【图源：FAROS《THE ACCELERATION WHIPLASH》】
2026年初，一份基于22,000名开发者、4,000个团队、两年遥测数据的工程效能分析报告揭示了一个令技术管理层不安的事实：
AI工具让开发者写得更快了，但整个工程系统却变得更慢了。2.每位开发者完成的Epic（大型功能模块）增长66.2%；3.PR（代码变更请求）审查中花费的中位时间激增了441.5%；4.每位开发者的Bug数量增长了54%——较2025年同类报告中的+9%大幅加速；6.每个PR的生产事故概率增长了242.7%——每合并一个代码变更，事故发生率是低AI采用期的3倍以上；7.代码流失率（季度内已合并代码的删除行数与新增行数之比）暴涨了861%；8.未经任何审查即合并的PR数量相比低AI采用期增长了31.3%。9.从代码提交到生产部署的交付周期暴增了480.4%（基于约10%可测量团队的数据，方向性信号）；一个使用AI辅助编程的开发者，可能在午饭前就完成过去需要一整天的编码任务。但这些代码在审查队列里堆积成山，测试管道频繁崩溃，最终能成功部署到生产的变更反而更少。更糟的是，未经充分审查的代码正以前所未有的速度流入生产环境。贝恩公司在《From Pilots to Payoff: Generative AI in Software Development》中对此现象做出了精准诊断：
【图源：Bain & Company. 《From Pilots to Payoff: Generative AI in Software Development》】
编写和测试代码仅占"从创意到产品上市"整个周期的25-35%。加速这25%而忽略其余75%的需求分析、跨部门对齐、审查验证、部署运维，不是在优化系统，而是在暴露系统的最慢环节。
【图源：FAROS《THE ACCELERATION WHIPLASH》】
上述数据背后，有一个容易被忽视但极具工业启示的现象。
它往往在表面上极具说服力——语法规范、命名得当、风格与周围代码库一致。它看起来像是由经验丰富的人编写的，但结构性缺陷和逻辑漏洞存在于表面之下。发现这些问题需要审查者仔细阅读、推理意图、重构代码本应解决的问题，而非扫描明显的语法错误。数据反映了这一点：审查时间暴增441.5%，而首次审查的等待时间增长156.6%。组织中对该系统理解最深的人，正将他们最宝贵的时间用于拆解那些本不应以当前状态到达他们手中的、看似合理的代码。未经任何审查即合并的PR数量相比低AI采用期增长了31.3%——这不太可能是故意绕过监督的决策，更可能的解释是：审查者无法跟上AI生成代码的到达速度。结果是，代码以显著更高的比率进入生产系统，而无人监督。这一发现的工业延伸是清晰的：
当AI降低了"执行层"的门槛时，"验证层"的人力成本不降反升。
如果组织在引入AI工具时没有同步升级其验证和收敛机制，那么节省下来的执行时间将以质量债务的形式，在下游以更高的成本回收。更深层的问题是：工程成熟度不是"护身符"。拥有成熟DevOps实践、高评分、严谨交付流程的高绩效工程组织，正在经历与其他组织相同的下游质量恶化。强大的基础是必要的，但远远不够。
【图源：麦肯锡《2025 State of AI》】
软件工程领域的"加速反噬"并非孤例。
麦肯锡《2025 State of AI》调研了1,993位受访者，揭示了同样的结构性失衡在更广泛的企业层面展开：1.88%的组织在至少一个业务职能中使用AI，但仅1/3实现了企业级规模化部署；2.仅39%报告AI对企业EBIT（息税前利润）产生了影响；3.超过一半（51%）的组织已经遭遇过AI使用的负面后果；大量组织正在"试点炼狱"中循环——不断启动新的AI实验，却很少有能力判断哪些实验值得继续投入、哪些应该果断终止。当生成式AI将"做一个原型"的时间从两周压缩到两小时，组织面临的不是"做得更快"的简单喜悦，而是"做得更多、错得更早"的复杂困境：
1.伪需求被快速放大：低成本的方案生成让"看起来不错"的创意更容易获得资源，但市场验证和战略对齐的环节并未同步加速；
