阿里云 7 个样板间，探索 AI 原生研发组织的实践

AI 正在重写软件研发流程，也把研发组织推到了变化的前沿。因此，“AI 原生组织”一词变得很热，但热度并不是我们此刻开口的理由。 阿里云 CTO 产研线围绕业务北极星目标展开的实践已经取得了一些局部成果，也开始暴露出更难的问题：当 AI 原生实践走入深水区，单点提效和局部最优远远不够。因为研发团队从来不是一个孤立系统，它嵌在业务、组织与产业协作之中。我们决定不等答案成熟，在探索仍在进行时公开分享真实的进展、困惑与未解之题。希望与更多研发组织相互验证、彼此激发，一起把“AI 原生研发组织”从一个“吸睛概念”，形成新的组织范式。 本文对云栖大会《AI 原生研发组织论坛》做一个简单的回顾，对一些精彩的观点和有用的实践，做一个总结。由于篇幅关系，本文从组织纬度进行回顾，另有 7 个落地实践将分别由 7 篇独立的文章展开。 一个大型研发组织在 AI 原生实践中的阶段性观察 阿里云研发副总裁唐洪回顾了近几年的技术变化。唐洪先从技术变化的速度讲起。他按时间线回顾：2022 年底，ChatGPT 让大家看到，通用的预训练模型可以解决很多问题，不需要每个领域都做一个细分模型；推理模型出现后，模型不只可以对话，也开始长思考、帮人解决问题；再到工具和记忆被接入，Agent 开始直接干活，包括接收目标、制定计划、执行任务、读取工具反馈，再根据结果修正和迭代。 他把今天的智能体计算范式概括为“模型加 Harness 加 Context”：模型负责理解、判断和实时决策，Context 提供全面、统一、持续更新的上下文，Harness 负责智能体的自主运行与持续进化。当这一范式逐渐清晰，模型能力继续提高、算力逐渐变便宜，Agent 会一步步进入生产的各个环节。问题也随之变成：怎样用好 Agent 的能力，把潜在的生产力变为现实。 过去三个月，阿里云 CTO 线启动了一轮面向研发组织的 AI Native 探索。唐洪强调这轮探索不是为了解决某一个具体的技术难题，也不是为了创造某一个产品，而是针对组织本身，思考怎样用 AI 解决组织问题和协同问题，并创造实际价值。 基于这轮探索，他提出了三个判断。第一，Agent 进入生产链路，才是真正的分水岭。第二，AI Native 不单单是为了降本，“降本是第一位”，更重要的是竞争维度的跃迁。第三，AI Native 会经历三个阶段：先是工具原生，让个人用好 Agent 工具；再是工作流原生，让原本需要很多步骤完成的事情尽量由 Agent 贯通；长期目标是组织原生，让整个组织以 AI Native 的方式工作。唐洪也强调，技术发展得很快，他们自己仍在探索，不敢说这次论坛提供的是标准答案，更希望借这个场合相互切磋、相互印证，抛砖引玉。 阿里云 CTO 线组织发展负责人蔡亮从组织视角解释了这轮探索的出发点。他提到早期的打字车间和数据打孔车间：每个时期的组织和管理都在回应当时的技术条件和能力供给。在他看来，技术变化会改变能力的稀缺程度，组织分工也必然随之调整。 在他看来，AI 没有让个体能力、协作和管理的稀缺性完全消失，同时增加了一个过去没有的边界：人类第一次要和非人智能体共同工作。当 Agent 开始承担任务，新的契约怎么建立，目前还没有现成答案，会经历一个持续的探索和建设的过程。 这轮探索把问题分成两类。一类是“成长型”问题：在现有框架内极致优化，继续检查需求、产品、设计、开发、测试、发布和运维整条链路，寻找任何可以提升的空间。另一类是“进化”问题：在 AI 能力和客户价值之间，颠覆和重构一切。 这轮探索采用“北极星、留白、沙箱”的推进方式。“北极星”目标至关重要，起到动员和激发 AI 原生转型创新的作用，同时也决定了哪些创新需要持续加注；留白意味着创新不用等待管理配套完全准备好，允许团队在试验阶段跨越原有岗位边界；沙箱为尝试提供支持环境，并尽量控制对主干生产链路的影响。观测过程指标用于观测和比较，不直接进入考核，用“发现”新物种的模式，目的是减少针对指标过度局部优化的动作变形。 样板间的入选标准包括进入生产场景、有可观测的业务结果，并具备复用可能。 经过几个月的尝试，出现了一些局部的成绩，例如某个项目将全链路处理时长从 两个小时缩短至 5 分钟；另一个项目在两周内完成 几十个需求，将发布周期从 40 天缩短到 2 天，并整理出十几个生产级的 Skill。这些数据不代表整体表现；样板间实践中哪些做法可以复用，仍需继续验证。阶段性实践带来了两方面变化：一是核心资产开始重构，从产物本身转向支撑可信再生的条件；二是下一阶段的平台级需求逐步收敛到三个方向。 第一，让任务可靠执行。围绕 Harness 和“规范即代码”，补齐执行约束与运行治理、多 Agent 编排、自动验证与验收，并用硬标准设置验收门槛。第二，让经验持续积累。推动工具、Skill 和 MCP 资产化，把经验提炼、评测和版本演进连成闭环，并继续探索能力的自进化。第三，让协作进入组织。围绕多 Agent 编排和“Agent 进组织”，继续处理角色升维与团队混编、Agent 身份权限、Human + Agent 协作、端到端可观测与效能分析，以及 Agent 场景的理性选型。 Panel：人和 AI 之间的新契约 Panel 由阿里云智能集团 CTO 线组织发展负责人蔡亮主持。三位嘉宾分别是：阿里云智能集团副总裁、CTO 办公室负责人唐洪，阿里云智能集团副总裁、公共云业务事业部解决方案总经理韩鸿源，以及蚂蚁百灵产品和运营负责人、AAIF 大使边思康。 本次论坛少见地把圆桌讨论设置在 7 个实践议题之前，目的是补充论坛上下文，让参会观众更有代入感。 从个人实践谈起 蔡亮：第一个问题先给洪哥。你是一个 AI Native 实践者，也是六千多人研发组织的管理层。你自己是怎么做 AI Native 实践的？对你到底有什么帮助和价值？ 唐洪：先声明一下，我们试图预演过，但每次都像模型输出一样，非常不稳定，所以这次决定即兴。这个问题，我之前也没听过。我从初中开始用计算机写代码，后来经历了 PC、互联网、移动互联网和云计算时代。今天我很深的一个感受是，写代码的热情又回到了初中、大学毕业和刚从业的时候。 一个新的技术时代到来，第一件事还是保持谦虚，真正去学习它。技术看起来是螺旋上升，每一轮都能看到过去的影子，但每一次上升又有质的变化。如果问什么是 AI Native，我觉得自己必须先用它，先尝试改变我处理问题的方式，再去改变周围同学解决问题的方式。只有真正进入这些问题，才会知道它到底是什么。 蔡亮：洪哥先“跳下去”了。老韩，你也讲讲你自己。 韩鸿源：我可能是在座唯一一个不写代码的人。我从来没有把写代码当成全职工作，但我是把代码生产出来的东西，最终拿给客户的人。 跟代码有关的词至少有三个：Coding、Programming、Software Development。它们最终可能都落到 Coding，但差异很大。代码写出来，并不等于有了 Software，最多可能只是一个能运行的 program。 真正的软件有大量功能性和非功能性要求。现在很多工具叫 Coding Agent，因为 Coding 是工作量的实现过程；但 Software 里还有太多事