在讲每一个具体领域之前，我想先说一说请 AI 做的一个估算。
对于这个估算，我也是后知后觉的。在 AI 兴起的这段时间，我一直有个潜意识——“AI 去掉了开发难度，加速了开发进程，一个人配上 AI，顶得上过去一个团队”。我相信这是一个普遍的感觉。前段时间，在和 AI 讨论了一晚上需求开发之后，我的大脑仍然平静不下来，我突然想到：应该让 AI 估算一下，我们常规的项目在 AI 全力协助下，到底能加速多少。如果答案和我们普遍的感觉一样，那么过程管理的很多内容（比方说进度排期）的确就失去了场景。
于是我请AI 做了这样一个估算：“假设一个典型项目，原来 10 个人做 6 个月，也就是 60 个人月，从需求收集一直到交付，使用 AI 后需要多少人、多长工期？”
AI 的回答，颠覆了我之前的感觉。
它先把项目拆开：
阶段（占比） | AI加速 | 为什么 |
需求收集与澄清（~15%） | ≈1.3× | 和人谈、挖没说出口的需求、让各方对齐——AI 没法替你建立信任、读懂言外之意，也没法让客户快 3 倍做决定 |
设计与方案（~15%） | ≈1.6× | 判断、取舍、架构决策。AI 能帮着生成选项、算清代价，但“选哪个”是人的判断 |
编码实现（~30%） | ≈4× | AI的主场，快 3–5 倍很常见 |
测试与验证（~20%） | ≈3× | 写测试用例快，但“判断这东西是不是真的对”这一半快不起来 |
集成、联调、缺陷修复（~15%） | ≈2× | 排查靠 AI 能提速，但也就 1.5–2 倍 |
项目管理与协调（~5%） | ≈1.5× | 人少了会自然减少，但本身不太能被 AI 直接压缩 |
看出问题了吗？AI 能把倍率打到 4、5 倍的，只有“编码”这一段，而它只占三成。它两边的需求、设计、验证、协调，是“判断密集”的活，AI 提速就没有那么高了。
按这个分段折算，总账是这样：
- 需求：9 ÷ 1.3 ≈ 7 人月
- 设计：9 ÷ 1.6 ≈ 5.6 人月
- 编码：18 ÷ 4 ≈ 4.5 人月
- 测试：12 ÷ 3 ≈ 4 人月
- 集成修复：9 ÷ 2 ≈ 4.5 人月
- 项目管理：3 ÷ 1.5 ≈ 2 人月
新总量 ≈ 27–28 人月，相对原来 60 人月，整体压缩到约 45%，综合提效约 2.2 倍。这个 27 人月，是假设质量守住了的理想值。如果为了追求“快”，把验证、设计、追溯都省了，AI 会飞快地帮你产出一堆“看起来对、实际错”的东西，返工会把省下的时间连本带利吐回来——那时候连 2.2 倍都保不住。
然后AI给了几个开发方案：
方案 | 人数 | 时间 | 特点 |
A | 5人 | ~5.5个月 | 接近原时长，人减半 |
B | 4人 | ~7个月 | 更少人、沟通成本最低 |
C | 6人 | ~4.5个月 | 想压缩工期，但沟通开销上升，效率打折 |
人少则拖长工期，不是“一个人顶一个团队”；保持人数，工期也无法等比例压缩，因为需求澄清、客户对齐、真实环境验证这些环节有“物理时间下限”。 团队仍在，工期仍在。 AI 加速的是“执行”，不是“判断”。而一个软件项目里，判断是压不动的那部分——需求要什么、方案怎么选、做出来的是不是真的对。所以整体远没有想象中快，而慢下来、顶上来成为瓶颈的地方，恰恰是过程管理的地盘。
这个估算让我更加相信，我的思考和实践是在正确的方向上。
（本篇的估算是量级判断，不是精确预测。倍率高度依赖任务类型：标准业务逻辑 AI 可能快 5 倍以上，新颖复杂、强领域知识的部分可能只有 1.5 倍甚至帮倒忙。但无论具体数字如何，“执行被加速、判断没有”这个结构不变——这才是重点。）
