《Google:加速:2024年DevOps现状报告(DORA译版)(41页).pdf》由会员分享,可在线阅读,更多相关《Google:加速:2024年DevOps现状报告(DORA译版)(41页).pdf(41页珍藏版)》请在三个皮匠报告上搜索。
1、加速:2024 年 DevOps 现状报告加速:2024 年 DevOps 现状报告译者:刘征 本档 Google 官翻译,内容解释权归 Google 所有。【译者注】DORA 是同类研究中历时最、学术严谨的研究项。DORA的研究团队运为科学法,揭示通过软件交付性能将作式与组织标和个福祉联系的预测路径。通过下的交互式图表探索我们的发现:点击任何项了解其重要性、如何测量以及如何改进。DORA 历经 10 年的研究成果为下图所示的 DevOps 能核模型。1https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告录 内容提要 3关键发现 3应 DORA 的解 5软件交付绩
2、效 8四关键指标 8软件交付绩效的演变 9绩效平 11使软件交付绩效指标 13智能:应与看法 14主要发现 15智能的应感受 18对 AI 未来的展望 20AI 的深层次影响 23AI 时代与 DORA 23衡量 AI 的使情况 25AI 对个的影响:显著益处与潜在利弊 26那么,什么是有价值的作?28AI 对开发作流的积极影响 30AI 对交付绩效的负影响 32绩效团队和组织在使 AI,但产品收益不明显 34那么,接下来该怎么做?36未完待续 38关于译者 39推荐阅读 402https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告内容提要 DORA 过去多年来直在
3、研究绩效技术团队和组织的能、实践和评估标准。这是我们的第份 DORA 报告。全球各各业、不同规模的公司中,超过 39,000 名专业参与了我们的调研。感谢家与我们同,并成为研究的部分!DORA 通过每年次的全球调查收集技术及相关岗位的专业的数据。调查问题涉及作式和整个组织及员的成就。DORA 采严格的统计分析法,研究这些因素之间的关系,以及它们如何分别推动团队和组织的成功。今年,我们还加了对专业的深访谈,以获取更深层次的解、验证数据,并为研究结果提供更多背景信息。详情请参阅法论章节。我们在今天调查中的主要成果和发现包括:关键发现 减少倦怠 倦怠是种由于期或过度压导致的情绪、身体和理上的疲惫状态
4、,通常表现为冷漠、疏离感以及缺乏成就感。流动性-Flow衡量个在进开发任务时的专注平。作满意度衡量个对作的整体满意程度。组织绩效衡量组织在盈利、市场份额、客户数量、运营效率、客户满意度、产品和服务质量,以及达成标能等的表现。产品性能评估产品的易性、功能性、价值、性能(如延迟)、安全性等多个。产衡量个在作中感受到的效率和效果,包括创造价值和完成任务的程度。团队绩效评估团队在合作、创新、效率、互相持和适应变化的表现。3https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告AI 正在产泛影响 AI 正在软件开发领域带来重变化。早期的应已经展现出些积极的成果,但也伴随着谨慎
5、的态度。AI 采的优势:流动性 产 作满意度 代码质量 内部档编写 代码审查流程 团队绩效 组织绩效【译者注:以上是 DORA 核能模型中的各种能。】然,AI 的引也带来了些负影响。我们发现软件交付的绩效有所下降,且其对产品性能的具体影响尚不明确。此外,随着 AI 应的增加,员报告他们花在价值作上的时间有所减少。这是个有趣的现象,本报告后续将深探讨。团队应继续探索 AI 依赖性增加对作的影响,并在实践中不断学习。随着对 AI 信任度的提升,AI 采率也在上升 成式 AI(gen AI)的使让开发员感到作效率更,那些信任 gen AI 的开发员则更频繁地使它。不过,这仍有改进空间:有 39.2%
6、的受访者表示他们对 AI 的信任度较低甚完全没有信任。4https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告户导向提升绩效 重视户体验的组织通常能够开发出更质量的产品,使开发员的作效率更,满意度更,并且更不容易产倦怠感。变型领导的重要性 变型领导不仅能提升员的产、作满意度、团队合作效果、产品表现和组织绩效,还能有效减少员的倦怠现象。稳定的优先级提升产和员幸福感 组织优先级不稳定会显著影响产,并导致员倦怠的显著增加,即使组织内部具备强有的领导、完善的内部档以及户导向的开发法,仍然难以避免。平台程有助于提升产 平台程在提升产和组织绩效有显著的积极作,但在软件交付绩效上
