当下AI原生开发席卷互联网行业，绝大多数团队都在用AI提效研发、辅助写代码。但很多企业都陷入了同一个困境：代码编写速度大幅提升，最终的业务商业价值、用户价值却没有同步增长。
飞猪CTO 陈烨 丨分享现场
在2026云栖大会上，阿里巴巴电商事业群·飞猪CTO 陈烨 结合赴美硅谷交流见闻，飞猪内部AI原生研发的落地实践，以及当下AI研发的核心趋势、行业现状与底层痛点，给出了自己的观察和思考。
01 行业巨变：AI研发正在经历三重迭代
走访硅谷OpenAI、Anthropic、NVIDIA、Google等头部企业后，陈烨总结出当下AI原生开发的核心演进趋势，整个行业正在完成三轮关键升级。
第一阶段是疯狂消耗Token。数月前，行业普遍陷入Token内卷，大家一味追求AI调用量，不计成本使用AI能力，催生了高额的技术账单，却忽略了实际价值。
第二阶段是追求研发效率（Efficiency）。近一两个月，行业认知反转，不再盲目堆砌Token，转而衡量AI落地的实际效率，重点关注需求落地速度、人均代码产出等核心指标。
第三阶段是衡量商业ROI。这也是目前全行业的核心难题。AI写代码的效率肉眼可见，但如何精准量化AI带来的业务产出、商业价值和用户价值，是全球头部企业共同面临的瓶颈。
02 中美AI研发对标：国内大厂已跻身第一梯队
很多人认为国内AI研发落后于海外，但在陈烨看来，阿里飞猪与美国硅谷最头部科技公司，AI研发整体水位基本持平。
从飞猪的核心数据来看，团队AI编码使用率近乎100%，交易、导购等核心业务链路，AI原生承载比例超30%。依托AI工具，团队整体研发效率提升30%-60%，同等人力可以完成更多业务需求。
对标硅谷标杆企业Google，其3000人工程团队的AI普及率为95%（含非技术岗位），研发效率提升30%。双方数据差距极小，处于同一梯队。
同时，行业也暴露了一个极具反差的现象：AI使用能力的方差极大。
国内大厂员工每月AI Token使用成本约200美金，Apple员工月度报销可达2000美金，而硅谷一家刚被收购的创业公司，顶级工程师每月Token消耗高达20万美金，双方差距达到千倍级别。
这组数据印证了：AI的价值远不止替代几名工程师，顶尖的AI原生用法，甚至能实现千人级别的人力效能突破，行业不能局限于小格局的降本思维。
03 核心痛点：AI提速代码，却带不动业务增长
既然AI能大幅提升编码效率，为什么企业业务增长依旧乏力？陈烨给出的结论是：我们手握AI这一强力生产力工具，却依旧沿用老旧的工作流程与组织架构。
德勤年初调研数据显示，84%的企业从未针对AI生产力重构岗位体系，传统组织模式无法适配新时代的AI效率。
这里可以用经典的阿姆达尔定律（即系统中某一部分做加速优化后，整个系统能获得的最大性能提升，受限于没有被优化的那部分所占比例）可以解释这一困境：业务整体加速比，取决于AI能够赋能的工作占比。
飞猪实战数据显示，业务导向的研发团队，纯编码工作仅占整体工作时长的约20%。剩余80%的时间，都消耗在需求澄清、链路调试、压测上线、效果验证等环节。
这就导致AI只优化了20%的工作流程，绝大部分业务瓶颈从"写代码"转移到了"验证、审核、落地"等环节。
更关键的是，编码可以通过AI并行提速，但后续的验证、风控、合规审核环节大多是串行流程，瓶颈不会消失，只会转移，这是当下AI研发落地的最大痛点。
04 三级进化：AI原生研发的成长路径
结合飞猪内部L1-L5的AI研发分级体系，陈烨将行业AI原生进化浓缩为三个核心阶段，目前行业整体正处于第二到第三阶段的过渡期。
