中国信通院车昕等：企业数智研发从单点提效走向体系升级之路

企业数智化转型已步入业务与技术协同深化的新阶段。数智研发能力作为核心引擎，正支撑企业从单点试点迈向体系化转型。随着人工智能技术演进趋稳，传统研发范式正从被动应对转向主动拥抱变革；新型研发范式在落地推广中，通过融合应用探索价值高效转化路径，以适应缩短的验证周期与收窄的迭代空间。

人工智能加速融入企业经营全链路，数智研发成为技术落地与行业升级的核心抓手。随着AI在代码生成、需求分析、测试执行及知识检索等能力的成熟，企业研发关注点已从工具搭建拓展至流程再造、知识沉淀与组织协同。在政策引导与产业变革的双重驱动下，建设重心转向研发方法、流程及组织体系重构，以支撑企业数智化高质量长效发展。

政策持续引导人工智能规模化落地，加强数智研发与场景应用联接。2026年政府工作报告提出打造智能经济新形态，深化“人工智能+”，推动重点行业商业化规模应用。同年3月，《中华人民共和国国民经济和社会发展第十五个五年规划纲要》强调加快数智技术创新，促进生产方式深层次变革。9月，工信部《“人工智能+软件”专项行动实施方案》明确目标：到2028年，培育一批高水平智能编程工具和平台，覆盖2万家规模以上软件企业，实施100项智能化技改项目，提升全流程自主开发能力。

产业竞争重心向研发端前移，倒逼企业革新研发模式。面对市场需求快速迭代与产品生命周期缩短，企业竞争延伸至研发效率、创新速度及智能化能力。传统依赖个人经验、分阶段传递的研发模式存在周期长、损耗高、复用难等痛点。将AI融入并革新现有研发模式，实现高效率、低风险及规范化流程，是构建数智化研发体系的核心要件。

当前，众多企业在需求、编码、测试等环节引入AI工具，局部降本提效显著。但从企业级视角看，数智研发尚未形成稳定、可复用的完整能力。研发知识语义贯通、智能原生架构、AI工具链路协同、资产复用及组织机制适配等关键卡点制约了整体价值释放。企业需从多维度协同发力，打通全链条堵点，实现体系性升级。

1. 研发多源数据可汇集，但异构语义难以贯通

多数企业虽已汇集基础研发数据，但知识沉淀与跨环节贯通仍困难。大量业务规则存在于文档或隐性经验中，且不同系统间存在一词多义、同义不同词等异构语义问题。人工治理成本高且难度大，导致AI无法获取准确上下文，限制其深度应用。

依托AI自然语言与语义理解能力，企业可构建异构语义兼容解析能力。通过搭建研发领域知识图谱，抽取、关联并对齐多源非结构化信息，自动识别同义表达。建立语义映射与动态对齐机制，打通需求、设计、代码、测试间的知识关联，降低人工治理成本，支撑AI稳定理解业务。

2. 智能原生技术框架仍待验证，新旧系统并行造成资源内耗

为追求短期成效，企业常忽略体系化顶层设计，导致建设路径碎片化。出于稳定性考量，新旧系统往往需重复开发同一业务逻辑，造成双轨开发，不仅放大工作量，还带来逻辑不一致与维护成本高等问题。底层架构不统一，难以支撑AI能力原生嵌入全流程。

企业应从“被动跟随”转向“主动提出”AI能力需求。在架构设计阶段，将AI作为底层能力原生嵌入，设计可复用的公共业务逻辑层，实现一次开发、多方支撑。同时，建立新旧系统平滑迁移策略，逐步收敛双轨开发场景，依托统一框架承载AI工具与知识资产，保障架构可持续演进。

3. AI单点工具持续落地，智能应用链路较为分散

单点AI工具虽能提升局部效率（如编码），但若全链路未打通，效率增益易在需求返工、系统适配中被抵消。各类智能工具独立运行，缺乏统一的知识底座、任务编排与权限管控，导致优质知识无法沉淀为组织资产，难以赋能整体效能增长。

企业需构建AI研发中枢，集中纳管各类助手，建立统一知识、任务编排与权限体系。沉淀提示词库与智能体模板资产库，完善执行日志与过程审计。依托平台串联多个AI工具，构建跨环节智能工作流，将单点效率转化为端到端研发效能提升。

4. 项目重复开发现象普遍，研发资产复用体系尚不健全

跨项目重复开发长期存在，研发资产缺乏全生命周期运营。相似业务流程、数据结构被反复编码，而过程中的模型、测试套件等资产随项目结题闲置，难以成为可复用的组织能力。

建立研发资产全生命周期管理体系是关键。对数据模型、测试能力、业务组件等进行统一登记、版本管控与标签化管理。搭建研发资产市场，明确适用场景与质量等级，推动业务能力模块化封装。建立资产贡献与评价机制，持续沉淀可复用能力，降低重复开发成本。

5. AI重塑研发人员能力边界，组织配套管理机制滞后

AI深度融入研发全流程，重构了各岗位职责。传统组织架构与考核体系难以适配智能协同模式，复合型人才需求增长但培养滞后。智能体权限管控、AI产出审核等制度不健全，存在责任模糊、风险难控等隐患。

