the year of 2025

信不信由你，2025年，绝对是充满了ai的一年。ai初现锋芒的一年。

去年，前年的时候，当我尝试用ai生成的sql查询数据时，我会发现要跑通一条较为复杂的join查询，可能要花费跟你亲自写一条sql一样的时间。

但是今年，当我用claude code sonnet 4 集成bigquery mcp，几乎每次都能给出超出预期的数据。2025年，普通程序员用ai的过程中，产生的正反馈逐渐超过负反馈。当然，这与你使用ai的熟练程度也呈一定的关系，熟练的ai使用者应该很清楚具体什么场景适合使用ai，并且很大程度的利用ai的能力。

我相信，在软件行业的breaking through，很快就会成为各行各业的大潮流。

我的第一个疑问，很多人的疑问就是，便是ai在行业里的影响将会是怎样的？但是这个问题离我们太远，不如进一步问自己，“如果一个公司（我的公司）要落地ai，要采取什么样的措施？路径是怎样的？“

这个问题说的不低不高一点就是：企业级人工智能实施与战略架构

Architecting Enterprise AI Implementation and Strategy，企业级人工智能实施与战略架构

我就这个问题，在notebookllm里进行deep research，拿到了三个非常有参考价值的文档：

1. 15 AI Business Use Cases in 2026 + Real-World Examples 15个ai的应用场景，涵盖了当下主流的ai成功使用场景和案例。可对照自身公司，许多公司已经将copilot code review 作为了强制项。
2. How to Measure AI Performance 这篇文章阐述了该从哪些角度跟踪ai的指标，如果企业要把ai作为业务的核心技术支撑，必须要开始思考如何评估ai的实际价值。
3. OpenAI report: The state of enterprise AI OpenAI的行业报告，本篇博客很多结论，都是基于此行业报告推导而出。

OpenAI 的行业报告（November 2024 and November 2025），提出了一些观察，比如：

• AI使用量激增，ChatGPT 的企业消息量增长了 8 倍
• 工作流集成增长，对应项目的使用量增长19倍
• 从实验室走向生产，超过 9,000 家组织处理了超过 100 亿个 Token
• 突破角色边界，非技术部门正在利用ai完成以前无法胜任的任务
• 科技行业ai使用量增长11倍

基于这些背景，在2025年12月这个节点，我想从公司，我所在的公司发展阶段来讨论这个问题。

短期：ai增强为主（增效）

短期发展ai的问题

• 对ai认知程度不一，熟练程度不一
  • 使用方法不合适，导致使用ai的结果不合预期
  • 主观偏见
• 没有足够的ai应用想法和需求，无法嵌入到现有workflow中
• 好的实践无法被推广
• 好的想法没人实现

短期目标（增效+普及）

• 拉齐对ai的基本认识
• 可集成的想法和idea，在公司层面激增
• 普及ai实用的使用场景
• 普及实用/可落地工具，让ai成为增效工具

短期，不同团队角色，需要的职责

• 团队
  • ai pioneer team 需要承担的责任
    • 攻克前沿技术
    • 摸索实践边界
    • 提供可行的解决方案和思路
    • 分享实用经验
• business team
  • 应用实用经验
• role team
  • 思考不同角色，在workflow中，可应用ai的场景
  • 提出ai需求

从角色的角度看，短期可用/迅速开发落地的ai产品

OpenAI 的行业报告里总结道，AI 发展的限制因素已不再是模型性能，而是组织的准备程度，领先企业通常在以下五个方面做得更好：

• Enterprise usage is scaling, with deeper workflow integration. ChatGPT message volume grew 8x and API reasoning token consumption per organization increased 320x year-over-year, demonstrating that more enterprises are using AI and their intensity of usage has increased.
• Enterprises that leverage AI are experiencing measurable productivity and business impact. Enterprise users report saving 40–60 minutes per day and being able to complete new technical tasks such as data analysis and coding. Case studies indicate AI is contributing to important outcomes such as revenue growth, improved customer experience, and shorter product-development cycles.
• Enterprise growth is global and rapidly accelerating across industries. Over the past six months, international adoption has surged as organizations worldwide deepen their use of AI, complementing continued strong momentum in the U.S. In the past 12 months, the median sector grew by more than 6x, with the technology sector leading the pack at 11x.
• A widening gap is emerging between leaders and laggards. Frontier workers are sending 6x more messages and frontier firms are sending 2x as many messages per seat than the median enterprise. There’s a substantive gap in the likelihood to utilize the most capable AI tools today, despite broad availability of these tools. Models are capable of far more than most organizations have embedded into workflows, and this presents an opportunity for firms.