7、仍需注意潜在的警示信号。云计算带来基础设施的灵活性:云计算提供了更灵活的基础设施,这有助于提升组织的整体绩效。但如果在迁移到云端时未能充分利云计算的灵活性,可能会继续使数据中带来更的问题。因此,成功的迁移需要对法、流程和技术进全转型。平的软件交付绩效是可以实现的 表现最好的团队在四个软件交付指标(变更前置时间、部署频率、变更失败率以及失败部署恢复时间)上都表现优异,表现较差的团队在这四个指标上都表现不佳。我们在各个绩效群体中都发现了来不同业的团队。应 DORA 的解 5https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告利 DORA 改进团队和组织,需要评估当前的
8、状况,找出需要投和改进的领域,并建反馈机制来监测进展。持续改进的团队往往能够获得最的收益。建议组织投资源,培养出能够期重复改进的能。我们的研究结果可以为你的实验和假设提供参考。进测试并评估变更效果,找到最适合团队和组织的改进式。这样做有助于验证我们的发现。请注意,你的结果可能会有所不同,欢迎分享你的进展,以便家共同学习。我们建议以实验为基础的改进法:1.确定你想改进的领域或标。2.评估当前的基准状态。3.制定假设,找出可能帮助你达成标的法。4.制定并执改进计划。5.开始动。6.评估取得的进展。7.重复这过程。改进需要通过迭代和逐步推进来实现。6https:/内容供个学习&社区分享研究加速:20
9、24 年 DevOps 现状报告7https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告软件交付绩效 技术驱动型团队需要有效的绩效评估法,以了解当前状态、优先改进事项,并验证改进成果。DORA 提出的四关键指标,已被验证为衡量软件交付过程成效的有效具。四关键指标 DORA 的四关键指标于评估软件变更的效率和稳定性,适于所有类型的变更,包括配置和代码的变更。变更前置时间:从代码提交或变更开始到成功部署到产环境的时间。部署频率:应变更被部署到产环境的频率。8https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告变更失败率:产环境中导致失败的部
10、署百分,通常需要紧急修复或回滚。失败部署恢复时间:从失败的部署中恢复到正常状态所需的时间。我们观察到,这些指标通常同步提升或下降。表现最佳的团队在所有四项指标上均表现优异,表现较差的团队在这四项指标上则表现不佳。软件交付绩效的演变 在分析四关键指标时,变更失败率直是个例外。尽管它与其他三个指标度相关,但统计测试法限制了将四个指标合并为个因素。我们对受访者的回答式进调整后,增强了关联性,但我们认为可能还有其他因素在发挥作。我们直认为,变更失败率可以作为团队返量的个指标。当交付失败时,团队通常需要通过引新的变更来修复问题。为了验证这假设,今年我们新增了个问题,询问应程序的返率:“在过去的六个内,您
11、负责的主要应或服务中,有多少次部署是为了解决户可的错误计划中的操作?”数据分析证实了我们的假设:返率和变更失败率密切相关。这两个指标共同构成了软件交付稳定性的可靠度量。在软件性能平分析中,我们也发现了这点。今年有超过半的团队在软件吞吐量和稳定性表现出明显差异。基于这些差异,我们将软件交付绩效分为两个因素:概念软件交付绩效因素 软件交付吞吐量软件交付稳定性使的指标9https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告本报告的分析中,我们使了软件交付绩效及其两个因素的概念。所有五项指标均于描述软件交付绩效。在描述软件交付吞吐量时,我们使变更前置时间、部署频率和失败部署
12、恢复时间,这个因素衡量变更速度,包括正常变更和故障修复的速度。在描述软件交付稳定性时,我们使变更失败率和返率,衡量部署是否会意间导致更多的返需求。变更前置时间 部署频率 失败部署恢复时间 变更失败率 返率10https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告绩效平 每年,我们都会询问受访者关于其主要应或服务的软件交付绩效情况。我们通过集群分析法,识别出回答中的相似群体,找出不同的绩效平。我们使原始的四项软件交付指标进集群分析,以保持与往年致性。在今年的分析中,我们发现了四个不同的绩效集群。我们并不预先设定这些平,是让它们从调查数据中然浮现。这使我们能够获得所有受
13、访者的软件交付绩效的整体情况。今年的数据中呈现出四个独特的集群,具体如下所示。89%置信区间 追求吞吐量还是稳定性?在所有四个集群中,吞吐量和稳定性之间都存在关联。即便是在中等绩效集群(橙)中,吞吐量较低但稳定性于绩效集群(),这种关联依然存在。这表明,除了吞吐量和稳定性之外,还有其他因素影响集群的整体表现。例如,中等绩效集群可能会受益于更频繁的变更发布。更频繁的部署和更少的失败,哪个更优?这个问题并没有通的答案,取决于具体的应或服务、团队的标以及户的期望。绩效平变更前置时间部署频率变更失败率失败部署恢复时间受访者例*精英于 1 天按需(每天多次部署)5%于 1 时19%(18-20%)1 到
