AI+DevOps（AIDO）现状调查报告（2026年）

现状调查报告2026年8月当前，人工智能正以前所未有的深度和广度重塑软件研发的技术范式与产业格局。以大语言模型、AI智能的新一代智能化技术，已从辅助编码的概念验证阶段迈向研发能力的简单延伸，而是智能原生时代研发运营一体化的核心实践框度量等全生命周期，构建智能体运行的约束规则、反馈闭环与治理体系，实现了从“人指挥机器执行”到“机器在边界内自主执行、人类聚焦决策与创新”的范式转变。立足我国超大规模市场优势、完备的数字产业体系与丰富的软件应用场景，加快AI+DevOps的技术创新与实践落地，将有效破解智能化研发运营规模化推广中的工程化难题，为我国软件产业高质量发展提供坚拆解AIDO的概念演进路径与技术特征，全面分析AI在研发运营全具链各环节的AI应用现状与选型考量。鉴于大模型技术仍处于快 5 5 6 7 8 9 24 47 79 1 9 19 20 21 23 2 3 70 72 734 78 5一、背景与总体概述（一）AI+DevOps（AIDO）范式兴起的三重驱动随着大模型技术的持续演进，软件工程的流程与模式正加速重塑，人工智能与研发运营体系的融合已从局部工具应用走向体系化范式政策层面，国家已将智能化研发确立为人工智能深度应用的重动的意见》明确提出推动人工智能与实体经济各领域深度融合，为明确在研发设计环节重点推进智能辅助设计、软件代码辅助编写等可考核的产业行动。各地方政府相继出台配套实施方案，围绕智能算力供给、行业大模型培育、软件产业升级等方面形成纵向衔接、横向协同的政策体系。政策红利的持续释放，使智能化研发从企业能基座。与依赖预定义规则和固定脚本的传统自动化工具不同，大模型具备自然语言理解、代码生成、逻辑推理与知识泛化能力，使机器首次能够“理解”研发活动的语义内涵。与此同时，AI智能体6嵌入需求管理、代码开发、测试验证、部署发布、监控运维等各环产业层面，企业降本增效的迫切诉求与软件系统复杂度指数级增长之间的矛盾日益尖锐。云原生、微服务、分布式架构的普及，使现代软件系统的组件数量、依赖关系与变更频率呈爆炸式增长，依赖人工经验的传统研发运营模式已难以为继；与此同时，市场对交付速度、质量稳定性与资源效能的要求持续提升。这一结构性矛盾催生了人机协同的新型研发运营模式，即由AI承担高频、重复、规则性的决策与执行任务，人类聚焦于目标定义、架构设计与价值（二）AI+DevOps（AIDO）的核心需求、开发、测试、发布、运营各阶段，形成“智能感知—自主决策—闭环执行”的新型研发运营一体化范式。其核心特征在于：以数据和模型为驱动，实时感知研发运营全链路状态；以智能体为载体，在既定目标与约束下自主完成分析、规划与决策；以工具链为执行通道，实现从决策到行动的自动化闭环，并通过反馈机制持续7用为标志，AI作为人类工程师的辅助工具存在，决策权完全由人掌握。第二阶段为AI协同编排，借助MCP协议与智能体架构，多个智能体被串联并嵌入研发流水线，能够跨环节协同完成需求拆解、代适应优化与自主交付，人类角色转向目标设业实践整体处于第一阶段向第二阶段过渡的关键时期，部分领先企于交付流水线，平台工程通过标准化自助服务平台沉淀组织级工程能力获得感知、推理与自优化的“智能内核”，四者层层递进、相8知识与经验从个体专家向组织级模型资产沉淀，缓解自主可控的智能研发工具链与标准体系，对我国在人工程交叉领域形成技术引领、抢占产业竞争制高点具二、AI+DevOps发展格局与生态现状有待产业层面的实践加以检验。本章立足实证调查，考察我国企业数据支撑。本次调查采用在线问卷方式，围绕发展格局与生态现状共60家企业回收有效问卷3351份。受访企业以数字化程度较高的91.受访组织以500-1999人规模的中大型企业为主2.DevOps专职团队规模集中在50-200人区间人规模的组织各占15.00%，11.67%的组织DevOps团队已超过5003.科技、互联网与金融行业构成受访主体4.受访者以开发与运维一线人员为主角色，能够较为全面地反映组织内AI+DevOps的真实实践状态。