行业投资评级 - 报告未明确给出具体的行业投资评级 [1] 核心观点 - 生成式AI将逐步改变软件开发方式 通过集成大型语言模型(LLMs) 软件团队可以实现显著的生产力提升和更高的软件质量 同时保留敏捷开发和DevOps的基本原则 [21] - 生成式AI在软件工程中的应用仍处于早期阶段 90%的组织尚未规模化应用 27%的组织正在运行生成式AI试点 11%的组织已开始在软件功能中利用生成式AI [26] - 75%的大型组织(年收入超过200亿美元)已采用(试点/规模化)生成式AI 而年收入在10-50亿美元的小型组织中这一比例仅为23% [26] 行业现状 - 软件在现代商业中扮演着关键角色 但软件工程组织面临的最大挑战是如何快速发布高质量软件以满足不断加速的需求 [3] - 只有27%的组织声称拥有高于平均水平的平台和工具可用性 包括IDE、自动化和测试工具以及协作工具 测试领域专业人士中有24%表示可以访问这些工具 而项目和计划管理专业人士中这一比例仅为19% [6] 生成式AI的应用 - 生成式AI可以帮助软件团队自动化繁琐任务 促进更细致的数据驱动决策 从而优化软件生命周期并实现更多里程碑 [21] - 生成式AI可以显著提高软件工程功能的生产力 组织在使用生成式AI后生产力提高了7%-18% [37] - 生成式AI对软件专业人员的工作满意度有积极影响 69%的高级软件专业人员和55%的初级软件专业人员对使用生成式AI进行软件开发表示高度满意 [37] 实施策略 - 组织应评估其成熟度并制定明确的路线图 选择最有前途的转型推动因素并识别相关风险和挑战 [9] - 组织需要选择最佳的生成式AI工具 并建立护栏以管理法律和网络安全风险 同时控制成本 [10] - 组织应进行真实世界的试点和全面交付实验 以衡量生成式AI的影响 并根据需要调整部署的节奏和范围 [11] 测量与评估 - Capgemini开发了一种工业化的价值测量协议 用于评估生成式AI在组织多个SDLC中的客观影响 并将其与内部和外部生成式AI项目的基准进行比较 [43] - 基线建立对于理解传统工作方式的速度和质量至关重要 建议从最后三个冲刺中收集见解 排除生成式AI的协助 [46] - 编码速度是衡量团队生产力的关键指标 重点关注编码和单元测试活动 通常通过实现的故事点来量化 [45] 未来展望 - 生成式AI有望在2026年之前协助超过25%的软件设计、开发和测试工作 [66] - 生成式AI将重新定义传统编程实践 将重点从编码转向提示工程和代码校对 [66] - 生成式AI支持开发人员在编码过程中直接建议干净的代码或评估现有代码以提高软件质量 [66]