第一阶段：Copilot辅助阶段
这是一年前的主流形态，AI只是辅助工具，负责写函数、写单测、训练模型等基础工作。核心的方案设计、架构搭建、需求决策，由人工完成。此阶段AI赋能的工作占比天花板仅50%，业务整体提速上限为2倍。
第二阶段：Agent主导阶段
AI成为执行主体，主导大部分研发落地工作，研发人员仅负责审核、确认、放行等简单操作，大幅解放人力。
第三阶段：AI原生自治阶段
这是AI研发的终极形态，AI不再是工具，而是平等的团队成员。AI Agent拥有独立权责、权限与知识库，可自主承接长期、复杂的工作，定期同步工作结果。
该阶段能够实现95%以上的工作AI赋能，业务整体提速上限可达20倍以上，核心工作仅需人工做最终判断与策略引导。
05 飞猪实战：多业务线AI落地成果曝光
作为非标、复杂、低频的出行度假业务，飞猪的AI原生落地极具参考价值。陈烨分享了飞猪技术团队最新的实战数据，所有成果均是在不增加人力、甚至精简人力的前提下完成。
- 平台技术（交易、结算、营销核心系统）：38%的业务需求由AI流程支撑，典型需求上线周期从2-4周缩短至1周，提速超50%。
- 酒店住宿核心业务：63%的研发流程实现AI原生落地，跑通自动化研发链路。
- 商旅通用组件研发：通过抽象共性业务问题，组件生产效率提升71%，对标谷歌、微软大型系统提效水平。
- 标准化交通业务（机票、火车票）：人均代码产出提升63%，适配高并发、标准化业务场景。
- 非标度假业务（路线、景点、门票）：适配碎片化、非标准化需求，人均代码产出暴涨151%。
除此之外，飞猪已搭建30个数字员工，月度AI自动评审次数接近1万次，核心监控场景自动完成率达97.4%，在交易、出行核心链路实现常态化AI自动化发布。
06 避坑总结：AI落地的三大核心认知
基于大量实战踩坑经验，陈烨总结了企业落地AI原生研发的三大关键认知，避开转型误区。
1. 模糊角色边界，不等于全员高效
人人都能用AI写代码，不代表人人都应该写代码。AI时代依旧需要各司其职，坚守专业边界，让技术、产品、运营专注自身核心能力，才能最大化团队效率。
2. 拒绝冒进，标杆先行、分步落地
不要追求一步到位全量AI原生改造，尤其是资金交易类高危业务。飞猪的核心打法是先攻克最难的核心业务，打造标杆案例，再逐步辐射长尾业务，稳妥推进转型。
3. 自动化是方向，但绝非唯一目标
100%自动化测试是AI原生的终极方向，但不能作为落地起点。AI模型存在不确定性，可能出现非常规代码、逻辑漏洞，核心业务的最终兜底判断，必须依靠人工。
07 思考：AI时代，最贵的能力早已变了
AI抹平了代码生产的门槛，代码不再是稀缺资源。在陈烨看来，当下企业和人才最昂贵的核心能力，早已完成迭代。
第一，清晰的需求设计与规划能力。需求模糊、方向不明，是当前研发链路最大的阻塞点，想清楚"做什么"远比"怎么做"更重要。
第二，精准的业务判断能力。懂得取舍，明确业务优先级，判断哪些需求该做、哪些该停，是AI无法替代的核心价值。
第三，系统化的知识沉淀能力。将业务经验、研发Know-how沉淀为领域知识库，让AI有章可循，是规模化AI提效的核心基础。
结语：AI原生研发，从来不是简单的工具升级，而是一场组织变革与流程重构。
AI可以解决效率问题，但无法解决方向、判断、价值问题。未来的企业竞争，不再是比拼谁的AI用得更熟练，而是比拼谁能重构流程、沉淀认知、用好AI生产力，真正实现技术效率到商业价值的转化。