# 大厂CIO独家分享：AI如何重塑开发者未来十年（InfoQ 2025-11-21）
大厂CIO独家分享：AI如何重塑开发者未来十年
来源：InfoQ - 大厂CIO独家分享：AI如何重塑开发者未来十年
作者：木子
发布时间：2025-11-21
访谈对象：阿里云智能集团副总裁、CIO 蒋林泉（花名：雁杨）
访谈者：极客邦科技创始人兼CEO 霍太稳（Kevin）
字数：7908字 | 阅读时长：约26分钟
核心议题
本次访谈探讨了五个核心问题：
- AI时代，技术贡献值该怎么衡量？ AI生码采纳率和真实提效有多大关系？
- 技术人的未来，是全栈工程师吗？ "AI产品设计前端工程师"是什么新物种？
- AI提效，是先产研，还是先业务？ 怎么看产研提效的价值？
- AI引擎如何靠知识驱动？ 知识怎么分类？应该由谁主导？
- 这轮AI下，大厂CIO如何招人？ 顶尖能力是什么？
1️⃣ AI技术革命的大时代下，那些焦虑和不焦虑的人
思想实验：主动变革 vs 惯性温床
雁杨给团队做过思想实验：假设AI一定会这样发展，若公司装作AI没发生，固守旧有模式，但同学在隔壁公司积极拥抱AI、重塑自己。一边是惯性的温床，一边是变革的暗流，你选哪个？大家毫不犹豫地选主动变革。
焦虑的源头在自己，不在AI
- 不焦虑的人分两类：
- 一类是善于用AI所以不焦虑
- 还有一类，他不善于，但还没意识到，也不焦虑
- 大部分人：能意识到AI很重要但并不善于用它
价值与价格的关系
价格是围绕价值波动的。 人的价值来自于符合时代的能力，这是真正的"地心引力"，只要价值在，你的价格迟早会朝着价值回归。
两层意义：
- 让价格自然地向价值靠拢
- 用AI能力提升价值，吸引同路人，形成好的循环
2️⃣ 代码行数≠高产出，AI生码采纳率≠真提效
程序员80%时间在沟通，而非写代码
在大型企业的技术团队：
- 80%时间：沟通
- 10%-20%时间：真正编程
即使生码率30%实现了又如何？全部写代码节省掉又如何？ 程序员的总环节时间并没有明显节省，人也几乎一个都不能少。
AI生成的是"脚手架代码"
- AI生成的代码：大部分是基础的"脚手架代码"，通常不包含复杂的业务逻辑
- 最关键的代码：业务逻辑、难的算法、与现有系统的复杂集成还要保证兼容的，这都是靠人脑去做
核心代码的价值
企业最核心的研发人员，每年写的最核心的代码，可能一年连一百行都不到，但每一行消耗了大量的时间去思考，因为每一行可能都会影响着企业几十亿甚至几百亿的一个业务。
雁杨从来不单看写了多少行代码：
- 前端代码量一般特别大，但一行前端代码和核心代码相比，价值可能只是后者的1/1000
- 以前尚且如此，何况AI生码也带来大量"灌水"的今天
如何度量真实提效？
度量单位：真实的"人月"数据
以端到端的方式来看，我们先回到业务的最远端，看能够产生多大的价值，再看实现这个需求消耗多少'人月'，那就是效能的度量。
《人月神话》的启示
软件工程的核心是沟通。
如果5个程序员可以用6个月做好软件，那么再加5个程序员（变成10个人），能不能减少一半时间做好软件（3个月）？答案是否定的。
原因：
- 团队增加人数，反而导致增加大量的沟通时间
- 人的沟通节点指数级放大，管理的难度随着人数增加而增加
AI的启示：
- 不能期待，仅靠提升AI生码采用率就能提升端到端的研发效能
- 增加的AI就像上述假设中增加的人一样，阻力点在沟通成本
3️⃣ 工程师的未来，全栈是理想，半全栈是现实
部门墙的难题
实践数据显示：团队内沟通频率是跨团队的几十倍甚至上百倍
跨部门协作的障碍：
- 目标差异、沟通障碍、文化差异、资源不对等
- 业务团队、产品经理、技术团队的KPI不同、信息也不完全对等
全栈工程师的历史困境
过去10年，业界提出"全栈工程师"方案，但：
