AI热榜 编者按：经过三年的 AI 研发实践，快手已经完成了从工具铺设、个人提效到标杆团队验证的第一轮探索，今年初快手技术团队在InfoQ首次系统披露了他们的AI研发范式升级历程。
进入 2026 年，这套模式开始向万人规模的研发组织复制：AI 代码生成率持续提高，越来越多需求进入深度人机协作阶段，部分团队的需求吞吐和交付效率也出现明显提升。
但规模扩大之后，一个新的问题暴露了出来：参与同一个需求的开发人员越多，AI 带来的提效幅度反而越小。
一些开发和测试环节已经被 AI 显著加速，但从整体数据看，AI 深度参与的需求占比，并没有像预期那样与人均需求交付数同步增长。
继续下钻后，快手发现，抵消 AI 收益的已经不是工具能力，而是工具之外的环节：需求对齐、跨角色协作、任务交接和等待仍然按照传统方式运行；不同开发者使用 AI 的能力严重分化；业务、产品和研发相互分离的烟囱式组织，也让标杆团队的经验难以规模复制。
AI 加速了局部工作，也让原有组织中的摩擦更加集中地暴露出来。
这意味着，继续提高代码生成率、增加 AI 工具或者复制最佳实践，已经不足以解决下一阶段的问题。
快手因此开始把命题从“如何让研发人员做得更快”，转向“如何用 AI 重新设计交付流程、角色分工和组织结构”，并在 30 多个 AI 先锋团队中展开新一轮实践。
这篇文章复盘的，正是快手在 2026 年上半年撞上这堵“组织墙”之后，如何重新寻找 AI 提效路径：为什么标杆团队跑得通，规模复制却越来越难；研发提效为什么不等于组织提效；以及当工具红利逐渐见顶后，企业需要改变的究竟是什么。
01 规模复制之后，AI 提效为什么越来越难？
AI 研发提效基建（实践、度量、平台）都就绪了，标杆团队也跑出来了，按以往推广研发效能的模式，接下来难度应该不大。
但实际上，我们发现，L2 需求占比每往上推一个层次，要付出的力气比之前多得多，且在宏观上看，L2+需求占比，并不像预期的那样和人均需求交付数成正比。
问题出在哪里了？
我们通过微观的调研 + 宏观的数据印证，终于找到了这个阶段真正的 3 大卡点： ① 人：开发人员的 AI 开发能力两极分化 从 2025 年 10 月开始，我们通过大量的实战演练、必修课、AI 活动等覆盖全员。
宏观看，人效指标大幅提升，但下钻看，发现出现了明显两极分化的情况。
如下图所示，在 2025 年 12 月，我们通过观察 AI 代码生成率发现，30%人员的 AI 代码生成率已达 40%以上，但仍有 32%人员 AI 代码生成率在 10%以下：
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接