软件团队如何在2026年使用人工智能（8分钟阅读）

# 团队如何构建 – Linear 来源：https://linear.app/data 团队如何构建 ## 软件团队中的 AI 使用模式 第一期 \- TIM QI \(2026\) 每天，成千上万的团队在 Linear 内部构建软件。六年来，这让我们对产品开发如何进行有了详尽的了解——从 AI 尚未广泛采用之前，直至今日。 模型公司和编码工具发布了许多关于 token 使用量和代码量的报告，但这只捕捉了工作的一个层面。我们处于一个独特的位置，能够看到构建产品背后的完整工作流程，从第一个议题到关闭它的拉取请求。我们看不到的是在 Linear 之外发生的 AI 使用情况，因此这是我们自身客户群体内的采用情况描绘，而非整个市场。 我们审视了这一转变过程中的三个关键点：谁在使用 AI、AI 如何重塑团队在 Linear 上花费的时间分配，以及它是否改变了他们的交付量。它们共同为 2026 年 AI 辅助产品开发的现状确立了一个基准点，也为未来对比提供了一个参照。 按职能划分的采用情况 ## AI 采用已渗透到每个职能部门 2026 年 1 月至 6 月期间，每个职能部门中使用 AI 功能的活跃用户比例都增加了一倍多。产品部门增长最快，从 12% 升至 34%，而距离代码库最远的市场团队也从 5% 上升到了 18%。我们通过规范化职位头衔来对角色进行分类，这在边缘情况下可能存在一些误差，但这种模式的普遍性表明它不太可能是标签的产物。 按职能部门划分的 Linear AI 功能活跃用户比例（过去 30 天） 2026 年 1 月|2026 年 6 月|N = 127,000 名付费用户，在 2026 年 1 月和 6 月均活跃 按高管团队划分的采用情况 ## 采用已直达最高层 高管个人对 AI 的活跃度与团队相当，甚至更高。在 201 人及以上的公司中，CEO 的活跃度在六个月内从 9% 跃升至 36%，这是本报告中所有细分领域中增幅最大的，表明最高级别的领导者更多是通过使用而非阅读来学习这项技术。公司规模数据来自第三方增强，因此此细分覆盖的工作区数量少于报告的其他部分。 按高管团队划分的 Linear AI 功能活跃用户比例（过去 30 天） 2026 年 1 月|2026 年 6 月|N = 13,300 名高管，在 2026 年 1 月和 6 月均活跃 按公司规模划分的采用情况 ## 各规模公司的采用率保持一致 AI 采用率在各规模公司（从初创企业到大型企业）均大约增长了两倍。通常能很好预测组织对新技术反应速度的公司规模因素，在此处几乎没有什么影响。 按公司规模（员工数）划分的 Linear AI 功能活跃用户比例（过去 30 天） 2026 年 1 月|2026 年 6 月|N = 199,000 名已知公司规模的付费用户，在 2026 年 1 月和 6 月均活跃 应用 \- 创建与组织 ## 团队正在向系统中投入更多 2025 年 6 月至 2026 年 6 月期间，几乎每个职能部门用于创建、分类和评论的时间都有所增加，工程部门仅在创建和分类上就增长了约 17%。创始人显示出了更大的波动，在创建上增加了 17 分钟，在评论上增加了 26 分钟，尽管他们是一个较小的群体且波动性更大。更多的工作似乎需要更多的协调，而这种协调越来越多地为代理行动提供了上下文。 平均每用户每月分钟数，2025 年 6 月 vs 2026 年 6 月 2025 年 6 月|2026 年 6 月|N = 54,300 名付费用户 (2025年6月) → 89,000 (2026年6月) 应用 \- 议题创建 ## AI 创建了近一半的议题 两年前，只有不到千分之一的议题是由 AI 创建的。团队现在使用 AI 来撰写 Linear 中创建的所有议题的近一半，按照当前速度，它很快将比人类和集成工具的总和创作更多。 按来源划分的每周创建议题数（千） 代理 & MCP|人类 & 集成工具|2024 年 6 月至 2026 年 8 月每周创建议题数。不包括导入的议题。 应用 \- 规划 ## Linear 内部的规划时间没有变化 在其他几乎所有指标都上升的一年里，用于客户请求、文档和项目的时间保持稳定。各团队的规划实践差异很大，很多规划发生在它落笔成文之前的对话中，因此平均值混合了重度规划者和轻度规划者的情况。这种稳定性表明，到目前为止，AI 更多地改变了团队执行任务的方式，而非决定构建什么的方式。 平均每用户每月分钟数，2025 年 6 月 vs 2026 年 6 月 2025 年 6 月|2026 年 6 月|N = 54,300 名付费用户 (2025年6月) → 89,000 (2026年6月) 应用 \- AI ## 一层新的工作出现了 与 AI 聊天和将议题委托给代理是年前还不存在的工作类别，现在它们出现在每个职能部门的周工作中，产品部门投入最深。