8月26日，由崔牛会主办的「2026 ToB AI 产研大会」第二站在深圳南山区举行。

本次大会以“从工具提效到工作流重构”为主题，围绕“AI Coding 之后，ToB 软件公司的产研流程怎么重做？”这一热点展开。

随着 AI 从个人编码工具进入团队研发流程，企业面对的问题也开始发生变化：如何让 AI 进入完整研发链路？如何建立新的质量保障机制？研发系统、组织方式和业务交付又需要怎样同步调整？

崔牛会创始人兼CEO 崔强

这一变化同样体现在大会前期调研中。崔牛会创始人兼 CEO 崔强在开场中引用 400 余份有效问卷和 197 份开放式回答并指出，AI Coding /代码生成以 75.4% 的关注度居首，质量、安全、上线验收（68.4%）、测试用例生成与自动化测试（68%）紧随其后。

但他强调：“工具只是显性入口，流程、治理与落地才是隐形焦虑”；多数团队仍面临“局部提效、整体未明显拉升”的共性问题。

围绕这一变化，来自 EC、蓝凌、小鹅通、衡石科技、有赞、金山办公的六位一线实践者，从研发流程、质量工程、研发系统、组织方式到企业级 AI 基建与客户交付，分享了 AI 进入真实生产环境后的实践路径。

01 AI进入完整研发流程：从编码提速走向质量闭环

当 AI Coding 从个人工具逐步进入研发现场，研发团队首先需要重新审视的，是从需求分析到测试交付的完整生产过程。

EC 研发负责人 罗凯

EC 研发负责人罗凯分享了从单人的 AI Coding 工具走向整个产研体系重构的实践。团队形成的统一共识是，AI 的核心价值在于放大会用 AI 的人的能力，而非完全替代研发。

基于这一思路，EC 搭建覆盖需求分析、规格生成、审核与三路分发、并行开发与测试、后处理与部署、场景测试六个阶段的 AI 研发体系，并通过将超级个体的能力插件化分发，拉平团队的基础能力线。

蓝凌软件研发中心技术负责人 李衡

当 AI 深入研发链路，质量保障也随之面临新的挑战。

蓝凌软件研发中心技术负责人李衡介绍，AI 时代质量保障的对象已经从代码本身延伸到模型不确定性、工具调用不确定性以及业务流程的高频变化。对此，蓝凌将质量工程从传统工程化进一步升级为人机协同质量闭环，覆盖需求链路、编码验证、测试执行与资产度量，并将智能体的效果、稳定性、安全与成本纳入质量衡量。

从这两组实践可以看到，AI Coding 带来的变化并不止于代码生成效率提升。

随着 AI 被纳入真实研发流程，企业需要同时补齐需求、验证、测试和度量等环节，AI 的效率优势才能真正转化为可持续的研发能力。

02 研发生产系统与组织方式同步调整

当 AI 不再只是嵌入某个研发环节，而是成为生产过程的一部分，企业进一步调整的就不仅仅只是工具链，还包括承载研发活动的系统和组织方式。

小鹅通 CTO 王铁波

小鹅通 CTO 王铁波介绍了自研 SES 自演进系统，该系统重新组织人、AI与系统三类能力并打通闭环，让AI真正进入组织的生产体系。

与此同时，小鹅通也同步推进了组织调整：取消独立测试岗位、减少部分管理头衔、保留结果负责人，并将释放出的研发人力进一步下沉到业务一线。配套的人机协作机制使产研团队整体工单处理吞吐量提升至去年同期的近3倍。

王铁波认为，企业自有的私有工程资产与业务知识库，将成为 AI 时代难以被复制的核心壁垒。

衡石科技创始人兼CEO 刘诚忠

衡石科技创始人、CEO 刘诚忠则从数字员工的实践进一步展示了组织形态的变化。其数字员工“贾维斯”上线后，可自主完成bug复现—诊断—修复—验证的闭环，面向单个场景，在FDE陪跑下2到4周即可完成落地。

在他看来，组织级数字员工成为新的中心节点后，团队结构会趋于扁平，传统的对齐、汇报类管理工作将逐步减少；与此同时，人类的核心价值更多集中于定义目标、产出原创方案、验收结果并承担责任。

有赞门店技术负责人 方军

有赞门店技术负责人方军则分享了以 Workspace x Agent x 人为基础的“小特战队”模式。团队优先采用成熟产品，将资源投入 Workspace 底座建设和人员能力培养。

在这一模式下，以 Pad 端支持有赞寄件为例，同一需求由原来的 27 人日压缩至 6 人日；交付节奏也从以月为单位的大批次长链路，转向按天的小批次短闭环。

以上实践共同指向一个变化：AI 的引入正在推动研发生产系统和组织机制同步调整。

工具只是进入点，真正决定效率能否持续释放的，是企业是否有新的系统承载 AI、是否建立适配的人机协作方式，以及是否重新定义团队中的角色与责任。

03 AI进入企业业务：从内部应用走向客户交付

当 AI 进一步从研发环节走向企业整体经营，企业需要考虑的范围也从内部研发效率扩展到 AI 基建、业务场景和客户交付。

金山办公解决方案架构负责人 刘庆辉

金山办公解决方案架构负责人刘庆辉从企业级落地视角分享了“三通两管一平”的实践框架，即通知识、通数据、通能力，管成本、管安全，并建设统一的 AI 基建平台，以避免烟囱式、散装化的 AI 系统。

他还介绍了“三联四合”的跨团队协作模式——业务侧三个角色负责定场景、给数据、推试点，FDE 侧四个角色负责判方向、搭方案、接数据、优效果，并强调这一模式必须由业务方牵头。

在具体落地策略上，刘庆辉强调，企业选场景要“高价值、高难度”，并主张“用时再治”的轻量化数据治理思路。

对企业而言，AI 项目的评价标准也由“是否完成部署”进一步转向“是否形成可验证的业务结果”，尤其在面向客户交付时，AI 能否真正嵌入业务场景、稳定运行并持续创造价值，成为更核心的判断标准。

从 AI Coding 到质量工程，再到研发体系、组织方式和企业级 AI 基建，AI 正逐步进入企业真实生产流程。对于 ToB 软件企业而言，下一阶段需要解决的，是如何重构一套能够让 AI 持续产生业务结果的生产体系。

未来，崔牛会将持续围绕这一方向，通过「中国 FDE 实践大会」与「Rebuild｜2026 中国企业 AI 大会」等活动，进一步深入探讨 AI 时代企业产研体系的演进路径，共同寻找下一阶段企业软件生产与组织变革的答案。