企业应构建持续成长型组织机制，厘清岗位职责，优化考核体系。搭建复合型人才培养体系，强化AI工具运用与成果核验能力。配套智能体权限分级、内容审查及风险处置流程，明确责任主体。推进组织文化迭代，培育人机协同范式，保障AI研发模式安全稳定落地。

数智研发转型需围绕关键要素调整研发方法。测试、模型、领域、行为、语义和规范分别作用于不同环节，共同呈现核心转变特征。

测试驱动开发（TDD）：把质量反馈带入编码过程。先明确测试再实现代码，适用于业务规则清晰、质量要求高的场景。AI辅助生成用例与执行测试，确保每次修改获得快速质量反馈。

模型驱动开发（MDD）：把重复研发转化为模型复用。用模型表达业务流程与数据结构，由工具生成代码或文档。适合结构稳定、重复度高的场景，并为AI提供系统上下文，约束生成范围。

领域驱动设计（DDD）：让技术架构贴近业务边界。从业务领域出发，通过核心域、限界上下文和统一语言明确系统边界。适用于业务复杂、协作频繁的企业，帮助AI识别业务范围，减少偏差。

行为驱动开发（BDD）：用业务场景连接需求与验收。使用具体场景描述系统行为，使各方围绕共同场景澄清需求。适用于角色多、易产生理解偏差的流程，既作为AI输入，也作为任务拆解与验收依据。

本体驱动软件开发（ODSD）：为跨系统协同建立统一语义。形式化描述企业概念、关系与规则，适合知识密集、需跨系统语义对齐的场景。为大模型与智能体提供可信的企业语义基础。

规范驱动开发（SDD）：把个人提示沉淀为组织规范。在AI编码前形成包含目标、范围、约束的结构化规范。适合AI深度参与的场景，连接权限控制、代码评审与自动化测试，提升稳定性与可追踪性。

这六种模式简称为 "x-DD"，侧重点各异：TDD关注正确性，MDD关注复用，DDD关注边界，BDD关注共识，ODSD关注语义，SDD关注规范。面对复杂场景，需组合运用多种范式。

AI研发正从单点试点走向常态化落地，多范式融合旨在串联关键环节，形成自反馈的发展型模式。业界已形成多种组合实践，增强研发各环节的智能连贯性。

● BDD+SDD：以行为场景和结构化规范对齐研发目标。BDD将诉求转化为可验收场景，SDD梳理功能范围与质量标准。各方基于统一目标协作，推动需求从静态文档转变为共同维护的研发契约。

● TDD+MDD：以模型生成和测试反馈提高交付效率。MDD沉淀稳定流程为模型，支撑自动化生成；TDD提供短周期闭环反馈。二者协同提升资产复用率，管控AI生成内容的质量风险。

● DDD+ODSD：以业务边界统领研发上下文。DDD界定核心域与边界，ODSD完成跨系统语义关联。二者结合保持业务域独立性，同时为跨域共享与智能体协作构建统一语义基础，使AI获取的上下文升级为结构化知识。

通过多范式协同，企业串联需求、知识、模型、代码、测试与交付全要素。AI深度融入全流程，形成可复用、可验证、可治理的常态化研发生产力。

数智研发的长期价值在于沉淀研发能力并驱动产业创新范式变革。企业应补齐数据、知识、工程、治理和组织能力基础，形成适合自身的多范式协同体系。

研发效率由局部提速走向全流程提升。统一领域知识加强语义理解，清晰业务场景降低沟通成本，模型和规范支持快速生成。效能提升覆盖需求、设计、开发、测试和交付全流程。

创新能力由项目构建走向组织积累。业务知识固化至模型与语义体系，工程经验沉淀为规范与资产。新项目可依托既有能力底座快速启动，实现创新能力的组织化积累。

AI应用由单元试点走向研发生产力。AI从面向个人的即兴工具升级为受规则约束的组织化能力。在明确上下文、任务与权限后，AI承接分析与执行事务，研发人员聚焦决策与风控，个体实践沉淀为标准流程。

企业竞争优势由单个产品延伸到研发体系。体系化沉淀的知识资产、工程方法与协作机制难以被复刻。数智研发体系赋能企业敏捷响应市场，以低成本支撑业务试验，兼顾质量与合规，构筑差异化竞争力。

规模实践带动产业创新方式升级。当更多企业形成可复用的AI研发方法，产业链上下游可围绕统一标准协作，提高资源配置效率，推动产业创新从单点突破走向体系协同。

覆盖工具、平台、解决方案与落地验证的全栈能力体系，定义了企业研发数智化转型的核心基线，为体系化建设与长期发展提供标准依据与实施指引。

展望未来，伴随大模型、智能体与软件工程工具的迭代，数智研发能力体系将成为承接技术变革的核心载体。企业需依托真实场景渐进验证方法论，持续沉淀与运营研发资产，推动业务与技术、人与AI在统一体系内协同运转。只有完成体系化落地与长期资产积累，AI带来的短期红利才能转化为可持续的组织核心竞争力，进而释放产业层面的系统性创新价值。