 AI 的输出是正确的并针对每个项目的上下文进行定制。他们通过让人类参与其中来解决这个问题——将 AI 输出视为草稿，然后由技术作家或负责人批准。另一个挑战是规模：有这么多工程师，并不是每个人最初都参与进来。Infosys 通过内部传播来解决这个问题——他们的"AI 委员会"强调成功故事（如上述故事），并为采用 AI 的团队提供激励（例如，项目交付中最佳使用 AI 的内部奖励）。这种内部竞争精神激励了更多团队尝试。现在，AI 正在成为 Infosys 工程方法论的标准部分，他们甚至向客户推销这一点，作为"AI 增强开发"，使他们在速度和质量方面具有优势。

这些案例研究提供了一系列场景：从大型科技公司到银行到初创公司到 IT 服务，都在寻找在软件工程中利用生成式 AI 的方法。出现了几个共同的主题：

  • 在许多情况下生产力提升 20-30%，开发周期更快，有时质量更好。

  • 监督和迭代的重要性： 所有这些组织都投入了一些努力来监控 AI 输出、调整流程并学习如何最好地使用工具（这不是自动魔法）。

  • 人才和士气好处： 在几个案例中，使用 AI 使开发者更快乐（做更少的乏味工作），并帮助初级开发者更快地提升，这对人才发展很好。

  • 政策和安全考虑的需要： 特别是在 Bancolombia 和 Infosys 等案例中，为隐私和正确性设置正确的护栏对于启用 AI 使用至关重要。

作为工程领导者，你可以查看这些案例并评估你的团队可能在哪里看到类似的胜利。也许从有很多重复编码的项目的试点开始，或者使用 AI 清理次要错误的积压。确保像这些公司一样衡量结果，这样你就有数据来支持更广泛的推广。并准备好适应——每个团队的文化和产品都不同，但上述经验表明，通过正确的方法，AI 集成可以在软件交付中产生可观的回报。

建立治理框架 ​

鉴于上述伦理考虑，拥有一个治理框架来指导 AI 在你的工程组织中的使用至关重要。以下是如何建立一个的方法：

1. 制定 AI 使用政策： 创建一份书面政策，概述 AI 工具在你的团队中如何使用。这应该涵盖：

  • 批准的工具： 列出哪些 AI 工具/服务被批准使用（例如，"GitHub Copilot for Business 已批准；ChatGPT 免费版不适用于代码"）。

  • 数据处理指南： 明确说明哪些数据可以或不可以通过 AI 工具运行（例如，"不要将生产数据库凭据或客户 PII 输入 AI 提示"）。

  • 代码审查要求： 规定 AI 生成的代码必须经过与人类编写的代码相同（或更严格）的审查。

  • 归属和透明度： 如果适用，要求开发者注明 AI 何时被大量使用（例如，在提交消息中或在代码注释中）。

  • 合规性和法律： 参考任何相关的法律要求（GDPR、HIPAA 等）以及 AI 使用如何符合这些要求。

让这个政策易于访问（例如，在你的内部 wiki 或入职文档中），并定期更新它，因为 AI 格局在变化。

2. 建立 AI 治理委员会或角色： 根据你的组织规模，指定一个团队或个人来监督 AI 采用。这可能是一个跨职能委员会（包括工程、法律、安全、伦理方面的代表），或者只是一个技术负责人，他承担确保负责任的 AI 使用的额外责任。这个小组的角色包括：

  • 评估新的 AI 工具并批准它们的使用。
  • 监控 AI 使用的合规性（例如，通过审计或调查）。
  • 解决出现的任何伦理困境或事件（例如，如果发现 AI 生成的代码中存在偏见）。
  • 随着 AI 技术和法规的发展，更新政策。

拥有一个明确的治理结构可以防止 AI 使用变成"狂野西部"，每个团队都在做自己的事情。

3. 培训和意识： 确保所有工程师（以及相关的利益相关者，如产品经理、QA）都接受过关于 AI 伦理和你的政策的培训。这可以是入职培训的一部分，也可以是年度进修。涵盖的主题包括如何识别 AI 输出中的潜在问题、数据隐私的重要性以及如果他们不确定某事该怎么办（例如，"如果你不确定是否可以将某些代码输入 AI，请询问你的技术负责人"）。培养一种文化，在这种文化中，提出伦理问题是受欢迎的，而不是被视为放慢速度。

4. 实施技术保障措施： 在可能的情况下，使用技术来执行政策。例如：

  • 访问控制： 只允许访问经批准的 AI 工具（通过企业许可证或网络策略阻止未经批准的服务）。
  • 日志记录和审计： 如果你使用企业 AI 工具，启用日志记录以跟踪使用情况。定期审查这些日志以确保合规性。
  • 自动化检查： 在你的 CI/CD 管道中集成检查，扫描常见问题（例如，硬编码的秘密、许可证违规、已知的易受攻击的代码模式）。虽然这些不是 AI 特定的，但它们可以捕获 AI 可能引入的问题。
  • 沙盒环境： 为实验提供沙盒或开发环境，开发者可以在其中自由使用 AI，而不会有暴露敏感数据的风险。这鼓励创新，同时保持生产安全。

5. 定期审查和改进： AI 技术发展迅速，你对它的使用也应该如此。安排定期审查（例如，每季度）你的 AI 治理实践。询问：我们的政策是否仍然相关？我们是否遇到了任何问题？团队是否遵守指南？从这些审查中学习并进行调整。还要关注外部发展——新的法规（例如，欧盟的 AI 法案）或行业标准可能会影响你应该如何使用 AI。

6. 鼓励伦理文化： 最后，治理不仅仅是规则和检查清单——它是关于培养一种伦理文化。领导者应该以身作则，展示深思熟虑的 AI 使用。庆祝那些发现并修复 AI 相关问题的团队成员（例如，捕获有偏见的算法或阻止数据泄露）。让伦理成为对话的一部分：在设计审查或回顾中，包括"我们是否以符合伦理的方式使用 AI？"作为一个讨论点。随着时间的推移，这成为团队 DNA 的一部分。

总之，伦理和治理不是 AI 采用的障碍——它们是使其可持续和值得信赖的推动者。 通过主动解决隐私、偏见、问责制和合规性，你可以保护你的组织免受风险，并确保你的 AI 使用与你的价值观保持一致。这不仅在法律上是明智的，而且在声誉上也是明智的：以负责任地使用 AI 而闻名的公司将赢得客户、合作伙伴和顶尖人才的信任。作为工程领导者，你有机会塑造 AI 在你的团队中的使用方式——明智地使用这种影响力，你将为长期成功奠定基础。