- 门槛过高：想要打造具备前端、后端及算法的全栈能力的人才很难——招不到人
- 职业发展惯性：个人习惯于深入某个领域，公司岗位也依旧按照传统的角色划分
- 无法脱离行业规则：即使掌握全栈能力，也无法在实操中越界工作
AI让跨领域学习变简单
雁杨发现，AI让跨领域学习变简单了：
- 前端告诉他，说自己写后端好像也没那么难了
- 算法工程师已经涉足前端和后端开发，手搓了个Manus出来
AI会一直在那里，它可以不停教你，让你在陌生领域学习新技能的速度极大提升。如果你错了，可以把这个错误扔给AI，说你帮我改一改，没有了挫折感。
新角色："AI产品设计前端工程师"（PDFE）
定义：产品、设计、前端"三合一"，用AI技术辅助
价值：
- 产品经理既懂设计，又会前端开发，在与客户沟通时，自己就可以把想法转化为设计稿，甚至能做出demo
- 直接与业务方交流，对业务需求准确度的把控，大有裨益
- 过去依赖paperwork，写出来的东西和实际需求之间往往会有偏差
现实：即使有AI加持，多合一的全栈工程师也是稀有的存在
"两节化"的AI工程师岗位
雁杨主张拆成两节：
-
"产品设计前端"：
- 前端基于API，做好交互，把它呈现给业务方
-
"架构与后端"：
- 后端更多是互联网架构，涉及高可用、可扩展、性能、API
-
API成为Bridge：
- API成为"产品设计前端"和"架构与后端"两节之间的桥梁
招聘信息：阿里云智能-AI产品设计前端工程师（PDFE）招聘
4️⃣ AI提效，产研先给业务"打个样"
产研提效 vs 业务提效的顺序
常规想法：业务提效往往被放在产研提效前，主要是因为业务效果更直观，见效快
雁杨的做法：先通过产研提效自闭环解决问题，再跨部门开展业务提效
为什么先做产研提效？
我们研发和产品去用AI做业务产品时，要跟业务的知识去做融合，因为知识在业务的脑子里面，所以要跨团队去获取知识、去协作。但是，产研的知识、写代码的知识在产研脑子里，所以知识本身是在团队自闭环的。
逻辑：
- 产研的知识在产研脑子里，代码是有编译器检查验证的
- 如果在闭环中都做不到用AI来给自己提效，那不闭环的情况凭什么能做到？
方法：先通过自闭环"打个样"，至少先打下个基础，自己知道AI是怎么回事，怎么深度去用才能带来这些能力
产研提效的显性和隐性价值
显性价值：
- 迭代效率提高了
隐性价值（很难被效率衡量，但恰恰是质变）：
- 在满足业务需求的正确性、价值性上，得到极大的提升
- 过去很多项目因为种种摩擦原因，上线了发现不是业务想要的，但开发团队常常因为返工时间不足，于是"改不动了，就这样吧"
- 最终留下不少"半垃圾的技术债"，不停地堆叠"技术债"，尽管在不断生产有价值的东西，但也带来大量的垃圾补丁
AI打破恶性循环：
- 让开发者在软件上线前就能与业务方更充分地交流确认，不断校准方向
- 最终做到"一上线就是精准满足客户需求的"
- 免去了给未来留下大量的技术债
5️⃣ 先炼好"燃料"，再发动引擎
AI是引擎，知识是燃料
我们这一轮AI，假设它是引擎，那知识就是燃料。
核心问题：
- 业务知识在业务的脑子里，不在IT的脑子里
- 这个引擎的燃料存在于另外一个团队的大脑
- 如果不能从中掏出来正确的燃料，AI这个引擎是走不动的
知识分类：结构化 vs 非结构化
两类知识：
-
结构化的知识：
- 一般都在系统、数据库、大数据里
- 由IT部门主导
-
非结构化知识：
- 比如语言类知识等
- 应该由业务部门主导
两者结合起来，才能形成魔法的效应。
"数据炼煤"的工作
类比：
- 原煤（未洗选的天然煤）
- 洗选精煤（通过物理洗选去除杂质后的煤）
产研的工作：
产研一定要把很多原煤（粗煤数据）变成洗选精煤（去杂质的数据），因为AI引擎烧不了粗煤，粗煤数据有错有漏、存在杂质，如果给AI引擎烧，烧出来的结果势必会让你看到无数杂质。
