摘要：除非你的业务诞生于大学机器学习（ML）部门，或是在过去三年内构思，否则你不太可能是一个“AI原生组织”。但这并不意味着你不能拥抱AI原生开发。

AI时代需拥抱AI原生开发，结合平台工程与MLOps/AIOps。招聘重潜力与学习能力，AI是业务与人的转型，非纯技术。

译自：How To Build an AI-First Organization, One Engineer at a Time

除非你的业务诞生于大学机器学习（ML）部门，或是在过去三年内构思，否则你不太可能是一个“AI原生组织”。但这并不意味着你不能拥抱AI原生开发。

当我们进入2026年，组织需要驾驭AI带来的巨大社会技术转型，并将变革管理引向新的方向。传统的DevOps已不再足够，但其工程最佳实践比以往任何时候都更加必要。平台工程成为基本要求，因为它有助于交付MLOps，将AI融入到具有安全护栏和关卡的持续交付管道中。而深厚的技术经验的重要性被淡化，取而代之的是“软”核心技能，例如响应变化、学习和协作的能力。

在这个持续变化的时代，以下是一些针对你当前技术人才和培训的永恒AI优先战略。

随着AI的出现，生成的代码比以往任何时候都多——而人工参与却更少。但如果编写代码从来不是瓶颈，那意味着交付速度依赖于磨练通往生产环境的所有其他环节。AI的成功很大程度上来自于掌握工程最佳实践——但有一个重要的变化。

Andela技术人才市场的数据和AI实践负责人Tiago Miyaoka说：“除了传统的DevOps之外，你还需要增加更多东西来考虑AI的重要性。”

DevOps实践趋于确定性，遵循相同的循环，直到发生重大变化。他继续说，生成式AI和AI代理更具概率性且并非总是直截了当，结果会随时间变化。MLOps和AIOps适应了这种变化。

Andela产品和工程高级总监Jake Hoffner说：“如果你考虑DevOps和PlatformOps，它是一个确定性输出——它必须工作，你必须检测它是否不工作。”但对于生成式AI，“这些是系统创建的概率性输出。你如何确定性地判断某个事物正在概率性地生成良好输出？”

软件工程师需要向他们的数据科学同事学习如何对生成结果进行评分和抽样。他们还需要学习何时在灵活性可以接受时走概率性路径，以及何时在可靠性和一致性不可妥协时保持确定性。

Hoffner强调，如果某个事物每次都必须有相同的输出，那么你不能在运行时系统中使用生成式AI来生成其中的任何部分。

他说：“如果你希望AI产生确定性输出，让它编写在运行时产生输出的代码，而不要在运行时依赖AI本身的输出。”“一个或多个人应始终首先审查代码。”

嵌入DevOps最佳实践——自动化CI/CD管道和护栏、监控和可观测性、带回滚的持续交付——在大规模部署中至关重要。除此之外，DevOps原则中的小批量代码和更短的反馈周期使人类和AI代理都更加成功。

所有这一切都通过平台工程团队铺设的带有护栏的路径得以实现。内部开发者平台使得正确做事变得容易，无论是对于所有经验水平的工程师、AI代理集群，还是日益增长的两者编排。

最近发布的2025 DORA报告也同意这一观点，推荐了七项能力，与AI结合，可带来最佳结果：

其中最容易被忽视的或许是保持以用户为中心。许多不透明的自上而下的AI指令导致了“为AI而AI”。正如Microsoft技术卓越高级总监Shahzia Holtom所建议的：“先做难事，[然后]真正关注用户视角。”

Miyaoka和Andela的同事将AIOps定义为AI工程，即使用AI开发新的AI应用和系统。这依赖于AI架构，例如用于存储AI将在AI应用中查阅的知识库或文档的向量数据库。这包括模型上下文协议（MCP）以及支持其上基于API的可扩展性的内部开发者平台。

Miyaoka说：“你的云中所有组件都以这种架构连接。对于代理式AI，你通常有多个，也许是数十个AI代理，它们连接在一个非常复杂的管道上。”特别是对于AIOps，“你需要非常仔细地监控所有这些，确保一切正常运行。因为，如果其中一个环节出现故障，那么你的整个应用程序就会崩溃，如果你的应用程序宕机，你就会蒙受损失。”

这包括确保你的数据科学家、软件工程师和平台工程师持续监控模型漂移和性能，以查看实时结果是否符合预期。这需要创造性、探索性的思维模式来找出任何变化的原因。

AI工程还应与更多面向客户的角色结合，以帮助识别客户行为的变化或过时的知识库。

大多数组织仍在招聘注重技能的职位。

但随着一切变化如此之快，任何技术或编程语言选择都可能随时被AI改变、淘汰或取代。而对于这种最新、最光鲜的技术，即使许多招聘广告有要求，拥有多年的经验也是不可能的。

Hoffner说：“在Andela，我们更深地强调软技能，因为这始终很重要，”但这“被许多评估提供商忽略了。”

他观察到，随着LLM（大型语言模型）接近博士级别的知识，工程师的决策能力变得更加重要。人才评估需要相应发展。

他说：“鉴于现在还处于早期阶段，我认为公司应该寻找那些不断寻求适应工作流程的人。”“你正在寻找那些更愿意适应、更愿意应用和测试不同技术并查看什么有效的人。因为此时，一切都尚未确定。”

