从 SDLC 到 ADLC:宝洁的 AI 原生组织实验
AI 把中间几步做快了,为什么整个团队还在等? 宝洁大中华区 CTO 童熙分享了他们的探索:让 Agent 串联研发环节,让技术同事更早参与业务,再用原型验证方案。
Agent 能把几个环节连着做完之后,企业要重答三个问题:流程怎么走,团队怎么分工,哪些判断还得留给人。
在今天的宝洁中国, AI 已经贯穿整个业务链条:从消费者研究、产品研发、品牌营销、供应链、到客服等等,每个环节都有 AI 的触角。
一家穿越周期有着百年历史的消费品企业如此拥抱 AI,比仅仅谈论上线了多少个 AI 工具更值得我们思考。在极客时间 9 周年「AI 落地见真章」访谈中,宝洁大中华区 CTO 童熙谈到了研发团队正在做的一项探索:他们尝试让 Agent 串联从业务需求到开发、测试、发布和运维的更多环节。这就是他在访谈里提到的 ADLC。
生成代码快了多少,说明的只是其中一步。从需求进团队到结果能用,中间还有多少等待和返工,才是流程重构要算的那笔账。
一、中间几步快了,整条流程还在等谁

SDLC(软件开发生命周期) 这套流程,做开发的人都熟:需求提出、开发编码、测试验证、发布上线、运维监控,中间还夹着提单、代码评审、上线工单、发布检查。每个环节一个角色,交接一次。
它跑了几十年,前提是每个环节都要有人来做决策、做执行,流程是按人的协作方式设计的。Agent 出来之后,这个前提松动了。
童熙说,当我们把开发工作交给智能体、交给数字员工去做的时候,会发现它不再按角色分配任务,甚至有好几个环节都不需要存在了。
童熙举了个假设。一项工作有七步,即使 Agent 能顺畅完成第二到第五步,第一步和第六步仍可能卡在人工交接上。
哪些交接可以简化,哪些检查要明确责任人,是流程重构里最需要判断的地方。
ADLC(Agent 驱动的开发生命周期) 要回答的就是这个:越来越多环节由 Agent 参与之后,整个生命周期怎么重新设计。这件事没法靠给每个环节配一个 AI 助手解决,流程图得重画。
原有的流程是以人为中心设计的,现在需要设计一个新的、以 Agent 为中心的流程。童熙认为,这种流程本身的变化,也需要组织去匹配。
技术问题到这儿,就碰上了组织问题。
二、研发流程变了,团队如何匹配?
有个现象挺普遍:一个人用 AI,效率提升看得见;放到整个团队、整个公司,交付速度没怎么动。
童熙的解释是部门墙。他提到,个人提效经常可以看得到,但放到公司层面效果不明显,原因就在不同部门、不同角色之间的协同沟通成本。
你在自己工位上把效率翻了一倍,工作流到下一个部门、下一个角色,还是要走同样的审批、同样的沟通。局部省下来的时间,被流程里的人为节点吃掉了。

所以宝洁先动的不是技术。人才招聘、人才培养、技术治理,三件事一起推。
拥抱 AI 的人才招聘
过去,IT 岗位描述分得很清楚:前端、后端、测试工程师,各有技能要求和职业路径。
今年,描述换了。不再细分岗位,统一为拥抱 AI 为中心、围绕 AI agent 开发的岗位
背后的判断不复杂:AI 把编码门槛降下来,工程师能跨过原来的专业分工,岗位需求就跟着往 Agent 开发上挪。
这也接上了童熙反复讲的那句话:“AI 本身不是目的,如何能运用好 AI,最终为业务为消费者产生价值,这才是我们的目的。”
用人标准在从“你会什么技术栈”变成“你能不能用 AI 创造消费者价值”。
推动研发人员向 AI 全栈转型
过去研发团队是典型的敏捷模式:五人小队,前端、后端、测试各管一摊。从去年开始,宝洁在推动研发人员向 AI 全栈工程师转型,借助 AI 工具跨过原来的分工,把一段工作从需求理解推进到实现和验证。
要做转型,童熙认为,自上而下和自下而上都很重要,关键是怎么让大家从内心里认同。
他们的解法是社区和黑客松。公司内部办了不少黑客松,建了各种技术社区,其中一个叫 Vibe Coding 的社群,每个月有好几场讨论会,大家讲自己用 AI 提效的做法。业务部门的同学也会被请来:不少人已经能用 AI 做原型、搭小系统了,他们的分享对 IT 是个刺激,“他们都可以,为什么我们自己不行呢?”
这条大概是整场访谈里最难复制的一条。它靠的不是制度,是身边有人先做成了。
让一线参与工具筛选
组织变革还有个容易被忽略的地基:技术治理的节奏。
过去很多公司的技术雷达按季度更新,Gartner 的甚至一年一次。技术迭代稳的时候,这个节奏够用。
童熙说,现在的技术雷达可能每周甚至每天都在追踪新动向。
新东西太多,靠一个委员会按月评审追不上,治理本身就成了瓶颈。
他们的办法是把社区拉进治理流程:核心同学先讨论某个新技术在实践中到底有没有用,有用就推动引入。合规流程在公司层面照旧保留,但评估频率从月度提到高频。这里的分寸在于,合规不能省,评审的速度得跟上迭代的速度。
治理速度这件事,落到最后还是几个很具体的环节:一线员工发现一个有用的做法,知不知道去哪儿说、由谁评估、怎么让别的团队用起来。这三步不通,实践就还停在试点。
三、FDE:让技术坐到业务旁边