提醒：
- 不要临渊羡鱼，"鱼"就在自己手上
- 编程里的数据是什么语料？其实就是代码本身
- 自闭环的代码就是技术人手里的数据，同时本身又是专家，又手握工具
- 完全可以先把自己领域的软件工程效率提升好
临渊羡鱼，不如退而结网。
6️⃣ 这轮AI下，大厂CIO如何招人？
程序员到CIO的角色转变
程序员角色：
- 需求来自产品经理的PRD
- 需要做的，就是单纯把原来别人已经准备好的paperwork"翻译"成代码
CIO角色：
- 要理解业务、组织业务需求，把它变成对应的流程设计
- 再去组织团队的技术人员，翻译成代码
- 要左移到前面——即更多做业务接触和对产品经理的管理，也是更加的端到端
关键词："左移"
两点能力：
-
"永远朝左看"：
- 程序员永远要保持朝左看的意识和能力
- 也就是"左移"朝着产品和业务多看看
- 这会让程序员的数码世界和现实世界的匹配更升华
-
"基本功永远不过时"：
- 无论是AI时代还是非AI时代，程序员扎实的基本功是永远不过时的
招聘最看重的两大特质
-
富有好奇心：
- AI技术日新月异，所以人才需要保持好奇
- "你不好奇就不能够一直跟进这些技术"
-
保持韧性：
- "因为你跟进技术时，会经常遭受挫折"
- 尤其在变革时代，挫折更多，韧性也就是具备"大心脏"来应对这些
组织层面：
- 不能要求每个船员都有好奇心，又有大心脏
- 但对于想做大副、做船长的领头人，总需要这样的特质
- 企业的整个组织也会"拖着"大家往前走
"书同文、车同轨"的AI通识教育
阿里云的做法：
- 以CIO团队为原点，很早开始推动"书同文、车同轨"的AI通识教育
- 通过阿里云大模型认证培训的方式，让技术人、非技术人都掌握相同的AI知识
- 让部门、跨部门都处在一个AI语境下沟通
InfoQ的实践：
- 公司将近150人的规模，120多人第一时间都拿到了阿里云的大模型认证
- 当下正在进一步寻求变革
先后顺序：
- 首先：你要先想到变革，特别是变革里面主导这件事情的人，他一定会深刻认知到要去变革
- 然后："书同文、车同轨"只是个必要条件（非充分），借此去跟公司的业务、技术团队拉齐，解决最基本的沟通摩擦力
- 最后：才是迎面进一步的阻力，需要带着好奇心、韧性来升级打怪
7️⃣ 写在最后
AI是一面镜子
AI其实是一面镜子。 想要AI产生魔法效应，就得一步一步找到问题和解法：从引入AI工具，到代码采用率，再到度量思考，紧接着用"全栈"攻破代码采用率不能解决的效率问题，但又遇上"半全栈"都很难实现的难题，最后尝试一刀切的"产品设计前端"与"架构后端"两节... ...AI像一面镜子，在帮我们发现问题，AI又辅助我们解决问题。
辟谣：AI不会让码农都不需要了
很多人设想AI能够马上改变什么，紧接着码农都不需要了。这是无稽之谈，最后一定是需要的。 但不一样的是，我们确实可以通过AI让整个软件工程的效率得到巨大的提升。
做更理解这场变革的人
既然我们认定，技术变革是不可逆的，那就做更理解这场变革的人，朝着AI对行业变革的趋势线方向，在势能爆发之前，率先启程，成为趋势的一部分。
核心洞察总结
三个关键认知
- 价值回归：价格围绕价值波动，AI时代的能力就是价值，价值在，价格迟早回归
- 沟通成本：软件工程的核心是沟通，AI生码率提升不等于端到端提效
- 知识驱动：AI是引擎，知识是燃料，先炼好燃料再发动引擎
两个实践路径
- 产研先行：先做产研提效自闭环，再跨部门开展业务提效
- 半全栈现实：全栈是理想，现实是"产品设计前端"+"架构后端"两节化
一个核心能力
"左移"能力：永远朝左看，朝着产品和业务多看看，让数码世界和现实世界的匹配更升华
相关链接：
浙公网安备 33010602011771号