没有任何其他工作类别因为空间被挤压而缩减，这表明 AI 是叠加在现有工作之上，而非取代，至少目前如此。 平均每用户每月分钟数，2025 年 6 月 vs 2026 年 6 月 2025 年 6 月|2026 年 6 月|N = 54,300 名付费用户 (2025年6月) → 89,000 (2026年6月) 产出 \- 拉取请求创建 ## 非工程师正在交付更多代码 产品经理附加拉取请求的比例在两年内从 3% 上升至 10%，设计师则从 1% 上升至 8%。我们只计算与 Linear 连接的仓库中的拉取请求，因此任何在这个流程之外交付的人在这里都是不可见的，这些数字是下限而非上限。那些曾经只是描述变更的人，现在越来越多地自己交付。 附加拉取请求的用户比例（过去 30 天） 2024 年 6 月|2025 年 6 月|2026 年 6 月|N = 166,000 名付费用户 (2026年6月) 产出 \- 拉取请求量 ## 拉取请求量在两年内增长了 111% 每个工作区每周打开的拉取请求量以 2024 年 6 月为基准增长了 111%。第一年产出基本持平，然后在 2026 年随着模型质量和采用率的同步提升而上扬。我们统计的是打开的拉取请求而非合并的，打开的拉取请求不代表变更的价值，但这个转折点很难被忽视。 自 2024 年 6 月以来每个团队每周拉取请求量的百分比变化 - 所有付费工作区 N = 47,900 个付费工作区 (2026年6月) 产出 \- 编程代理 ## 编程代理贡献了大部分增长 连接了编程代理的团队，其每周拉取请求量在两年内大约翻了三倍，从 21 个增加到 65 个，而没有代理的团队仅从 8 个增加到 10 个。这些团队在编程代理出现之前就已是高产出团队，因此水平不直接可比，但每个群体相对于自身基准的故事是清晰的，几乎所有的增长都集中在代理方。 每个团队每周拉取请求量 - 固定群体（付费工作区） 编程代理团队|传统团队|N = 6,887 个付费团队 (4,280 个有编程代理，2,607 个无) 结语 AI 对产品开发影响力的最清晰体现，是过去两年使用编程代理的团队所经历的产出大幅增长。我们无法判断这种增长的产出是否带来了积极的业务成果，但它明确显示了 AI 采用与加速之间的相关性。 也许更引人入胜的是这种采用的构成，以及它如何似乎模糊了角色界限。高层领导者正在承担更多动手的个人贡献者工作，积极采用 AI 来帮助他们，而非工程师也在提交代码。关于组织中的每个人都将成为“构建者”的论点似乎大体成立。 然而，这些收益并未体现为节省的时间。在 Linear 中，现有任务花费的时间保持不变，而 AI 使用作为一种新的工作层出现，这意味着产品开发的总体花费时间是增加而非减少。据我们观察，团队工作更多了，而非更少，这表明 AI 具有超越 token 消耗的杰文斯悖论特性。 许多人会合理地指出，观察拉取请求表明的是活动而非价值，这当然是正确的，但这仍然是比衡量 token 的进步。一次机械的重构可能消耗大量 token，而一个有意义的错误修复或代码审查却不会，因此 token 消耗与价值根本不匹配，将一个用作另一个的代理指标将被视为 AI 早期时代的遗迹。 在未来报告中，我们打算更深入地探讨工作的完整生命周期，从 token 消耗一直到成果，这是我们现在能够观察到的，因为代码和代码审查现在也通过 Linear 进行。 TIM QI \- 数据主管 ## 附录 ### 方法论 本报告使用了来自 Linear 的聚合产品数据。数据包括 AI 对话、代理会话、议题活动、评论和拉取请求。它仅涵盖付费工作区和其中的用户。我们以聚合形式报告所有指标，以展示团队如何使用 AI 构建软件的广泛模式，而非个人行为。我们在固定的时间窗口内衡量每个指标。一个窗口是一个日历月或过去 30 天。同比图表使用 2025 年 6 月和 2026 年 6 月。采用指标使用过去 30 天窗口期，时间序列图聚合到每周数据点。这两种步骤都减少了短期噪音。部分图表仅保留了在两个窗口期都活跃的用户。 ### 定义 **AI 活跃。**在 28 天窗口期内，至少有一次 AI 交互（应用内或 Slack 对话或代理会话）的用户。 **代理团队。**连接了编程代理的工作区。 **拉取请求。**针对与 Linear 连接的仓库提出的代码变更。我们统计打开的拉取请求，而非合并的。 **付费工作区。**在相关期间处于活跃状态的付费计划工作区。 **代理议题。**包括将议题委托给代理或启动会话。 **公司规模。**公司的全职员工数，来自第三方增强数据。