14、 7 天每天每周次20%于 1 天22%(21-23%)中1 到 4 周每周每次10%于 1 天35%(33-36%)低1 到 6 个每每半年次40%1 到 4 周25%(23-26%)11https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告我们将速度更快的团队称为“绩效团队”,将速度较慢但更稳定的团队称为“中等绩效团队”。这命名式突显了个潜在的问题:团队应该更关注持续改进,仅仅追求某特定的绩效平。最佳团队是那些实现精英改进的团队,不定是达到精英绩效的团队。图 1:软件交付绩效平 与低绩效团队相,精英团队实现了显著成果。如何使绩效集群 12https:/内容供个学
15、习&社区分享研究加速:2024 年 DevOps 现状报告绩效集群提供了本年度调查受访者的软件交付绩效的基准数据。其的是激励所有团队实现精英平的绩效。相追求特定绩效平,我们认为团队应更加专注于整体的持续改进。实现精英改进的团队才是最佳团队,不定是达到精英绩效的团队。业对绩效的影响不显著 我们的研究很少发现业能够预测软件交付绩效;各个业中均存在绩效团队。这并不意味着没有业特有的挑战,但在软件交付绩效,没有任何业具有独特的优势或劣势。使软件交付绩效指标 每个应或服务的环境都是独特的,因此很难预测任何个变更对系统整体绩效的影响。此外,在组织中乎不可能次只改变个。那么,我们如何有效地利软件交付绩效指标
16、来指导改进?先,明确您希望衡量和改进的主要应或服务。我们建议召集负责该应的跨职能团队,评估并达成共识,确定当前的交付绩效。DORA 快速检查()可帮助引导讨论,设定基准。团队需要明确是什么在阻碍更好的绩效。找到这些障碍的个有效法是和团队起完成价值流映射。接下来,确定并同意个改进计划。此计划可聚焦于 DORA 研究的能之,或针对您应或组织的特殊需求。制定好计划后,是时候付诸动了!为改进作分配资源,并关注在过程中学到的经验。在变更实施并产效果后,重新评估四关键指标。变更后这些指标有何变化?学到了哪些经验?不断重复这过程,将帮助团队建起持续改进的习惯。请记住:改进需要时间。采迭代法,营造学习、快速流
17、动和即时反馈的环境关重要。13https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告 智能:应与看法 要点 各业的绝多数组织正在调整优先级,以更深层次地将 AI 集成到其应和服务中。多数开发员也依赖 AI 辅助完成核任务,并报告产因此得以提升。开发员普遍认为,使 AI 是在当今市场中保持竞争的关键,这观念推动了 AI 在组织和个层的泛应。简介 随着今年量报道呈现出 AI 对开发作产的深远影响,论是积极的、消极的,还是引发担忧的,AI 的影响已经法忽视。因此,尽管在 2023 年加速:DevOps 现状报告中,AI 只是众多影响绩效的技术能之,但今年我们对这话题进了更
18、深的探讨。随着 AI 在专业开发作中迅速从边缘应向普及,我们认为 2024 年加速:DevOps 现状报告为评估开发员对 AI 的采纳、使和态度提供了个重要的时机,正值业的关键转折点。14https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告主要发现 智能的采 研究表明,AI 已不再是“未来趋势”,是已经完全进了我们的常作并很可能期存在。组织层的 AI 采情况 绝多数受访者(81%)表示,他们的组织已将更多资源投到 AI 的应和服务中。49.2%的受访者甚认为这转变的程度是“中等”或“显著”的。3%的受访者则表示其组织对 AI 的关注有所减少(在本次调查的误差范围内
19、)。78%的受访者表示,他们信任组织在调整优先级后会透明地告知 AI 的使计划。图 2 展示了这些数据。组织优先级关于 AI 的变化 图 2:受访者对其组织在应和服务中整合 AI 的优先级转变的看法。误差条表示 89%置信区间 15https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告来各业的受访者报告了在常作中对 AI 依赖的相似程度,这表明 AI 的快速应在各业中同步展开。这点令意外,因为各业的监管要求和创新步伐通常不同,这些差异通常会影响技术的应速度。不过,我们发现型组织的受访者在常作中对 AI 的依赖性相对较低,这与先前研究致,即型公司由于组织复杂性和协调成
