導讀：你的團隊 AI 採用率可能是 100%，但交付速度改善是 0%。這不是諷刺，這是系統性盲點。
TL;DR
- AI 工具只加速了「寫程式碼」這個內循環，但程式碼審查、測試、CI/CD 部署等外循環速度沒變
- 瓶頸不在寫得快不快，在等得久不久
- AI 採用率與交付速度改善，是兩條可以完全不相交的平行線
- 解法：把 AI 用在外循環，而不只是內循環
你以為你在開跑車，其實你在塞車道上換了更快的引擎
想像一個場景：你的工程師平均每天能寫出比以前多三倍的程式碼。聽起來很棒對吧？
但如果 Code Review 還是要等兩天、CI 管線跑一次要四十分鐘、部署需要人工審批、測試環境一週只開放三次——那麼你的工程師寫得再快，功能上線的時間根本沒縮短多少。
這就是「外循環瓶頸」的本質。
圖 1：內循環快如閃電，外循環塞車——瓶頸不在寫得快不快，在等得久不久
軟體交付的流程可以切成兩個圈：內循環是工程師個人的工作節奏——構思、寫程式、本地測試；外循環則是一個功能從寫完到真正上線所需經過的所有協作環節——Code Review、自動化測試、CI/CD、部署審批、監控確認。
現在市面上的 AI 編程工具，不管是 Copilot、Cursor，還是各種 Agent，幾乎全部都在加速內循環。它們幫你補完程式碼、建議重構方向、自動生成樣板，個人生產力確實大幅提升。
但外循環？原封不動。
DORA 早就告訴你了，只是你沒在量對的東西
DevOps Research and Assessment（DORA）每年都會追蹤軟體交付績效，長期研究指出，真正區分頂尖團隊與平庸團隊的指標，從來不是「寫了多少行程式碼」，而是四個外循環指標：
- 部署頻率：你多常部署到正式環境？
- 變更前置時間：從提交程式碼到上線，要多久？
- 變更失敗率：上線後出問題的比例有多高？
- 平均修復時間：出問題後，多快能恢復正常？
現在的問題是，很多導入 AI 工具的團隊，回報的成效是「開發者滿意度提升」、「程式碼產出增加」——這些都是內循環指標。外循環指標幾乎沒動。
這不代表 AI 工具沒用，而是代表我們用錯地方了。
就像你雇了一個打字速度超快的員工，卻讓他的報告繼續在三層審批流程裡空轉——快手打字改變不了你的決策速度。
問題的核心：我們把 AI 當打字機在用
大多數團隊導入 AI 工具的方式，是直接把它插進原本的工作流程：工程師用 AI 寫程式碼，然後繼續走原來的流程。
這個思路本身就是問題所在。
AI Agent 的真正潛力，在於它能接管外循環裡那些「人工但不需要人腦」的工作。
第一個盲點是 Code Review。 現在大多數的 Code Review 仍然完全依賴人工，而且常常是瓶頸中的瓶頸。一個 PR 等待 Review 的時間，經常比實際 Review 的時間長三到五倍。AI 完全有能力做初步的程式碼審查——找出常見錯誤模式、確認測試覆蓋率、檢查安全性問題——把人的精力留在真正需要判斷的地方。
第二個盲點是測試。 AI 生成測試的能力現在已經相當成熟，但很多團隊的 AI 使用場景仍停留在「幫我補完這個函式」，而不是「幫我把這段邏輯的邊界案例全部覆蓋」。更關鍵的是，如果 Agent 在完成任務之前，就先自己定義完成標準並執行驗證，外循環的測試瓶頸會大幅縮短。
第三個盲點是自動化部署的觸發邏輯。 CI/CD 管線本身已經自動化了，但很多觸發決策——要不要部署、哪個環境先跑、出問題要不要回滾——仍然是人工判斷。這些判斷很多都是規則型的，完全可以讓 AI 來處理。
行動建議：從哪裡開始
如果你想讓 AI 真正影響交付速度，建議從這三個地方著手：
1. 追蹤外循環指標，停止報告程式碼產出 下週的週報，把「AI 輔助完成了幾個功能」換成「平均 PR 等待 Review 時間」和「從提交到部署的平均時間」。你才會看到真正的瓶頸在哪。
2. 讓 AI 在交出任何產出前，先自己定義完成標準 這個做法看起來很小，但效果驚人。要求 Agent 在開始工作前說清楚「我怎麼知道這個任務做完了」，並在回報前自己跑一遍驗證。這樣能減少大量在外循環來回修改的時間。
3. 選一個外循環環節做 AI 試點 不要試圖一次改變所有流程。選出你們目前最慢的外循環環節——通常是 Code Review 或測試——把 AI 插進去，量測前後的等待時間差異。有了數據，才有資源繼續擴大。
結語：速度的幻覺與交付的現實
AI 讓工程師寫程式碼的感覺變得很爽——思路順暢、補完精準、樣板快速。這種爽感是真實的，但它是內循環的爽感。
外循環不爽，功能就不會更快到用戶手上。
真正的生產力提升，不是每個人的個人節奏加快了，而是整條流水線的等待時間縮短了。AI 採用率 100%、交付速度改善 0%，完全有可能同時成立——除非你開始把 AI 放進外循環。
引擎換好了。現在該清理路上的障礙了。
References
- DORA (2024). State of DevOps Report: Software Delivery Performance Metrics. DORA / Google Cloud.
- Dora Metrics Working Group (2024). AI acceleration of inner loop versus outer loop bottlenecks — systemic analysis of developer workflows. Internal Research / Blog Post.
- Agent Engineering Team (2024). Done criteria first — the design philosophy of self-verifying agent instructions. Internal Knowledge Base.
- Malleable Software Collective (2024). Malleable software — opinionated system design principles for the agent era. Blog / Talk.