核心观点与关键数据
DevOps 能力核心模型： DORA 的研究基于其历经 10 年的研究成果所形成的 DevOps 能力核心模型，该模型包含四大关键指标：变更前置时间、部署频率、变更失败率和失败部署恢复时间，用于评估软件交付的效率和稳定性。
软件交付绩效： 研究发现，高绩效团队在四大关键指标上均表现优异，而表现较差的团队则相反。软件交付绩效可分为两个因素：软件交付吞吐量（变更前置时间、部署频率、失败部署恢复时间）和软件交付稳定性（变更失败率、返工率）。
绩效水平： 研究识别出四种软件交付绩效水平：精英、高、中、低。精英团队在所有指标上表现最佳，而低绩效团队表现最差。
AI 的应用与影响：
- AI 采用情况： 81% 的受访者表示其组织已将更多资源投入到 AI 的应用中，75.9% 的受访者在其日常职责中至少部分依赖 AI。
- AI 带来的绩效提升： 75% 的受访者表示因 AI 获得了生产力提升，AI 辅助工具在一定程度上提升了受访者的编程能力。
- AI 的深层次影响： AI 提升了个人的生产力、流动性和工作满意度，改善了代码质量、文档和审查流程，但可能减少了用于有价值工作的时间，并对软件交付稳定性和吞吐量产生负面影响。
- AI 与绩效的关系： 高绩效团队和组织在使用 AI，但产品收益不明显，可能需要时间才能显现 AI 的潜力。
研究结论与建议
- 持续改进： 团队应持续改进，利用 DORA 指标评估当前状态，找出需要投入和改进的领域，并建立反馈机制来监测进展。
- AI 采用策略： 领导者和组织应优先在支持员工的领域采用 AI，定义清晰的 AI 使命和政策，培养持续学习和 AI 实验的文化，并实施一个评估框架来关注 AI 如何帮助员工成长、惠及用户并释放团队潜力。
- 认识 AI 的利弊： 承认 AI 的潜在缺点，如减少用于有价值工作的时间、对 AI 的过度依赖、一个领域的收益导致另一领域的挑战，以及对软件交付稳定性和吞吐量的影响，通过识别风险并积极引导 AI 的应用，可以加速学习曲线，支持探索，并将所学转化为行动，形成真正的竞争优势。