20、本的原因,适应技术变较慢。个层的 AI 采情况 在个层,75.9%的受访者在其常职责中少部分依赖 AI。对于以下任务,多数受访者依赖 AI 来完成:1.编写代码 2.总结信息 3.解释陌代码 4.优化代码 5.编写档 6.编写测试 7.调试代码 8.数据分析 在所有被调查的任务中,最常的 AI 例是代码编写和信息总结,分别有 74.9%和 71.2%的受访者在这些任务中依赖 AI(少部分依赖)。图 3 展示了这些数据。任务对 AI 的依赖性 16https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告图 3:受访者依赖 AI(少部分依赖)完成 12 项常开发任务的百分
21、 误差条表示 89%置信区间 在常作中,受访者最常通过聊天机器使 AI(78.2%),其次是外部 Web 界(73.9%)和集成在 IDE 中的 AI 具(72.9%)。相之下,内部 Web 界(58.1%)和作为动化 CI/CD 流线的部分使 AI 的例较低(50.2%)。我们注意到,受访者对其 CI/CD 流线和内部平台中的 AI 使情况的了解,可能受限于与这些技术的接触频率。因此,这些数据可能存在低估。数据显示,数据科学家和机器学习专家其他职位的受访者更依赖 AI。硬件程师则较少依赖 AI,这或许是因为硬件程师的职责不同于 AI 常于辅助的开发任务。17https:/内容供个学习&社区分
22、享研究加速:2024 年 DevOps 现状报告智能采的驱动因素 访谈中,参与者普遍认为,采 AI 的决策受竞争压的驱动,以及跟随业标准的需求推动。如今,业标准越来越认可开发员和组织应具备 AI 技能。对于些受访者所在的公司来说,使 AI 本身就是个“重要的营销亮点”(P3),有助于与竞争对区分开来。竞争对开始引 AI 的消息甚促使某家公司突破了“庞杂的官僚流程”,急于采 AI,并提出“如果竞争对先于我们动会怎样?”(P11)。在个层,许多参与者表示,熟练使 AI 现已成为“程师的新标准”(P9)。部分参与者还建议开发员快速将 AI 纳开发流程,因为“这个领域变化太快了,乎跟不上如果不使 AI
23、,很快会被淘汰”(P4)。智能的应感受 智能带来的绩效提升 在泛采 AI 的组织和开发员中,AI 在开发作中的效益显著。75%的受访者表示,在 2024 年初的调查前的三个内,他们因 AI 获得了产提升。值得注意的是,超过三分之的受访者表示其产提升“中等”(25%)或“极”(10%)。少于 10%的受访者报告了因 AI 带来的轻微负影响。图 4 展示了这些数据。AI 对产的影响 18https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告图 4:受访者对 AI 影响其产的看法。误差条表示 89%置信区间 在不同职位中,因 AI 获得最产提升的受访者主要是安全专业员、系
24、统管理员和全栈开发员。相之下,移动开发员、站点可靠性程师和项经理的提升幅度较。尽管我们曾怀疑 AI 的新颖性和学习曲线会阻碍开发员编写代码的能,但数据并未持这假设。仅有 5%的受访者表示 AI 影响了他们的编程能。实际上,67%的受访者表示 AI 辅助具在定程度上提升了他们的编程能,约 10%的受访者观察到编程能的“极”提升。对 AI 成代码的信任 参与者对 AI 成代码的信任度看法不。尽管 87.9%的受访者表示在定程度上信任 AI 成代码的质量,但总体信任度不,39.2%的受访者表示信任较少(27.3%)或完全不信任(11.9%)。这些数据在图 5 中展示。AI 成代码的质量信任度 图 5
25、:受访者对 AI 成代码质量的信任度。19https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告误差条表示 89%置信区间 尽管调查显示开发员迅速采 AI 并依赖它来提升绩效,但信任度普遍不令意外。许多访谈参与者表示,愿意或预期会对 AI 成的代码进调整。有位参与者将审查 AI 代码输出作“早期的 StackOverflow,那时你认为上的都很有经验,知道如何解决问题。但你复制粘贴代码时,却发现它会出问题”(P2)。或许因为类似问题已不新鲜,像 P3 的参与者认为,公司并不担有会直接复制 Copilot 或 ChatGPT 代码,“因为有多层代码质量检查”。我们假设
26、开发员并不需要对 AI 成代码的准确性有绝对信任,也需绝对信任才能使其发挥作。相对准确并可通过调整完善的 AI 代码以让开发者觉得有价值,并且能与现有的质量保证流程相兼容,激励泛采。对 AI 未来的展望 我们的研究表明,AI 已对开发员的作产了重影响,预计这趋势将继续增。虽然很难预测 AI 对未来开发作乃世界的具体影响,但我们邀请受访者分享了他们对 AI 在未来 1 年、5 年和 10 年内影响的看法。受访者普遍认为,AI 近期对开发作带来了积极的影响,但对 AI 未来的影响持较为谨慎的态度。从乐观度看,受访者期待未来 1 年、5 年和 10 年内,AI 能持续改善产品质量,这是基于 AI 对
