AI 时代，我们重新思考了团队协作

最近，我们做了一次真实的内部对比实验。

目标是同一个产品：一款文件级别的灾备工具。这不是练手项目，而是基于我们在 HyperBDR 等灾备产品中积累的真实经验，把对灾备系统的理解重新抽象为一个全新的灾备对象。有真实的业务背景，有真实的产品复杂度。

对这个需求，我们采用了两种截然不同的组织方式。

第一种，是大家熟悉的团队协作研发模式：由 Lead 将需求按模块拆分（文件同步、版本管理、恢复策略、任务调度等），两名前端 + 两名后端借助 AI 协作开发。Lead 同时承担产品经理职责，UI 由团队成员共同负责。

第二种，完全相反：由一名长期负责客户交付与一线服务的同事，独自借助 AI，从需求分析、方案设计到开发实现，不做任务拆分，全程端到端完成。

最终我们没有比较开发耗时或代码量，只看产品本身——好不好用、好不好看、体验是否顺畅。

结果出乎所有人的意料。

一个人的方案，在交付速度、整体一致性和产品体验上，都明显优于四人协作的版本。尤其是恢复流程的连贯性、异常处理的统一性，以及整体产品逻辑的一致性，差距非常明显。

为什么一个人反而更高效？

最直接的反应是：AI 加持下，一个人已经可以替代一个小团队？

但问题可能不在人数，而在任务拆分方式本身。

软件工程的组织方式，历史上一直在变。早期没有今天这么细的前端、后端、设计、测试、产品等角色划分，很多时候一个人就能从需求理解到功能交付全程负责。随着系统复杂度上升、技术栈细化，单人执行上限不足，分工才逐渐出现并固化。

这种分工并不是因为它"天然更高效"，而是当时生产条件下对个人能力上限的补偿。

AI 改变了这个前提。当 AI 显著放大个人执行能力之后，过去那些被迫拆开的任务边界，开始重新变得不稳定。

按模块拆分的前提，是模块间的耦合可以通过接口和沟通来解决。但在真实产品中，很多问题天然是跨模块的——以"恢复流程"为例，它同时涉及前端交互、后端状态机、数据一致性、异常处理和整体体验。拆给不同的人，就不可避免需要大量对齐理解。这些对齐本身，就是成本。

复盘时，我们观察到两组之间一个清晰的分化：

• 传统开发组是典型的 process-driven 模式：需求分析 → 详细设计 → 模块拆分 → 开发实现 → 联调测试，流程完整，环节清晰。
• 交付组同事则是典型的 outcome-driven 模式：不强调流程完整性，不关注中间路径，以最终交付结果为核心，在过程中不断借助 AI 修正与目标之间的偏差。

当 AI 降低了执行成本，流程本身的价值随之下降，结果导向的迭代能力变得更重要。这种差距，被进一步放大了。

重新看团队协作

这次实验让我重新思考一个更基本的问题：什么任务适合一个人，什么任务适合多人？

一个相对直接的判断是：如果一件事需要频繁进行业务层面的沟通，它大概率更适合由一个人完成。

因为这种沟通的本质不是协作，而是在反复同步"这件事到底是什么"。当同步变成常态，多人协作反而会放大理解成本，而不是降低它。

反过来，如果只是清晰的接口协作——边界明确，不需要反复解释业务本身——才适合拆成多人模块。

也就是说，任务拆分的标准正在发生一个根本性的迁移：

从功能边界，转向认知沟通成本。

进一步说，如果一个人在推进工作时还需要别人不断帮他理解业务，那他所处的仍然是旧的协作模型。在 AI 可以承担大部分执行工作的情况下，真正重要的能力不再是"能不能完成任务"，而是"能不能独立形成完整理解，并做出判断"。

AI 把开发从简答题变成了选择题

还有一个在这次实践中感受很深的观察。

AI 并不会让产品研发变简单，它只是让前 80% 变得更快。

原型、基础流程、页面结构、接口雏形——借助 AI 很快就能搭出来。但真正决定产品质量的，往往是最后 20% 的产品化过程。

前 80% 做得快的人，未必能把最后 20% 想透。

前 80% 更多考验的是执行密度，某种意义上"勤奋"就够了；而最后 20% 考验的是判断、取舍和审美，靠的是"聪明"——或者更准确地说，靠的是思维深度和品味。

过去写代码更像简答题：考验你能不能把问题解出来。

AI 介入之后，开发越来越像选择题和是非题：AI 会给出很多方案、代码、界面和路径，真正困难的变成了——你能不能判断什么是对的，什么只是"能跑"，什么才是"真的好用"。

关于最后 20% 的最佳实践，坦率地说我们自己也还在持续探索。但可以确定的是：AI 已经把很多过去依赖执行能力的问题，转化成了判断能力的问题。

结论

如果把这次实践抽象出来，我们看到的不只是效率问题，而是一个组织层面的变化。

AI 带来的价值，不会只体现在"写代码更快"这种局部优化上，而会逐渐收敛到一个更现实的问题：

在同样的目标下，是用更少的人完成同样的结果，还是用同样的人，放大数倍乃至十倍的产出？

这次实验，只是让这个问题变得更具体了一点。

而在 AI 时代真正拉开差距的，可能不再是传统意义上的执行能力，而是两件事：

思维深度，以及品味。