在讲每一个具体领域之前我想先说一说请 AI 做的一个估算。对于这个估算我也是后知后觉的。在 AI 兴起的这段时间我一直有个潜意识——“AI 去掉了开发难度加速了开发进程一个人配上 AI顶得上过去一个团队”。我相信这是一个普遍的感觉。前段时间在和 AI 讨论了一晚上需求开发之后我的大脑仍然平静不下来我突然想到应该让 AI 估算一下我们常规的项目在 AI 全力协助下到底能加速多少。如果答案和我们普遍的感觉一样那么过程管理的很多内容比方说进度排期的确就失去了场景。于是我请AI 做了这样一个估算“假设一个典型项目原来 10 个人做 6 个月也就是 60 个人月从需求收集一直到交付使用 AI 后需要多少人、多长工期”AI 的回答颠覆了我之前的感觉。它先把项目拆开阶段占比AI加速为什么需求收集与澄清~15%≈1.3×和人谈、挖没说出口的需求、让各方对齐——AI 没法替你建立信任、读懂言外之意也没法让客户快 3 倍做决定设计与方案~15%≈1.6×判断、取舍、架构决策。AI 能帮着生成选项、算清代价但“选哪个”是人的判断编码实现~30%≈4×AI的主场快 3–5 倍很常见测试与验证~20%≈3×写测试用例快但“判断这东西是不是真的对”这一半快不起来集成、联调、缺陷修复~15%≈2×排查靠 AI 能提速但也就 1.5–2 倍项目管理与协调~5%≈1.5×人少了会自然减少但本身不太能被 AI 直接压缩看出问题了吗AI 能把倍率打到 4、5 倍的只有“编码”这一段而它只占三成。它两边的需求、设计、验证、协调是“判断密集”的活AI 提速就没有那么高了。按这个分段折算总账是这样需求9 ÷ 1.3 ≈ 7 人月设计9 ÷ 1.6 ≈ 5.6 人月编码18 ÷ 4 ≈ 4.5 人月测试12 ÷ 3 ≈ 4 人月集成修复9 ÷ 2 ≈ 4.5 人月项目管理3 ÷ 1.5 ≈ 2 人月新总量 ≈ 27–28 人月相对原来 60 人月整体压缩到约 45%综合提效约 2.2 倍。这个 27 人月是假设质量守住了的理想值。如果为了追求“快”把验证、设计、追溯都省了AI 会飞快地帮你产出一堆“看起来对、实际错”的东西返工会把省下的时间连本带利吐回来——那时候连 2.2 倍都保不住。然后AI给了几个开发方案方案人数时间特点A5人~5.5个月接近原时长人减半B4人~7个月更少人、沟通成本最低C6人~4.5个月想压缩工期但沟通开销上升效率打折人少则拖长工期不是“一个人顶一个团队”保持人数工期也无法等比例压缩因为需求澄清、客户对齐、真实环境验证这些环节有“物理时间下限”。 团队仍在工期仍在。 AI 加速的是“执行”不是“判断”。而一个软件项目里判断是压不动的那部分——需求要什么、方案怎么选、做出来的是不是真的对。所以整体远没有想象中快而慢下来、顶上来成为瓶颈的地方恰恰是过程管理的地盘。这个估算让我更加相信我的思考和实践是在正确的方向上。本篇的估算是量级判断不是精确预测。倍率高度依赖任务类型标准业务逻辑 AI 可能快 5 倍以上新颖复杂、强领域知识的部分可能只有 1.5 倍甚至帮倒忙。但无论具体数字如何“执行被加速、判断没有”这个结构不变——这才是重点。