27、开发绩效已有的积极作。然,受访者也预计 AI 会对职业涯、环境及社会整体产负影响,并认为这些负影响将在约 5 年内显现。图 6 展示了这些数据。AI 的预期负影响 误差条表示 89%置信区间 访谈参与者对 AI 未来的看法也较为复杂。些担未来的法律监管,害怕“如果监管落地,可能会站在错误的”(P3)。20https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告图 6:受访者对 AI 在未来 1 年、5 年和 10 年内可能带来负影响的预期。另些则表达了期存在的焦虑,质疑“AI 会不会取代类?谁知道呢?也许吧。”(P2)。另些则以过去为例来平息这种担忧,回忆当年“们说Y
28、2K 会让切崩溃!但什么也没有发。相反,还创造了更多的作。我相信 AI 也会有类似的结果”(P1)。AI 对世界的未来影响仍然未知。不过,今年的调查清晰地显示,AI 已在软件开发领域带来了法忽视的深刻变。截前,这些变受到开发员的泛欢迎。21https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告22https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告 AI 的深层次影响 要点 本章探讨了 AI 采对从个开发者到整个组织的泛影响。研究结果显示了个复杂的现状:AI 带来了显著的好处,但也产了些意想不到的负影响。AI 虽然提升了个的产、流动性和
29、作满意度,但可能也减少了于有价值作的时间。AI 还改善了代码质量、档和审查流程,然,这些进步并未转化为更的软件交付绩效。实际上,AI 的应在这领域反显示出负影响,对产品性能的作也乎可以忽略不计。尽管存在这些挑战,AI 仍与团队和组织绩效的提升有关。本章呼吁对 AI 在软件开发中的作进理性评估,并主动调整其应,以实现最化的收益并减少潜在的负影响。AI 时代与 DORA 估计表明,领先的科技巨头将在未来五年内投约 1 万亿美元于 AI 开发。这与“智能:采与态度”章的统计数据致:81%的受访者表示其公司已将资源转向 AI 开发。23https:/内容供个学习&社区分享研究加速:2024 年 Dev
30、Ops 现状报告AI 带来的环境影响进步推了成本。部分估计显示,到 2030 年,AI 将导致数据中的电需求增 160%。训练个 AI 模型的耗电量相当于“1000 多个美国家庭年的电量”。3 因此,超过 30%的受访者认为 AI 将对环境带来不利影响。除开发和环境成本外,AI 的采成本也不容忽视。这种成本包括产的潜在下降和专家招聘需求,甚在社会层上也会产影响。超过三分之的受访者认为 AI 在未来年可能对社会造成损害。对这些成本,们对其回报的强烈好奇显得顺理成章。这种好奇已经反映在量媒体报道和研究中,们对 AI 的观点也各有不同。些认为 AI 极地提升了类能,另些则认为 AI 只是个辅助具,也
31、有担忧 AI 将成为类的威胁。就近端成果,如完成具体任务的能,AI 的正效果相对明显。然,当关注点转向更远端的结果,如团队代码库时,结果变得模糊。例如,有研究表明代码变更量可能是 2021 年前基线的两倍。理解这些下游影响的挑战不喻。影响距离因果关系越远,效果越难以明确归因。评估 AI 的下游影响类似于量化头投湖中的涟漪。最容易观察到的是近处的波纹,越远离点,波动的影响越,也越难将波浪归因于头。AI 就像投进充满复杂流程和动态变化的海洋中的块头。理解 AI(或任何技术和实践)所引发的泛影响常具有挑战性。这也许正是业难以建套系统的测量和分析框架来全理解 AI 影响的原因之。我们的法专为应对此类挑
32、战设计。DORA 旨在评估实践的正或负效应。在过去年中,我们探索了多种实践的下游影响,包括安全实践、变型领导、成性化、档管理、持续集成、持续交付以及以户为中的策略。24https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告我们相信,DORA 的法可以帮助我们深了解 AI 的影响,尤其是在多个层探索 AI 的综合作时。衡量 AI 的使情况 评估 AI 使影响的要挑战在于如何准确测量 AI 的应情况。我们发现,与其关注使频率,不如关注依赖程度更能反映 AI 在开发作流中的核作。你可能每隔周才进代码审查或档编写,但仍将这些任务视为关键。相反,频繁使 AI 并不定意味着你在