由此，可得出，不同角色的边界应该，正在，也迟早会发生变化，比如公司的产品，应具备直接进行数据分析和更面向技术方面的产品调研能力。

从角色的角度看，目前可应用的ai产品，包括（同软件开发流程中的ai应用）

• 产品 TPM
  • confluence rovo
  • 产品分析工具
    • agent + big query mcp
    • agent + confluence
    • agent + amplitude
• 开发
  • agentic coding tool: like Claude code
  • Code review
  • Copilot
• 测试
  • 测试用例管理
  • ai原生的自动化测试工具
• 项目
  • agent + jellyfish mcp / jira mcp

短期来看，从公司的角度来看，需要做以下的准备，依据准备程度，来选择自己最合适的ai集成路径

• Deep system integration through enabling context
  • They turn on connectors to give AI secure access to company data inside core tools, enabling context-aware responses and automated actions. Roughly one in four enterprises still has not taken this step.
• Workflow standardization and reuse
  • They actively promote the creation, sharing, and discovery of repeatable solutions for common tasks. GPTs often power this work, while the most sophisticated organizations embed API-powered assistants directly into core internal systems.
• Executive leadership and sponsorship
  • They set clear mandates, secure resources, and align teams, and create space for experimentation, all of which enable deployment at scale.
• Data readiness and evaluations
  • They codify institutional knowledge into machine-readable routines, build APIs for key data pipelines, and run continuous evaluations to track model performance on real-world outcomes.
• Deliberate change management
  • They build structures that speed organizational learning, combining centralized governance and training with distributed enablement through embedded AI champions.

翻译一下，数据，流程，人才（学习和适应），管理（执行力，落实力）。

就此我来分析一下我们公司，

1. 业务上下文： 我们确实有沉淀一些文档，但是这些文档能够直接作为业务上下文，并且与业务接口直接匹配的部分很少，或许这就是目前最紧迫，最需要完善的部分。
2. 数据: 我们公司有购买Google的数据平台，bigquery，类似snowflake。从此数据平台开放的mcp服务，可以非常容易的获取全公司的所有数据库定义和数据，而且有非常好的上下文分析管理能力。
3. 流程: 我们公司采用的开发流程是略微标准的敏捷开发流程，从Planning -> Design -> Development -> Testing -> Deployment -> Maintenance，每个环节都有非常丰富的ai应用场景。
4. Deliberate change management，ai在一个公司的发展是否是一个战略性目标，是一个自上由下的决策，如果你遇到了一个看到ai变革的趋势的领导，并且愿意为之投入资源，请务必珍惜他！不是每个公司的领导都有动力推动ai的普及，甚至很多领导是站在排斥者的角度看待这一个趋势的。

AI-Driven SDLC: The Future of Software Development

中期：ai原生为主（基于ai搭建开发流程）

中期可能存在的问题

• 无法突破现有的组织框架和工作流程，停留在工具属性
• 无可靠的基础设施支撑更为复杂和深度的ai整合
• 某些流程，过分依赖ai，导致产品质量问题，幻觉问题，影响实际业务

中期目标

• 开始在某些开发环节，成为主力
• Ai在各个工作流程中，打破原有工作流，形成新的流程
• 各个角色，绝大多数员工，普遍接受ai作为公司变革的主要因素

中期发展，可搭建的基础设施

• 数据
  • 数据清理，归纳，使数据成为ai awareness的数据源
  • 数据管理平台：类似bigquery，或者就是bigquery
• tools/skills + 业务上下文
  • 各个业务部门的api，skills，tools
• prompt 管理
• model
  • Fine-tuning
  • opensource model training
• agent

长期

此时此刻，我没有太多想法，但是可预见的长期可能性是。

• 完善，健全基础设施，在某些领域颠覆开发流程
• 围绕ai原生产品创建新流程，企业开始适应ai开发节奏和发布节奏

最后

在团队的角度看，每个公司都已经开始搭建自己的AI pioneer team，而此team在公司不同阶段的职责和定位又是如何？这是一个很值得思考的问题。

我们下次再聊？