组织的变化不只发生在 IT 内部,也发生在 IT 和业务的交界处。
过去的链条很经典:业务提需求,产品整理成 PRD,技术做方案,然后开发、测试、上线。环节多,链条长。
AI 时代这条链在压缩,压缩的方式叫 FDE(Forward Deployed Engineer,前沿部署工程师):技术同学直接坐到业务同事旁边,从理解问题、设计流程开始,就一起做原型、验方案。
产品同事可以借助 AI 做原型和小功能,技术同事则更早参与业务流程设计,一起把方案做出来。童熙提到,团队会借鉴外部的 FDE 经验,也希望从内部发现和培养具备这类能力的人。
四、技术负责人要自己先动手
“以前我们谈得更多的是领导力,但我也经常在思考这个问题:我们到底在带领谁?是人还是智能体?智能体需要我们带领吗?未必。”
他的判断是,未来的技术负责人会越来越多地和 Agent 一起工作:判断哪些事可以交给 Agent,哪些事需要人来决策。
先跑原型,再谈方案

动手这件事不只归负责人,也是团队的工作方式。
童熙有一批智能体,每天干的活是正反论证:围绕某个技术方向或架构方案,正反方互相辩论。
但辩论不是目的。童熙说,多说无益,光靠论证没有足够的事实证据,最终还是要把原型跑出来看效果。
原型成本被打下来之后,讨论的价值在降,验证的价值在升。会议室里'你理解错了我的意思'这种掰扯会少很多,原型摆在那里,结论更清楚。
这套办法有个前提:原型跑得够快、够便宜。如果跑一个原型要两周,辩论还是会回来。
自己动手,别停在听汇报
“作为技术背景的负责人,你必须得亲手去实践。你看各种公众号文章、视频号之类的内容,都抵不过你自己去构建一个智能体帮你去干事。”
他的 CIO 是个例子。“我们的 CIO 他本身也是身先士卒,经常有一些东西,他不是停留在告诉我们要怎么干,他自己已经把一些原型都干好了,再扔给我们:你们觉得这样子怎么样?”
为什么负责人要亲手做原型?因为验证变便宜了。一个想法靠不靠谱,不用开很多会、写很多文档,让 Agent 跑个原型就看得见。
只靠听汇报做决策的负责人,容易被信息差牵着走,很难判断方案的真实可行性。
把思考过程写进知识库

团队协作里,有大量沟通其实是不必要的。
“原来我们在敏捷团队协作,必不可少的就是相互之间的握手:我是做前端的,我对接口的设计要求是这样的;你是做后端的,你对接口的定义是不是能满足我的要求?双方就会掰扯:这个参数到底应该加在接口里,还是应该你在前端自己去生成?”
掰扯的原因是每个人的思考方式和上下文没有被共享。
童熙说,团队正在构建大模型知识库,把设计时的思路和取舍记录下来,方便同事和他们使用的 AI 理解背景。
过去知识管理管的是文档,把结论写下来给人看。现在要管的可能是过程:你怎么想的、跟 AI 怎么聊的、在哪儿做了取舍。既给人看,也给 AI 看。
接口文档能写清最后怎么定。但设计时的取舍只留在参与者脑子里,下一个接手的人就得把同样的问题再问一遍。
童熙也承认,交流不可能完全被消除。有人说'最好的 AI 原生组织是没有交流的组织',他并不完全认同。沟通和交流肯定是有必要的,要减的是没必要的那部分,不是把沟通本身干掉。
五、“因为相信,所以看见”
聊到最后,童熙说最重要的一条经验不是技术选型,也不是组织架构,是相信。“我始终觉得,就是因为相信所以看见。很多 AI 变革的失败,其实是并不相信 AI 能做到、能达成。”他用 AI 帮孩子学习、找薄弱点,这些生活里的尝试一点点顶开了他对“AI 能做什么”的认知边界。在生活里见过 AI 能干的事,回到工作里就会自然去想:这个能不能让它做,那个能不能让它试。反过来,如果心里就不信,只会让它干点边角料的活,也就一直看不到它真正的用处。
从哪里开始:三个问题
宝洁在研发流程上的探索,不是从零开始搭一套新东西,而是在已有的体系里,一步步把 Agent 引进来、把流程顺过来。
方向是清楚的:从 SDLC 到 ADLC,动的不只是开发流程,还有招聘标准、人才结构、协作方式和技术负责人的角色。童熙自己的说法是,“都是一个探索的过程……现在的状态就是这样,大家都在野蛮生长的一个状态,也还蛮好。”
要在自己团队里迈第一步,可以挑一件经常发生、交付结果明确的工作,顺着它从需求走到交付,问三个问题:
哪一次交接最容易让工作停下来?
哪些步骤可以交给 Agent 连着做完,哪些决定需要人来做?
下一个接手的人,需要提前知道什么?
跑完一轮,对比从需求到交付的耗时和返工次数,再用同一套标准检查交付质量。个人手上的提效有没有真的进到流程里,比开一场复盘会更直接。
要是这三个问题里有答不上来的,那多半就是下一次该动的地方。