33、核作中依赖 AI。基于此,我们询问了受访者对 AI 的总体依赖情况以及特定任务中的依赖程度。上章已详细介绍了调查结果及其分析。25https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告通过因分析,我们发现“总体”AI 依赖与以下任务的依赖度相关:代码编写 信息总结 代码解释 代码优化 档编写 测试编写 这些任务间的度关联和致性表明了个我们称之为“AI 采”的潜在因素。AI 对个的影响:显著益处与潜在利弊 与往年样,我们评估了多个与个成功和幸福感相关的指标:指标描述作满意度衡量个对作整体满意度的指标。倦怠反映倦怠在身体、情绪和理影响的综合指标,涵盖对个活的各影响。流动
34、性衡量个在开发任务中专注程度的指标。产评估个在作中效完成任务与创造价值能的综合得分。处理琐事的时间衡量个在重复性、动且价值有限的任务上所花费时间例的指标。从事有意义作的时间衡量个在认为有价值的任务上所花费时间例的指标。26https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告我们希望了解 AI 采是否会影响受访者的回答式。结果表明确实如此。图 7 展示了我们对 AI 采对个成功与福祉影响的最佳估计。如果个的 AI 采增加 25%图 7:AI 采对个成功与福祉的影响 点=估计值 误差条=89%置信区间 明显的好处 AI 对个的好处总体上是显著的,但也存在些问题。*显然
35、,AI 对流动性、产和作满意度有明显的积极作(图 7)。*例如,个的 AI 采增加 25%时,产约增加 2.1%(图 7)。虽然这看似微,但在个层仍有意义。试想这种提升推甚数万,将带来显著的效果。我们认为这种效果部分得益于 AI 整合不同信息源并提供个性化反馈的能。主完成这些作耗时较多,并涉及频繁切换上下,难以维持流动性。27https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告产和流动性与作满意度密切相关,因此 AI 采提作满意度也不为奇。潜在的利弊 这情况变得复杂起来。AI 的个核价值主张是帮助们将更多时间花在有价值的作上,即通过动化琐碎任务,使们能够专注于“更
36、有意义的事情”。然,数据显示,增加 AI 采可能会带来相反的效果于有价值作的时间减少了,琐碎任务的时间似乎未受影响。福祉指标(如流动性、作满意度和产)通常与有价值作的时间相关。因此,虽然这些指标上升,但有价值的作时间却减少,着实令意外。要合理解释这些模式,需要应对这种表上的盾。好的解释不能忽视其中不吻合的部分。我们提出了个称为“真空假设”的假设。AI 提升了产和流动性,使们更效地完成有价值的作,从腾出更多时间。这就是“真空”的产点;多出了额外时间。AI 并未减少作中的价值,是加速了其实现。那么,什么是有价值的作?为了理解这些看似盾的发现,我们进步探讨了受访者认为的“有价值”作和“琐碎”作的类型
37、。根据传统观点、以往报告以及访谈中的定性数据,受访者普遍认为开发相关的任务(如编写代码)是有价值的作,与组织协调相关的任务(如参加会议)则通常被视为琐碎甚低价值的作。在这种分类下,AI 更擅协助完成“有价值”的作,不太能帮助处理“琐碎”的任务。28https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告在访谈中,我们还发现,参与者往往根据作的影响来衡量其价值。当被问及是否认为的作“有意义”时,参与者常常提到作的影响。DORA 的两年数据进步表明,以户为中的作对提升作满意度有极的帮助。例如,在谈到最近的变动时,P1012 表示这样做是为了“影响更多和更多事”。P11 也
38、提到:“当你从头构建个东,看到它被交付给户或客户时,会感到成就感,可以对说,是的!这是我交付的,别正在使它!”理解到开发作的“意义”源于解决案的影响,不仅仅是代码编写的过程,有助于解释为何受访者在有价值作上的投时间减少,但作满意度却更。尽管 AI 让有价值的任务更轻松效,但它对们不喜欢的任务帮助不。琐碎任务和倦怠感依然存在,这说明 AI 还未能帮助我们避免会议、官僚主义等琐事(图 8)。好消息是,AI 没有使情况更糟,也没有对受访者的福祉产负影响。图 8:这不是数据,是我们假设的可视化:AI 在帮助完成有价值的作,但对减少琐事帮助。29https:/内容供个学习&社区分享研究加速:2024 年
