DORA 研究背景與 2025 年調查數據
DORA（DevOps Research and Assessment）是 Google Cloud 旗下已運作超過十年的研究計畫，原本是縮寫，如今團隊已不再把它當成縮寫使用，標語則是「get better at getting better」，意思是讓團隊更擅長變好。DORA 團隊負責人 Nathen Harvey 在收錄於 InfoQ 的 QCon London 演講中，整理 2025 年最新調查結果，說明 AI 在軟體交付中扮演什麼角色，以及工程領導者為何必須重新檢視程式碼審查這類既有瓶頸。
2025 年的全球調查於 6 月 13 日至 7 月 21 日進行，近 5,000 人參與，並輔以訪談形式的質性研究，用來補足問卷資料看不到的實際情境。數據顯示，90% 受訪者表示自己在工作中使用 AI；約 35% 說對 AI 依賴很少或完全不依賴，其餘多數則在特定任務上依賴 AI。受訪者回想近期工作日與 AI 互動的時數，中位數約為兩小時。多數人認為個人生產力提升、更投入工作、花在價值性工作的時間變多，約 5% 認為生產力反而下降；程式碼品質方面多數認為改善，約 10% 認為變差。信任程度則明顯分歧：30% 對 AI 產出只有一點信任或完全不信任，11% 落在「極度信任」或「完全不信任」兩個極端。
核心發現：AI 是放大器
Harvey 把整份約 140 頁的 2025 年報告濃縮成一個主張：AI 在軟體開發中的主要角色是放大器（amplifier）。投資 AI 的最大回報，來自對底層組織系統的策略性關注；沒有這個基礎，AI 往往只會製造局部的高生產力，最後被下游的混亂抵銷。他引用一則社群貼文為例：有人現在能在幾小時內做出東西，但要把成果送到客戶手上、正式進入生產環境，仍然要花六週。系統的某一段被加速了，整體卻沒有同步跟上。
DORA 用模型模擬來說明這種落差。研究團隊先建立一個描述組織運作形狀的模型，再單獨調高受試者的「AI 採用」分數，其餘條件不變，然後跑大量模擬觀察結果。結果是：個人效能提升幅度最大；軟體交付不穩定性同時上升；組織績效、投入價值性工作的時間、程式碼品質、產品績效、交付吞吐量與團隊績效都改善；倦怠與摩擦幾乎維持在零，但誤差範圍跨過零，代表結論並不確定。Harvey 對此提出解釋：如果工作本身已經讓人身心俱疲，主管遞來一個 AI 工具並不會改變處境，頂多是沒有讓情況更糟。
這裡所稱的軟體交付不穩定性，指的是推送變更到生產環境後，導致必須緊急回滾或推出熱修的頻率。2024 年的研究曾觀察到不穩定性上升、吞吐量下降；到了 2025 年，吞吐量開始改善。DORA 認為這類變化符合轉型的 J 曲線：導入新技術初期總有低垂果實可摘，果實摘完之後才會遇到真正的難題，此時不穩定性上升，團隊掉進低谷。低谷裡不只有技術問題，還包括信任不足帶來的驗證負擔，以及工作角色的改變——工程師從寫程式變成審閱他人（甚至不是人）寫的程式。DORA 過去在雲端與 SRE 實務上都看過同樣的曲線，但 AI 變化太快，如何走到曲線另一端，目前仍是整個產業共同摸索的題目。
七種團隊樣貌與七項能力
DORA 另外從八個面向檢視團隊表現，包括團隊績效、產品績效、效能、摩擦與倦怠等，結果歸納出七種團隊樣貌。既然九成受訪者都在用 AI，團隊表現卻差異極大，就說明問題不在 AI 本身。其中一種樣貌是「受流程所困」（constrained by process）：系統穩定，但人力被低效流程吃掉，倦怠高、影響力低。另一種是「和諧的高成就者」（harmonious high achievers）：環境穩定、摩擦低，團隊被賦權，能可持續地交付高品質成果而不倦怠。
既然關鍵不是「有沒有用 AI」，而是「怎麼用 AI」，DORA 提出了 AI 能力模型，包含七項能力，必須與採用程度結合才能真正驅動成果：清楚且傳達明確的 AI 使用立場、健康的資料生態系、讓 AI 可存取內部資料、強健的版本控制實務、小批次工作、以使用者為中心的焦點，以及高品質的內部平台。版本控制之所以關鍵，是因為 AI 可能走向難以預期的方向，團隊必須能隨時回滾；小批次則讓變更可被推理、可被撤銷，也讓 AI 產出的範圍更容易界定。使用者中心焦點的效果雙向存在：研究發現具備這項特質時團隊績效提升，欠缺時團隊績效反而下降。
影響與限制：瓶頸轉移、平台顧客與量測陷阱
Harvey 指出，當工作流程被 AI 加速，瓶頸會轉移到原本被視為理所當然的環節，程式碼審查是最明顯的例子。他在演講中詢問聽眾「要改變哪一件事才能放心信任 AI 產出的程式碼」，沒有人回答程式碼審查。他因此主張，投入在非同步程式碼審查上的工程能量，或許更該改用在護欄、測試與對開發意圖的理解上；同步協作、共同撰寫，也比事後審查更有效。這種主張接近 Toyota Production System 中的 Kaikaku（激進變革），而多數時候他仍偏好 Kaizen（持續改善）。他引用 W. Edwards Deming 的話：「壞系統會打敗好人。」
平台的角色也在改變。過去平台的顧客是開發者，現在還多了 AI 代理，因此除了開發者體驗，也必須顧及代理體驗，甚至進一步延伸到「建構者體驗」——讓會計部門的同事也能安全地把自己的構想做成應用。若平台團隊不往這個方向走，需求就會流向影子 IT 與影子 AI；Harvey 認為，影子 IT 的存在其實是業務問題夠嚴重、嚴重到使用者寧願繞道而行的訊號。
量測方面，他提醒先想清楚要回答什麼問題。董事會問「有沒有在用 AI」，那麼採用數據就足以回答；隔年董事會改問「回報在哪裡」，問題就不同了，而沒有採用就不可能談回報。他明確反對用「AI 產出幾行程式碼」當指標。研究也提到，為代理撰寫的文件檔案未必直接提升輸出品質，但可能提升使用者的掌控感與信心，而信任與採用會互相強化。
最後，Harvey 強調不要直接相信 DORA 的結論。研究描繪的是世界的平均形狀，但每個人身處的是特定組織、特定業務單位與特定客戶脈絡，應該把研究發現當成待驗證的假設帶回自己的工作環境測試，並且理解這件事無法獨力完成。相關內容可參考 DORA 的 State of AI-Assisted Software Development 報告，以及 12 月發布、進一步說明七項能力如何量測與落地的 DORA AI Capabilities Model 報告。
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。