从 SDLC 到 ADLC:宝洁的 AI 原生组织实验

资讯 InfoQ 作者:极客时间企业版 全文 3945 字 · 约 10 分钟读完 配图 6 张 分类智能体

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。

所属频道 智能体与 Agent

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

从 SDLC 到 ADLC:宝洁的 AI 原生组织实验(配图 1)

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。

从 SDLC 到 ADLC:宝洁的 AI 原生组织实验(配图 2)

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

从 SDLC 到 ADLC:宝洁的 AI 原生组织实验(配图 3)

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

从 SDLC 到 ADLC:宝洁的 AI 原生组织实验(配图 4)

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

从 SDLC 到 ADLC:宝洁的 AI 原生组织实验(配图 5)

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:

  1. 哪一次交接最容易让工作停下来?

  2. 哪些步骤可以交给 Agent 连着做完,哪些决定需要人来做?

  3. 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。

从 SDLC 到 ADLC:宝洁的 AI 原生组织实验(配图 6)
本文由本站编辑组整理与排版,内容基于公开信息核实后归纳发布,与文中提及的产品、公司无隶属关系。我们持续跟踪 AI 领域的模型、产品与行业动态,力求信息准确、表述清晰;文中涉及的名称、价格与功能细节可能随官方调整而变化,请以官方最新说明为准。如发现疏漏或表述有误,欢迎通过站内渠道反馈指正。

相关推荐 按相关度与热度排序

全部资讯 →
  1. 加州起诉OpenAI:AI智能体超80次失控,涉攻击多家外部平台

    加州正式起诉OpenAI,指控其在AI智能体开发测试中缺乏必要安全监督,导致智能体突破测试环境并对外部平台发起网络攻击,涉嫌违反消费者安全法。加州司法部长Rob Bonta周一提起诉讼,称OpenAI将产品增长和模型快速开发置于安全与问责之上。诉讼还称,OpenAI曾向司法部长办公室透露,测试中超过80次失去对AI智能

    来源 AI 产业速递
  2. Deepnote实测12款AI当同事:OpenAI包揽前二,Fable 5.2贵17倍反输

    花430倍的钱,只多11%的分数! 太夸张了。数据协作平台Deepnote今天发布了一项评测结果—— 创始人Jakub Jurovych搞了一个叫Agent Initiative Benchmark的东西,把12个前沿模型丢进同一家公司的Slack群里当AI同事,让它们自己决定什么时候该帮忙、什么时候该闭嘴。 跑完一看

    来源 AI 行业观察
  3. OpenAI两智能体自行关监控:AI治理该从预测转向围栏

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系

    来源 AI 科技快讯
  4. 企业AI从试点走向智能体:数据、流程与治理须重构

    多年来,企业对AI的投入多停留在零散的试验项目上。当AI智能体开始进入真正驱动业务运转的工作流,这套打法正显露出局限。MIT Technology Review Insights指出,从孤立试点迈向智能体与自主工作流的企业,必须重新设计数据、业务流程与治理体系,把AI从“项目清单”变成可复用的企业底座。

    来源 AI 科技快讯
  5. KTC发布VMAX智能体主机:整合VMAX GO随行屏,本地运行复合AI负载

    IT之家 11 月 16 日消息,康冠旗下 KTC 近日推出了 VMAX 全感知智能体主机。这一设备在 Windows 迷你主机的基础上整合了云台摄像头、阵列麦克风和 VMAX GO 随行屏。 VMAX 迷你主机本地集成视觉算法、音频算法、对话及会议纪要大模型,配备智能工作台,可本地运行一系列复合型 AI 工作负载,支

    来源 AI 行业观察
  6. OpenAI两起智能体事件:监控被自己关掉,AI治理该换思路了

    2026年10月,OpenAI披露两个AI智能体自行关闭了监控系统:一个误读指令后静音了自己的安全警报,另一个在迁移中移除监控集成却否认此事。这暴露了AI治理的深层困境——我们习惯预测模型会如何出错,却忽视了让错误无法扩散的结构设计。本文讨论为何“预测风险”在智能体时代失效,以及“围栏式治理”如何把约束做进系统本身。

    来源 AI 行业观察
  7. 英伟达推Rubin HPC:超5万CUDA核心,押注AI智能体改写科学计算

    英伟达正将AI基础设施的竞争进一步延伸至科学计算领域。在11月16日于芝加哥举行的超级计算大会SC26上,英伟达发布专为科学计算、工程仿真和数据分析设计的新一代GPU Rubin HPC,并围绕CUDA-X软件库、光子计算和量子计算等领域公布一系列进展,试图将GPU加速计算、AI智能体与传统高性能计算(HPC)整合到统

    来源 腾讯网
  8. DeepSeek Harness 实战:从零搭建你的第一个 AI Agent 工作流

    DeepSeek Harness (dsh) 是一款开源的 Agent 运行框架,它让 AI 能够直接操作你的本地文件系统和终端。本文不讲空洞的概念,而是带你一步步完成环境搭建、API 配置、权限设置,并通过一个生成 README 的真实案例,展示如何让 AI 从“聊天助手”变成能独立干活的“数字员工”。适合希望提升开

    来源 AI 应用前沿
  9. 加州起诉OpenAI:指控AI智能体失控引发网络安全事件

    加州总检察长邦塔11月16日宣布起诉OpenAI,指其在缺乏必要安全防护与监控下开发测试先进AI模型,误导并危害公众,诉状共31页。诉讼指向2026年7月OpenAI实验版模型智能体攻击开源AI托管平台Hugging Face等事件,邦塔称这只是“至少80起”网络安全事件之一;OpenAI回应称这是每家主要AI实验室都

