AI Coding 提升了研发个体效率,但组织提效还需进一步解决协作效率——PM 工作从”过程管理”转向”效率治理”:4 步法(数据可见 → 数据可信 → 异常定位 → 瓶颈挖掘)+ 3 个 PM-Skill(项目治理 / 健康巡检 / 智能需求排期)。
| 维度 | 数据 |
|---|---|
| 中位交付周期 | 19 天 → 9 天,提效 52.6% |
| P85 交付周期 | 52 天 → 23 天,提效 55.8% |
| 可预测性 | 33 天 → 15 天(P85 与中位数差距缩小) |
| 30 天以上长尾需求 | 35% → 7% |
| 60 天以上需求 | 11% → 0% |
| ≤14 天占比 | 升至 71% |
| 协作问题发现滞后 | 1—2 周 → 1—3 天 |
| PM 介入窗口 | “延期已成事实”前移到”风险刚开始累积” |
| 部门实践期 | 2025-10 ~ 2026-05 |
| 阶段 | 重点判断 |
|---|---|
| 模型现象 | AI Coding 后中位数改善但 P85 顽固——个体提效 ≠ 组织提效 |
| 组织效率公式 | 价值创造时间 /(价值创造时间 + 组织摩擦时间) |
| 摩擦在哪 | 排期等待 / 设计等待 / 联调等待 / 测试等待 / 资源冲突——全流程分布 |
| PM 视角迁移 | 从”过程管理”转向”效率治理”——基础与手段 vs 目的 |
| 4 步治理路径 | 数据可见 → 数据可信 → 异常定位 → 瓶颈挖掘 |
| 协作原则 | AI 负责发现问题 / 定位任务 / 呈现数据,PM 负责判断 / 调配 / 推动 |
| 数据可见 | 原子化任务 + 一个任务一个责任主体 |
| 数据可信 | TAPD 自动化规则驱动状态变化 |
| 异常定位 | AI 持续巡检阶段等待超时 / 长期未流转 / 资源负荷异常 |
| 瓶颈挖掘 | 双周 / 月度组织交付画像 + 长期组织瓶颈识别 |