关于AI尚未显著提升研发整体产出的原因分析及改进思路

范总，您好。

关于您提出的“公司已经使用了 AI，但为什么没有明显感受到研发进度大幅加快”，我的理解是：AI 确实提升了部分工作的效率，但这些提升还没有充分转化为研发整体产出和交付速度的提升。

我认为主要有以下三个原因。

有了 AI 以后，研发能够处理的事情更多了。除公司和产品提出的需求外，我们也开始投入精力解决过去长期搁置的 Bug、重构体验不佳的功能模块，并开发 Git、花屏检测、刷机等内部工具。

这些工作短期内不一定能形成明显的新产品或新功能，但能够逐步提升产品质量、减少重复劳动，为长期效率提升打基础。

因此，AI 带来的新增产能并没有全部表现为“项目交付更快”，其中一部分转化成了产品质量和基础能力的积累。

目前，研发使用 AI 时，更多关注的是如何提高编码效率。但编码只是研发流程中的一个环节，真正影响交付周期的，还包括需求分析、方案设计、环境准备、实验验证、测试反馈和跨部门协作等。

以应用部为例，AI 对新软件开发、预研等编码量较大的任务帮助明显，例如无线投屏、PZ 终端清理缓存 APP。但这类工作在日常任务中的占比有限，因此即使局部提升较大，对部门整体效率的影响也未必明显。

驱动部的情况更为突出。驱动工作本身编码量不大，真正影响交付时间的往往是复杂疑难问题。例如，PZ200 Pro 项目中的声音变形问题涉及硬件、现场环境和底层机制，需要大量实验和排查，AI 目前只能辅助分析，还无法直接解决。

因此，问题不在于 AI 没有提效，而在于它当前提升的环节，未必是决定整体交付周期的关键环节。只提高编码速度，而其他瓶颈没有改善，局部提效就很难转化为整体提效。

管理层可能认为，一项预研任务只需要研发“问一下 AI”，很快就能得到结论。但要形成可靠、可验证、可交付的成果，研发通常还需要准备资料、分析问题、开展实验、验证结果，并将 AI 的输出整理成最终结论。

所以，使用 AI 并不等于没有工作量。如果事前低估了真实投入，就可能让一些价值不高的任务持续占用研发资源，最终降低整体投入产出比。

公司需要及时了解研发当前在做什么、为什么做、预计投入多少以及能够产生什么价值。

如果某项工作的价值有限，或者投入明显超出预期，应及时调整或停止；如果管理层与研发判断不一致，也应明确最终决策人、预期目标和相关风险，避免在目标不清的情况下持续投入。

任务启动前，应对预期价值、投入成本和交付目标进行初步评估，并登记到研发价值产出表中。

如果研发判断任务价值不高、投入过大或目标不清，应及时向上反馈，待双方确认后再继续推进。这样既便于后续复盘投入和产出，也能减少无效工作。

这是解决问题的关键。

我们不能只关注“如何让 AI 更快地写代码”，而应重新审视整个研发流程，找出真正影响交付效率的瓶颈，再判断哪些环节可以通过 AI、自动化工具或流程调整来改善。

例如，在准备调试 7658 驱动时，我发现 AI 分析过程经常被人工操作打断，因为每轮调试都需要人工按烧录键、开关电源。为此，我通过飞线和智能插座，让 AI 能够控制这些操作，从而打通了整个自动调试流程。真正带来效率提升的，不只是让 AI 帮助分析问题，而是改造了原有流程，使 AI 能够连续参与调试。

这个案例说明，AI 的价值不只是替代某一个动作，而是帮助我们重新设计整个工作过程。

从产品、研发、生产到销售，公司都可以逐步思考：

• 当前真正的效率瓶颈在哪里？
• 哪些工作可以由 AI 辅助或自动完成？
• 哪些人工环节、信息断点和系统壁垒限制了效率？
• 哪些现有流程和协作方式需要重新设计？

目前，AI 仍处于快速发展阶段，不同部门和岗位还没有可以直接照搬的统一方案。因此，这项工作既需要各岗位结合实际主动探索，也需要公司通过案例复盘、经验分享和工具建设，逐步把有效做法沉淀并推广。对于涉及多部门的流程问题，还需要管理层推动协调和变革。