2.资源错配被快速固化：AI生成的PRD、技术方案、竞品分析具有高度的"完成度幻觉"，更容易通过内部评审，但一旦方向错误，沉没成本也更大；3.跨部门共识被快速稀释：每个职能都能用AI生成自己的"最优方案"，但谁来裁定这些方案之间的冲突？谁来确保研发、供应链、市场的判断基于同一套事实？Gartner在其AI治理框架中指出，AI治理在大多数组织中仍是"事后考虑"——团队常在模型或应用已投产后才开始考虑风险，而"治理难以事后补装进现有AI工作流"。这与"未经任何审查即合并的PR数量相比低AI采用期增长了31.3%"形成了跨领域的呼应：当执行速度超越治理能力时，治理缺口会以事故、Bug、资源浪费的形式具象化。这种结构性失衡正在从软件工程向更广泛的产品研发领域蔓延。面对这种困境，很多组织的第一反应是“再升级AI工具”“再加码自动化”，试图用更快的执行效率解决执行太快带来的问题——结果反而陷入“效率越高、堵点越多、浪费越大”的死循环。要破解这个困局，我们首先要跳出“技术工具”的思维陷阱：这从来不是AI的问题，而是系统治理能力跟不上执行效率的问题。应对系统性问题，需要的是系统性的工程方法，而IPD正是经过工业界数十年验证的、解决研发体系效率错配的核心方案。
本文聚焦于IPD的投资决策与跨部门协同机制，不涵盖IPD体系中的市场管理、技术开发等模块。
AI已经把执行环节的效率提升了数倍，IPD这套"结构化流程"会不会反而变成拖累速度的累赘？很多人将IPD等同于"写更多文档、开更多会、走更多审批"。这种理解下，IPD确实是AI时代的阻力——毕竟AI已经能自动生成文档、自动整理会议纪要、自动做竞品分析。但如果将IPD还原到其工程本质，就产品治理和决策机制而言，它的核心价值从来不是"把事做慢"，而是"在正确的时间点，用正确的信息，让正确的人做正确的取舍"。
这正是当前最稀缺的组织能力。
麦肯锡在调研中识别出一群"AI高绩效者"（约占总样本的6%），他们的共同特征极具启示：1.将AI用于变革性创新的可能性是其他企业的3倍以上；2.根本性重新设计工作流程的可能性是其他企业的近3倍；注意其中的关键词："重新设计工作流程"、"高层参与"、"跨职能"。这些不是AI技术参数，而是组织治理参数。它们指向的正是IPD的核心要素：IPT、DCP、端到端的产品生命周期管理。
那些仅将AI作为"个人编程助手"的团队，遭遇了最严重的审查瓶颈和质量下滑；而那些将AI嵌入重新设计的工程流程（更小的PR批次、更早的质量检查、更新的CI/CD管道）的团队，才实现了25-30%的生产力提升——远高于基础工具带来的10-15%。
AI降低了"生成方案"的执行成本，但没有降低"判断方案是否值得做"的决策成本。相反，由于方案生成速度大增，决策的复杂度和紧迫性反而上升了。IPD的阶段门控（Stage-Gate）机制，本质上是在关键节点强制组织暂停、收敛、验证——不是为了降低速度，而是为了防止错误方向被快速放大。在AI把执行成本压到极低的当下，这种"主动暂停"的能力，恰恰是组织最稀缺的制动装置。
需要明确的是：我们不是在主张"原封不动地套用二十年前的IPD模板"。
Gartner将生成式AI置于2025年技术成熟度曲线的"幻灭低谷期"，这一判断本身就说明行业正在从"效率狂热"转向"治理觉醒"。在这个转折点上，IPD的某些形式确实需要进化：
但进化的方向不是"去掉门控、去掉评审、去掉跨部门对齐"，而是"让门控更智能、让评审更高效、让对齐更实时"。
德勤在其AI治理路线图中提出的六大治理领域（战略、风险、治理、绩效、人才、文化与诚信），与IPD的投资评审、组合管理、跨职能协同框架存在高度的逻辑兼容性。这说明：企业需要的不是抛弃IPD，而是用AI的能力升级IPD的执行方式，同时保留IPD的决策逻辑。
AI时代，IPD会不会过时？
过时的不是IPD，而是对IPD的形式主义理解——将其视为"文档流水线"而非"决策机制"。当生成式AI让"做事"的成本趋近于零时，"做对事"的判断成本反而上升了。组织需要的不是更少的流程，而是更聪明的流程——能够区分"AI可以加速的执行环节"和"AI无法替代的决策环节"，并在后者上投入更多的治理资源。若您正在规划相关方向或有相关咨询需求，欢迎私信交流具体情境，我们愿意分享更多一线观察。
本文核心资料来源：Faros. 《The Acceleration Whiplash》；Bain & Company. 《From Pilots to Payoff: Generative AI in Software Development》；McKinsey & Company.《The State of AI in 2025: Agents, Innovation, and Transformation》。
关注【科瑞斯达】官方公众号，了解更多前沿资讯及落地经验