相比于在某种编程语言上的年限，最好根据适应变化的能力进行招聘，然后再辅以技能培训项目。

随着AI生成的简历流入AI驱动的申请人追踪系统，通过传统招聘途径验证经验变得越来越具挑战性。

Miyaoka说：“要区分谁是真正熟练掌握AI的工程师……并能立即投入工作，真的很难。”鉴于AI在软件开发生命周期中仅有大约三年的历史，不合理地要求过多AI工程经验是不合理的。

Andela发现，DevOps最佳实践和发现AI生成代码中错误的能力，可能比多年的AI实践经验更有价值。

相比于在某种编程语言上的年限，最好根据适应变化的能力进行招聘，然后再辅以技能培训项目。

Hoffner继续说，更好的“评估不仅识别原始技能，还识别更核心、更不局限于某种特定技能的天赋——更具基础性。”他还建议进行评估，以识别“那些更愿意成为早期采用者的人，他们更愿意灵活地利用这些工具，并重新思考他们迄今为止所了解的一切，因为一切都在变化。”

这也不仅仅是个体工作流程层面。Miyaoka补充说，从DevOps到AIOps的转变，意味着团队也必须使其现有技术栈适应AI时代。这不仅需要从外部招聘，还需要内部技能提升。

高级工程师应积极指导落实安全和护栏。采用带有监控和回滚的平台运营 (PlatformOps) 方法，使得试错、学习和再尝试变得更加安全。

Google Cloud的DORA负责人Nathen Harvey说：“你不应该仅仅让AI生成一些东西就将其发布到生产环境。”“在此过程中必须有其他步骤和验证。”

我们比以往任何时候都更需要人工参与与AI交互。我们需要能够跨部门协作的快速学习者。到目前为止，AI最大的影响是在个人生产力方面，这就是为什么在团队、部门和组织层面很少出现“AI惊喜”的原因。

Harvey说：“AI在软件交付中的主要作用是放大器。AI投资的最大回报来自于战略性地关注底层组织系统。”“如果没有这个基础，AI就会创造局部生产力孤岛，从而导致下游混乱。”

这就是为什么最近麻省理工学院的一项研究发现，95%的组织从AI试点项目中获得了零投资回报。该研究归咎于缺乏情境学习和实验受困于数据孤岛。

集中式AI实验和实施是回答你需要在规模化决策中所需的业务信息的唯一途径。

DORA 2025规定了设计这些新的AI原生工作方式的方法，以打破这种分隔：

DORA团队认为，AI应该增强我们目前正在做的工作，包括消除现有工作流程中的摩擦，并增加价值流映射——理想情况下，这应超越个体团队或开发者体验。

McKinsey and Company高级顾问Lee Fulmer问道：“你试图解决什么业务问题？”“我不相信有独立的AI战略。甚至没有独立的技术或数据战略——它们都嵌入到我们的业务战略中。”

在这里，平台工程再次成为一种成功模式，因为它创建了一个单一视图，以业务方能够理解其技术投资的方式，将工程和数据科学与业务目标连接起来。

Fulmer继续说：“AI是一场业务和人的转型，而不是一场技术转型。”“当然，技术实力很重要，但AI优先战略只有在以人员和流程——即你的业务的缘由和方式——为基础时才能奏效。”

集中式AI实验和实施是回答你需要在规模化决策中所需的业务信息的唯一途径。

AI for the Rest of Us的创始人Hannah Foxwell解释说：“学习一点AI可能令人望而生畏。”

“未来不会由别人交到我们手中。我们将弄清楚如何利用这项惊人的新技术，我们将通过共同努力来实现。”

那些指望AI削减员工人数的组织，将是AI第一阶段中首批颜面尽失并失去价值的。

事实上，目前最受追捧的能力是乐于接受变革。正如Microsoft AI首席执行官Mustafa Suleyman今年6月在X上发帖所说：

“未来十年最大的职业加速器：真正、真正善于学习。

快速学习，快速成长。”

那些指望AI削减员工人数的组织，将是AI第一阶段中首批颜面尽失并失去价值的。这破坏了在巨大变革时期进行实验和创新所需的信任和心理安全。

Makers首席执行官Claudia Harris说：“目前最有影响力的智能形式是学习商 (LQ)：学习能力。”她极力主张，在AI方面没有人落后，因为我们必须关注AI采用的人文层面。

在10月举行的AI for the Rest of Us大会上，Harris说，一种超能力是“能够理解自己不笨：‘只是我而已。我需要坚持不懈，即使感觉很糟糕，我的投入产出比低于预期。’学习需要投入大量精力，而且过程很混乱。”

她继续说，这意味着不再成为某种技术的专家，而是成为研究、分析、创造、编码和沟通基础知识的专家。从关注枯燥的用例开始。

无论某人是新员工还是现有员工，Andela的团队都在围绕解决问题、协作和编写代码创建持续的评估和培训循环。

无论你担任什么角色，拥有多少年经验，乐于实验和学习都将是2026年及以后最受欢迎的雇佣技能。

提升内部团队的最新AI技能。

来源：小康科技观