39、 DevOps 现状报告AI 对开发作流的积极影响 上节关注个层的影响,本节则聚焦于流程、代码库和团队协作。以下是我们测量的相关结果:与之前样,我们的标是了解这些是否因 AI 采有所不同。图 9 展示了在 AI 采增加 25%时,这些结果的最佳估计变化。整体来看,数据呈现了 AI 的强影响。以下是本节的关键结果:档质量提升 7.5%代码质量提升 3.4%代码审核加速 3.1%审批加速 1.3%代码复杂性降低 1.8%如果 AI 采增加 25%指标描述代码复杂度代码复杂性对产的影响程度。技术债务过去六个内技术债务对产的影响。代码审查速度完成代码审查的平均时间。审批速度从提出代码更改到获得产批准的
40、平均时。跨职能团队协作(XFN)对过去三个跨职能协作有效性的评价。代码质量对过去六个内主要服务或应的代码质量的满意度。档质量对内部档(册、README、代码注释)的可靠性、可查找性、更新情况及持能的评价。30https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告 图 9:AI 采对组织的影响。点=估计值 误差条=89%置信区间“智能:采与态度”章的数据表明,AI 最常于代码编写。67%的受访者表示 AI 帮助他们提升代码质量。在这,我们得到了进步的证实。AI 似乎确实改善了代码质量并降低了代码复杂性(图 9)。如果对旧代码进重构,AI 成的质量代码可能会使代码库整体
41、变得更优。通过 AI 成的质量档也将进步提升代码库的质量(“智能:采与态度”)。更质量的代码使得代码审核和批准更加迅速。结合 AI 辅助的代码审核,审核和批准速度明显加快,这在数据中清晰体现(图 9)。当然,代码审核和批准加快并不意味着流程本身更加全。我们可能是因为过度依赖 AI 辅助或对 AI 成代码的信任获得速度提升。这现象并不与图 9 的模式相盾,但并唯结论。31https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告此外,前还不清楚代码和档质量的提是否由于 AI 成,还是因为 AI 增强了我们从原本认为低质量的内容中获取价值的能。如果因为 AI 的强,我们能更
42、好地理解这些内容,那么我们对质量的标准是否有所降低?这两种解释并不盾,可能共同促成了这些模式。可以明确的是,AI 有助于们更效地利档和代码库,并减少代码审核和批准流程中的瓶颈。但尚不清楚 AI 如何实现这些优势,以及这些优势是否会带来进步的下游好处,例如软件交付的改进。AI 对交付绩效的负影响 过去年,我们观察到软件交付吞吐量和稳定性之间的联系逐渐弱化,表现出定的独性。虽然吞吐量和稳定性之间的传统关联仍然存在,但新兴证据显示,这两个因素的独性值得单独考量。如果 AI 采增加 25%图 10:AI 采对交付吞吐量和稳定性的影响。点=估计值 误差条=89%置信区间 32https:/内容供个学习&
43、社区分享研究加速:2024 年 DevOps 现状报告出乎意料的是,研究结果表明,AI 采对软件交付绩效带来了负影响。数据显示,AI 对交付吞吐量的影响虽但可能为负(AI 采每增加 25%,吞吐量估计减少 1.5%)。在交付稳定性,负影响更为显著(每增加 25%的 AI 采,稳定性估计减少 7.2%),具体数据图。以往研究表明,提升档和代码质量、加快代码审查与审批速度、降低代码复杂性,通常会改善软件交付绩效。因此,看到 AI 改善了这些流程指标,却对吞吐量和稳定性产负影响,确实令意外。根据以往的研究结果,我们推测 AI 在提产和代码成速度的根本性转变,可能让忽略了 DORA 的基本原则之:批量
44、的重要性。由于 AI 加速了代码成,变更列表的规模可能增加。DORA 贯表明,较的变更通常更慢且更容易引发不稳定性。总体,我们的数据表明,优化开发流程并不会动改善软件交付,少在不遵循批量和强测试机制等关键原则的情况下不会如此。因此,尽管 AI 对许多个和组织因素产了积极影响,为效软件交付创造了条件,但它显然不是解决切问题的灵丹妙药。33https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告绩效团队和组织在使 AI,但产品收益不明显 在这,我们关注 AI 与以下下游结果之间的关系:将这些结果与个的 AI 采之间的联系是复杂且充满噪声的。有时,这种分析就像是在探讨今天的
45、午餐对公司全年表现的影响。在微观层(例如个)和宏观层(例如组织)之间建关联是有逻辑的,我们在“法论”章中讨论了这推理跃迁。现在,让我们先来看下这些关联:如果 AI 采增加 25%组织绩效衡量组织整体绩效的综合评分,包括盈利能、市场份额、客户总量、运营效率、客户满意度、产品/服务质量及标达成能。团队绩效衡量团队协作、创新、作效率及适应能的评分。产品绩效衡量产品的可性、功能性、价值、性能(如延迟)及安全性的评分。34https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告 图 11:AI 采对组织、团队和产品绩效的影响。点=估计值 误差条=89%置信区间 数据显示,AI
