思码逸作为数据驱动的效能度量产品，在 AI 上有什么新动作？

软件研发行业对 LLM（大语言模型）的应用探索日益深入，本专题将通过主观数据（企业反馈、预期等）与客观数据（代码生产率、质量等实际度量指标）相结合的方式进行分析，以全面呈现 LLM 在行业中的应用现状与价值。

空泛的“体感有用”远不如拿（度量）数据说话来得有力。我们需要用数据清晰地阐述 AI 工具究竟为团队带来了多少实质性的效率提升，这样才能证明“钱没白花，事没少干”。

如果你的团队现在已经有了这类指标的基础设施，没有问题。但我个人认为，如果你今天没有办法统计 AI 生成代码占比，不用投入太多精力去建设。我们可以取其他反映 AI 使用量的指标，也能回答管理者提出的一些问题。

它究竟需要什么样的“燃料”才能高效、可靠地运行？毕竟，AI 大模型的能力再强悍，也逃不脱那句经典的“Garbage in, garbage out”定律。

软件研发行业对 LLM（大语言模型）的应用探索日益深入，本专题将通过主观数据（企业反馈、预期等）与客观数据（代码生产率、质量等实际度量指标）相结合的方式进行分析，以全面呈现 LLM 在行业中的应用现状与价值。

总有那么一些项目，会以“不可抗力”之名，成为规矩的破坏者。项目延期、预算超支、质量下滑，这些问题被归咎于突发状况、外部因素，仿佛一切皆在掌控之外。

AI变革的真正价值几何？我们又该如何准确度量这些提升，确保投入与产出的有效性？本文将深入探讨大模型在产品研发全生命周期中带来的具体生产力提升。

打不过就加入。与其担心被 AI 取代，不如现在就学习驾驭它。

研发管理者可通过定期的分析报告来管理研发效能，从趋势分布对比的角度来分析研发效率和质量等指标，通过下钻分析来挖掘问题根源，通过行业基线来了解团队在行业中所处水平，还可以利用平台中的专家系统来辅助发现问题，制定有效的改进决策。思码逸经过多年的客户实践，总结出了效能诊断、问题定位、AI 辅助、效果度量这样一套闭环流程：通过思码逸自研的研发效能平台，对企业的效能进行摸底，定位问题与短板，针对性通过 AI