2 篇博文 含有标签「生产力」

先说结论：这篇文章真正值得关注的，不是 Claude Code 团队“几乎所有提交都有 AI 参与”，也不是 PM 开始写代码。

真正的变革是：

软件工程正在从“管理有限的代码生产能力”，转向“管理近乎无限的实现能力，以及有限的判断、验证和反馈能力”。

这不是一次单纯的开发工具升级，而是工程组织底层约束的改变。当实现成本大幅下降后：

1. 团队不再缺少“把方案写成代码”的能力，而是缺少判断该做什么、不该做什么的能力；
2. 代码可以高速生成，但用户反馈、安全审查和领域专家时间无法同比扩张；
3. 原型可以随时产生，因此详细路线图更快失效，提前承诺错误方案的代价反而上升；
4. 每个人都能跨角色执行，但最终责任、专业判断和系统 Ownership 不能交给模型；
5. 组织的竞争力从“拥有更多开发者”转向“拥有更短、更可靠的学习与验证闭环”。

所以，AI 原生工程组织的目标不是让 Agent 写更多代码，而是建立一个能够持续回答以下问题的系统：

• 当前最值得解决的问题是什么？
• 最小成本的验证方式是什么？
• 哪些工作可以交给 AI，哪些判断必须由人承担？
• 生成的结果凭什么可信？
• 新能力出现后，哪些旧流程应该删除？

2026 年 6 月 3 日，Claude Code 与 Claude Cowork 工程总监 Fiona Fung 在 《Running an AI-native engineering org》 中，分享了团队在 Agentic Coding 成为默认工作方式后，对规划、上下文获取、代码评审、人才结构和团队治理的重写。

原文只有约五分钟阅读长度，却提供了一个重要样本：当代码生产不再是主要约束，一家工程组织会如何重新分配人的注意力。

当一家开发前沿 AI 的公司，把研究镜头转向自己的员工，会看到怎样的未来？

Anthropic 在 2025 年 12 月发布了 《How AI Is Transforming Work at Anthropic》。这不是一篇常见的“AI 提效案例”：研究结合了 132 名工程师与研究员的问卷、53 次深度访谈，以及约 20 万条内部 Claude Code 使用记录，试图回答一个更困难的问题：

AI 让人完成了更多工作之后，人的能力、协作关系和职业身份发生了什么？

答案并不简单。生产力显著上升，工程师也变得更“全栈”；但与此同时，深层技能可能失去练习机会，人与人的协作被重新分配，监督 AI 所需的判断力也面临退化风险。