46、采每增加 25%,组织绩效估计提升 2.3%,团队绩效提升 1.4%(图 11)。然,产品绩效与 AI 采之间并未显现出明显关联。我们可以进步探讨其中的原因。我们推测,团队和组织的强劲表现与产品表现的影响因素有所不同。团队和组织的成功在很程度上依赖沟通、知识共享、决策和健康的化,AI 在这些缓解了些瓶颈,从对团队和组织产了积极影响。然,产品的成功可能涉及更多因素。尽管优秀产品的基本要素与绩效团队和组织相似,但其与开发流程和软件交付的联系更加直接紧密。AI 引后,这些可能尚在稳定过程中。产品技术的重要性可能是其中个原因,但产品开发中的创造性和户共情因素也很重要。对于那些认为所有问题都可以通过计算
47、解决的,这或许难以接受,但某些产品开发过程(如户体验设计)可能仍然(甚永久)依赖类的直觉和专业知识。尽管如此,组织、团队和产品绩效之间确实相互关联。尔逊相关分析表明,产品绩效与团队绩效具有中等正相关性(r=0.56),与组织绩效的正相关性也在中等平(r=0.47)。这些结果相互影响,形成依赖关系。绩效的团队通常会开发出更好的产品,但如果接的是表现佳的产品,可能会影响团队的成功。同样,绩效的组织通过资源和流程持绩效团队,但组织的问题也可能制约团队表现。因此,如果 AI 能显著提团队和组织的绩效,产品受益的可能性也是合理的。AI 采才刚刚开始。某些益处和弊端可能需要时间才能显现,这可能与 AI 影
48、响的特性或其有效利的学习曲线有关。35https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告或许我们正在逐步了解 AI 如何帮助组织和团队,产品创新和开发的潜尚未完全实现。图 12 尝试可视化这种逐步展开的情形。图 12:不同学习曲线的示意图。这是个示范性的抽象概念,不基于真实数据。那么,接下来该怎么做?我们希望了解当前 AI 的潜,以帮助个、团队和组织。从显现的模式来看,这不仅仅是空谈,AI 确实正在发挥作。有明确的证据持采 AI。然,潜在的阻碍、成中的挑战,以及 AI 可能带来的负影响也是不可忽视的。在规模应 AI 时,可能并不像按下播放按钮那样简单。灵活透明的
49、策略可能带来巨收益,这策略需要由领导者、团队、组织、研究员以及 AI 开发者共同制定。36https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告领导者和组织应优先在持员的领域采 AI。以下是些有关制定 AI 采策略的建议:定义清晰的 AI 使命和政策,以增强团队和组织。向员清晰传达 AI 的使命、标和实施计划。通过阐明总体愿景和具体政策如代码使规定和具许可可以减少顾虑,并将 AI 定位为帮助员专注于更有价值、更具创造性作的具。培养持续学习和 AI 实验的化。营造励探索 AI 具的环境,为个和团队提供时间去发现有益的例,并赋予主选择的权利。通过在沙盒或低险环境中实践,
50、与 AI 技术建信任。考虑进步降低险,重点开发健全的测试动化。实施个评估框架,不仅以 AI 采数量衡量,是关注其如何帮助员成、惠及户并释放团队潜。认识并利 AI 的利弊来获取竞争优势。承认潜在的缺点,如减少于有价值作的时间、对 AI 的过度依赖、个领域的收益导致另领域的挑战,以及对软件交付稳定性和吞吐量的影响。通过识别险并积极引导 AI 的应,可以加速学习曲线,持探索,并将所学转化为动,形成真正的竞争优势。AI 的发展充满期待,并有许多值得学习的内容。DORA 将继续关注,致于提供诚实、准确和有价值的观点,正如过去年样。37https:/内容供个学习&社区分享研究加速:2024 年 DevOp
51、s 现状报告 to be continued 中版 PDF 件正在编辑中,即将完成!未完待续 38https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告关于译者 刘征:中国DevOps社区核组织者,前Elastic资深开发者布道师,DevOps HandbookThe Site Reliability Workbook译者;精通DevOps/SRE/ITSM等理论体系和相关实践等落地实现。致于在全国范围内通过社区来推DevOps的理念、技术和实践。推动开源技术堆栈的应,包括运维数据分析平台、云原服务治理、APM全链路监控和AIOps等使场景。博客:https:/ 反馈: 39https:/内容供个学习&社区分享研究加速:2024 年 DevOps 现状报告推荐阅读 Google SRE 书:1.事故管理剖析 2.SRE 容量管理最佳实践 3.产品导向的 SRE 可靠性 4.企业 SRE 路线图40https:/内容供个学习&社区分享研究