作者：徐陈飞 某豪华品牌车企软件研发效能与流程专家

在过去⼀年的⼯作中，我聚焦于智能化研发指标体系的探索与落地。随着 AI 能⼒不断演进，研发体系的边界早已不局限于流程规范与⼯具建设，⽽是进⼊了“如何让 AI 帮助我们更好地定义、衡量、优化研发”的新阶段。

传统研发指标体系常被诟病“看得⻅但看不懂，看得懂却做不到。”尽管许多组织构建了看似完善的指标体系，但由于数据分散、定义割裂、解读成本⾼，最终难以形成落地改进，仅沦为“展⽰型”体系。为此，我们构建了基于“数据 + 知识 + ⼩模型 + ⼤模型”理念的智能化研发指标平台，从北极星⼤屏概念设计，到指标宽表、知识库、智能解析，再到向量化与⼤模型结合⽣成⾃然语⾔分析与改进建议，⼒求将体系从单纯展⽰，升级为组织智能的⼀部分。

AI 助⼒研发的基本理念

AI 在研发中的最⼤价值，并不是直接取代开发，⽽是帮助研发人员释放更⼤的创造⼒与⼯程价值。当前，AI 在主动性思考与创造性⼯作⽅⾯仍有局限，但在处理⼤规模数据、模式识别、⾃然语⾔解析以及代码⽣成等任务上，已展现出超越⼈类的效率。

在智能化指标平台设计中，我始终坚持“数据 + 知识 + ⼩模型 + ⼤模型”的架构：

• 数据是研发的事实基础，决定了体系的根基稳定性；

• 知识赋予数据上下⽂与可解释性，让指标不仅是数字，更承载定义、逻辑与业务背景；

• ⼩模型稳定、可控、计算开销⼩，适⽤于指标解析、异常检测、预测回归等场景；

• ⼤模型则带来了⾃然语⾔理解、代码⽣成、复杂推理与设计⽣成的突破性能⼒。

不过，我们需要清醒认识到，⼤模型在结构化推理、上下⽂⼀致性、跨领域逻辑整合方面作用仍然有限。最优解是用可控程序做确定性，⽤ AI 做不确定性，以⼯程化框架承载 AI 能⼒，让 AI 成为⾼效、可靠的助⼿，⽽⾮不可控的黑箱。

北极星⼤屏：研发指标体系的灯塔

北极星⼤屏不仅仅是 UI 界⾯，它是从底层数据到⽤户体验的整体设计，⽬标是回答三个核⼼问题：

1. 组织现在好不好？

2. 哪⾥好，哪⾥不好？

3. 为什么不好，如何改进？

它包含了北极星总览、研发能⼒排名、精益研发⽣命周期视图、每⽇迭代观察、智能解读与改进建议等模块，将价值、质量、速度、成本四维度指标与智能解析融合，帮助⽤户⼀眼看懂组织现状并产⽣⾏动。

在架构上，北极星由数据层（指标宽表、维度表）、知识层（指标定义与解释）、⼩模型层（统计回归与异常分析）、⼤模型层（⾃然语⾔⽣成、SQL/代码⽣成）、智能体层（向量化与推理模型）以及⽤户体验层（前后端分离、交互设计）构成。

设计原则很简单：程序做确定性，AI 做不确定性。例如，指标定义、计算、聚合与趋势分析由程序和⼩模型完成；跨指标推理、⾃然语⾔解释与改进建议，则交由⼤模型与智能体处理。 北极星不仅仅是“BI+AI”，它让指标体系从“被动呈现”进化为“主动洞察”再到“智能建议”，最终成为组织智能化改进的引擎。指标体系的终极⽬标，从来都不是“看数据”，⽽是让数据驱动组织进步。

对未来研发与指标体系的展望

谈到研发体系的未来，我常联想到布鲁姆认知领域模型（Bloom’s Taxonomy），将⼈类认知分为：

• L1 记忆（知识结构）

• L2 理解（逻辑推理）

• L3 应⽤（⼯具与执⾏）

• L4 分析（⽅法论）

• L5 评价（系统性判断）

• L6 创造（跨领域创新）

AI 当前的能⼒主要集中在 L1〜L4，可以在知识获取、逻辑推理、⼯具使⽤与⽅法应⽤层⾯为⼈类赋能。然⽽，L5（评价）与 L6（创造）仍是⼈类特有的核⼼能⼒，涉及批判性思维、价值判断、系统创新等深层次认知。

需要特别强调的是，L5 与 L6 并⾮独⽴存在。没有 L1 的知识积累、L2 的逻辑理解、L3 的⼯具执⾏，L4 的⽅法论分析，L5 与 L6 将成为⽆源之⽔、⽆根之⽊。真正的创造⼒，建⽴在扎实的知识结构、逻辑体系与⼯具应⽤能⼒之上。

未来指标体系将发⽣三个变化：

1. 指标主体从“⼈”到“⼈机协作” ：衡量的不再仅是⼈效，⽽是⼈+AI 协作效能。

2. 体系⽬标从“执⾏效率”到“赋能创造与决策” ：当 AI⽣成⽅案后，体系需帮助判断⽅案价值与可落地性。

3. 度量⽅法从“静态评估”到“动态⾃驱动演进” ：指标体系将与 AI 深度耦合，形成⾃反馈、⾃优化、⾃改进闭环。

在 AI 尚难以实现主动性思考与复杂创造的短期内，我们必须持续强化 L1〜L4 的基础能⼒，同时培养 L5 与 L6 的批判性与创造⼒，因为未来属于那些既懂 AI、⼜懂⼈，既脚踏实地、⼜仰望星空的⼈。

结语

以上就是我对智能化研发指标体系的理解与期待：构建既属于今天，也⾯向未来的研发智能体系。未来不是 AI 创造的，⽽是由那些懂得如何驾驭 AI、与 AI 协作、在⼈机结合中激发创造⼒的⼈共同创造的。