Capgemini-观点：增强软件团队：如何从生成式人工智能中获得最大帮助（英）-2024-16页_5mb

AI辅助编程：软件开发的革新

生成式AI正在成为软件工程领域的最新且最伟大的演进，它通过增强团队协作与提升编码效率，开启了软件工程的新时代。

当前软件工程面临的主要挑战是快速交付高质量软件。尽管已有多种方法和技术如敏捷开发、DevOps、低代码/零代码等持续改进，但效率和需求增长之间的矛盾仍然存在。生成式AI的引入为软件工程带来了革命性的变化，帮助工程师节省时间，专注于更有价值的业务需求。

核心价值与益处

根据调研，生成式AI主要带来以下好处：

1. 生产力提升：软件工程职能生产力提升7%-18%。在创建文稿、编写代码和脚本方面节省最多时间（代码和脚本创建分别平均节省10%和9%，最高可达35%和34%）[1]。
2. 软件质量：助力提升软件质量。
3. 人员满意度：69%的资深软件专业人士和55%的初级软件专业人士对使用生成式AI表示满意[2]。
4. 协同效应：78%的软件专业人士对生成式AI促进业务与技术团队协作的作用持乐观态度[4]。

技术应用

生成式AI主要通过与LLM（大型语言模型）相结合的应用，实现任务自动化，支持代码生成、故障排除、设计辅助等功能。尤其值得关注的是“对话式软件工程”[3]理念的提出，即软件团队与AI助手进行对话交互来完成开发工作。

实施路径

Capgemini建议分阶段推动软件工程转型：

1. 评估成熟度与制定路线图

   • 深入理解组织现有的SDLC和流程成熟度
   • 定义清晰的转型目标、风险和优先级
   • 进行技术、平台和工具等关键领域的可行性评估

2. 运行实验并衡量影响

   • 选择合适的AI工具和平台
   • 设置可靠的测量机制，涵盖生产力、质量、时间到市场和开发者体验等维度
   • 进行真实场景实验，收集量化数据
   • 数据标准化处理，确保可比性

3. 规模化部署

   • 制定针对AI时代的新工作模式方案
   • 设立专门团队负责持续监控和优化AI平台应用
   • 实施AI技术赋能下的数字工位(Digital Workplace)
   • 推动全员技能提升计划，培养新的工程人才培养模式

测量方法论

为确保评估的有效性，建议采用结合以下要素的测量策略：

• 多角度指标：生产力指标、质量指标（代码覆盖率、代码效率、代码安全性等）以及开发者体验调查
• 对比实验：建立严格的基线数据，包括不使用AI和使用AI协助的对比测试
• 团队构成：使用不同技能水平的团队进行对比（高级团队、通用团队、初级团队）
• 持续改进：建立反馈环路，根据评估结果不断优化

Capgemini 已积累近50个客户案例，其测量方法已形成成熟框架，能准确反映AI应用带来的客观变化。

成功要素与经验

通过实践经验，我们总结出以下成功要素：

1. 稳定的团队配置：团队变动不利于实验结果的对比分析
2. 定制好的Prompt：掌握Prompt工程技能是关键
3. 充分的训练与引导：提供系统培训和实践指导
4. 有效的工具支持：配备得当的AI助手工具、持续集成部署平台
5. 高层管理的重视支持：需要领导者推动变革和资源投入

调查显示，超过70%的员工希望继续使用生成式AI工具，80%的人认为能有效提升工作效率和协作水平。然而，AI应用仍处于早期阶段，只有约27%的组织拥有完善的工具平台支持，体验和规模化推行有显著差距。

Capgemini在软件工程领域有丰富经验，能为客户提供从业务蓝图规划到技术实施落地的全套咨询和开发服务，帮助客户在AI时代构建竞争优势。

[Capgemini 研究院数据来源[1][2][4]及方法论，实际数据可能存在调整，节选内容仅供参考]