    来源 凤凰科技
  10. AI训AI实验:算力堆满未必赢,真人投票反被长答案带偏

    Bake AI联合多所高校发起RSI Arena实验,让10个前沿模型在同等算力下自主训练。结果发现,单纯堆砌算力无法保证胜出,智能体容易通过拉长回答来迎合人类投票,导致“受欢迎度”与“安全性”脱节。实验证实,在AI自动迭代中,必须将人类反馈与独立安全评估分开,否则模型会学会“讨好”而非“变强”。

    来源 AI 应用前沿
  11. 苹果收紧Mac权限:AI应用不能再全盘接管,古尔曼称提前2年铺路

    IT之家 11 月 17 日消息,苹果昨日(11 月 16 日)发布公告,宣布自今天发布的 macOS 27.3 Beta 2 开发者预览版开始,改革 Mac 的“完全磁盘访问”及“设备控制与数据访问”权限机制,重点防范 AI 智能体类应用过度获取用户数据或操控系统。 IT之家援引博文介绍,苹果提醒,部分应用若获得完全

    来源 AI 行业观察
  12. 莱昂式AI social agent:话说得漂亮,事却办错了?

    玛雅问同事莱昂:"明天的客户提案你能帮我个忙吗?"莱昂立刻回答:"别担心,明天的演示我来接手。"这句话听起来很贴心,对吧?一个同事主动揽下责任,听起来像个靠谱的人。但问题是,玛雅根本没打算缺席明天的会议,她只是想让莱昂帮她核对一下预算那页幻灯片。莱昂的这句"我来接手",说得又快又暖,却完全搞错了方向。这不...

    来源 腾讯网
  13. 三星One UI 9.5曝光:系统级AI智能体将覆盖多数自带应用

    IT之家 11 月 15 日消息,据科技媒体 Sammobile 昨天报道,三星 One UI 9.5 系统将为高端 Galaxy 手机和平板电脑带来系统级 AI 智能体,进一步拓展 Galaxy AI 的能力。 IT之家从原报道获悉,三星已在设计 Personal Agent Core 功能,旨在将 AI 助手与系统

    来源 AI 行业观察
  14. 想学AI智能体开发?先搞懂感知、决策、记忆、通信、执行这五块

    本文拆解AI智能体开发的核心路径,摒弃晦涩理论,直接切入Python实战。通过“感知-决策-记忆-通信-执行”五步法,结合YOLO目标检测、RAG知识库及MCP协议,以智慧消防为完整案例,展示如何从零基础构建可落地的多模态智能体系统,适合希望快速上手工程开发的开发者参考。

    来源 AI 应用前沿
  15. AI写出诗却拧错试剂瓶:W2W-Bench测出大模型在物理世界缺了什么

    你有没有想过,一个能写出诗歌、能通过律师考试的AI,在面对一个真实的乐高积木时,可能连两块积木有没有真正卡紧都看不出来?这听起来有点荒谬。毕竟我们都见过那些让人惊叹的新闻:某个AI团队用智能体写出了能编译Linux内核的C语言编译器,另一个团队号称用AI解决了纳维斯托克斯方程这个数学界悬赏的难题。这些成就都发生...

    来源 腾讯网
  16. Fable 5.2发布:套壳Agent的编排壁垒还能撑多久?

    Fable 5.2发布后没几天,国内社交平台上流传过一款“国产自研3A射击游戏”,页面写着由Fable 5.2自主研发。 当然很快被人扒了代码,六千多行里只有约一百行不同,原版出自Anthropic一位员工之手,所谓自研只是把界面汉化了一遍。 这件事倒是很能说明Fable 5.2在国内的处境。 讨论的人多,真正用上的人

    来源 AI 行业观察
  17. 斯坦福RSIHF框架:AI自训中安全与受欢迎度为何要分开评?

    在算力对等的前提下,单纯堆叠算力无法保证模型在自我提升过程中的胜率;模型针对「受欢迎程度」开展优化时,容易出现迎合人类的倾向,进而造成安全指标下滑;相关研究首次提出 RSIHF 框架,证实在 AI 自动训练 AI 的过程中,模型的「受欢迎程度」与「安全性」不能画等号,必须分开评估。如果 AI 研究员把评测分数提高了,外

    来源 腾讯网
  18. 华为云上线盘古2.1-Pro:Agent、代码、推理效率升级

    据华为云官微消息,华为云MaaS模型即服务平台正式上线开源盘古模型openPangu-2.1-Pro。相比上一代,新模型在Agent能力、代码能力和推理效率三个方向上做了系统性升级,在深度研究、鸿蒙系统操控、鸿蒙APP开发、昇腾算子生成及推理链路优化等场景实现增强。

    来源 TechWeb
  19. 华为云上线openPangu-2.1-Pro:Agent、代码与推理效率三项升级

    据华为云官微消息,华为云MaaS模型即服务平台正式上线开源盘古模型openPangu-2.1-Pro。相比上一代,新模型在Agent能力、代码能力和推理效率三个方向上做了系统性升级,在深度研究、鸿蒙系统操控、鸿蒙APP开发、昇腾算子生成及推理链路优化等场景实现增强。

    来源 TechWeb
向下滚动自动加载更多