Zendesk：生成式 AI 讓代碼不再稀缺，研發瓶頸轉向「吸收能力」

作者 | Eran Stiller

譯者 | 明知山

Zendesk 最近提出，生成式 AI 改變了軟件交付的核心制約因素——從編寫代碼轉變為所謂的「吸收能力」。所謂吸收能力是指組織清晰界定問題、將各類變更融入整體系統、驗證功能行為正確性並將落地成果轉化為穩定可靠價值的綜合能力。在 Zendesk 的論述框架下，當代碼供給變得充足，核心挑戰便不再是快速產出代碼，而是要避免快速生成的內容與架構一致性、評審能力及交付流程脱節。

在 Zendesk Engineering 的一篇博文中，Bence A. Tóth 用農業與製造業的類比闡述了這一觀點。他認為，若系統中仍存在其他約束條件，僅優化某一環節未必能提升整體吞吐量。他在文中寫道，在軟件領域，生成式 AI 已大幅降低代碼生產成本，實現環節不再是最大瓶頸。

回看 Margaret Hamilton 那張標誌性的阿波羅登月軟件照片，當時代碼編寫仍是軟件交付的主要制約因素（來源）

Tóth 提出的 「吸收能力」 這一概念涵蓋了將生成式代碼轉化為可靠成果所需的各項工作，包括明確要構建的內容、讓實現方案與整體架構保持一致、通過驗證確保可靠性，以及判斷最終變更是否切實提升了客户價值。

文章提出了四項務實應對措施。首先，問題定義應成為產品與工程團隊的共同責任，而非單向交接，因為模糊的需求可能導致看似合理、實則偏離目標的實現。其次，團隊應通過完善驗證閉環來降低試錯成本，包括 CI 檢測、靜態分析、安全檢查、可觀測性建設、分階段發佈，以及部署后的快速產品反饋。

第三，架構與工程規範應作為 AI 輔助交付的支撐框架，包括清晰的邊界劃分、統一的命名規範、通用模板、輕量級的架構決策記錄（ADR），以及在 CI 流程中強制落地的防護機制。最后，團隊應衡量整體交付效能而非單純產出量，優先關注前置時間、評審隊列耗時、變更失敗率、回滾頻次及事件負載等指標，而非代碼行數、PR 數量或詞元數量。

他認為，AI 會放大代碼庫與交付流程中已有的結構性問題。在模塊邊界清晰、不變量有文檔説明、實現路徑少且易於理解的系統中，AI 能夠提升研發效率，同時也更容易進行引導與校驗。而在規範模糊或存在架構漂移的系統中，同樣的加速效果反而會加劇不一致性、加重評審負擔，並降低對代碼變更的可信度——這些變更在局部看似合理，卻可能在更大範圍內對系統造成損害。

在 InfoQ 近期一篇關於 Agoda 對 AI 編碼工具看法的報道中，Agoda 同樣認為，編碼從來都不是真正的瓶頸。隨着實現速度加快，規範與驗證的重要性愈發凸顯。Zendesk 則進一步深化了這一觀點，明確指出了新的制約因素，並將其定義為組織設計問題：如何在不影響架構穩定性與交付質量的前提下提升團隊吸收快速變更的能力。

對於架構師和工程負責人而言，這意味着真正的優勢並不屬於生成代碼最多的團隊，而是屬於能夠安全、高效地吸收更多有價值變更的團隊。

查看英文原文：

https://www.infoq.com/news/2026/04/zendesk-absorption-capacity/

聲明：本文由 InfoQ 翻譯，未經許可禁止轉載。