1.CI/CD成熟度整体处于较高水平，八成组织达到L3及以上2.流水线纳管率较高，四成组织纳管率超过80%从活跃代码库CI/CD流水线纳管率看，41.67%的组织纳管率达3.流水线构建成功率集中在80%以上区间4.流水线红灯修复时长以4小时内为主从平均流水线红灯修复时长看，41.67%的组织可在1-4小时内68.34%的组织能在4小时内恢复流水线，快速反馈与修复机制已基5.容器化项目比例分布均衡，云原生改造进入深水区从容器化项目比例看，25.00%的组织容器化比例在61%-80%，41%-60%与81%-100%的组织各占23.33%，10.00%的组6.制品晋级覆盖多环境，测试与验收环节最为成熟测试到生产的完整链路，六成以上组织实现了面向预发布与生产环7.按需发布成为主流，高频交付能力持续增强8.发布成功率普遍高于90%，变更质量保持稳定从平均部署/发布成功率看，38.33%的组织成功率在96%-99.近七成组织变更流程可在24小时内完成从平均变更流程耗时（发起变更流程到正式发布）看，40.00%程整体高效，但仍有近两成组织耗时超过1天，审批与流转环节存10.CI/CD阶段AI尝试以代码审查、故障定位与测试生成为主73.33%的组织已尝试智能代码审查，65.00%尝试智能故障定位与诊应用仍集中于分析建议类场景，直接作用于发布决策的自动化场景11.半数组织CI/CD场景的AI应用已进入全面推广阶段内全面推广阶段，36.67%处于部分团队推广阶段，10.00%仍处于试验（POC/试点）阶段，尚未开始与不适用者合计仅3.33%。AI在持续交付环节的应用已越过概念验证期，进入规模化落地阶段；但效果度量缺失（约三分之一组织未设指标）意味着推广速度可能快于12.构建成功率与流水线效率是最受关注的CI/CD度量指标13.AI大模型能力已渗透研发运营各环节，编码与质量环节渗透最深从已引入AI大模型能力的研发运营环节看，代码生成与补全（66.67%）渗透率最高，代码审查与漏洞扫描、测试用例生成与自及知识库维护（55.00%）亦超过半数，架构设计与技术方案推荐占48.33%；智能监控与根因分析（30.00%）和部署发布与灰度14.采购商业化AIDevOps平台是最主要的AI能力集成即用与集成成本优势成为首选，自研与混合模15.AI辅助CI/CD的效果衡量以结果指标为主，三分之一组织尚无度量署成功率提升幅度，平均修复时长（MTTR）缩短比例与人工介入减16.超六成组织已部署DevOps智能体，但完全自主决策仍属少数），策闭环，21.67%仍处于规划或试点阶段，13.33%尚未启动。合计65.00%的组织已完成不同程度的智能体部署，但具备自主决策能力的组织不足一成，人机协同仍是当前主流形态。这表明智能体落地1.月度需求吞吐集中在11-50个区间持中等强度的需求交付节奏，约两成团队对自身需求吞吐缺乏量化2.单需求端到端交付周期以两周内为主从单需求端到端平均交付周期看，28.33%的团队在7天以内完3.单需求工作量以4-10人天为主，需求颗粒度趋于小型化4.六成团队需求分析拆解可在3天内完成从需求分析拆解形成开发任务的平均时间看，35.00%的团队需5.需求交付及时率集中于81%-90%区间从平均需求交付及时率看，35.00%的团队及时率在81%-90%，6.需求阶段AI尝试以智能分析拆解与文档生成为主在需求阶段的AI尝试上，仅11.67%的组织未进行AI尝试。75.00%的组织已尝试智能需求分析与拆解，56.67%尝试智能需求文档生成，55.00%尝试需求质量评估与检查，40.00%尝试同质化需求需求工程的工作方式，从文档撰写延伸到分析、质检与去重等深层7.需求场景AI应用以部分团队推广为主推广阶段，36.67%已进入组织内全面推广阶段，10.00%仍处于试验8.需求价值评估实践普遍建立，定量评估超过半数从需求价值评估实践看，53.33%的团队已建立定量价值评估，33.33%存在定性价值评估，13.34%几乎没有或不存在需求价值评估9.AI辅助需求流程的效果衡量侧重返工与成本，采纳率指标受关注不足用指标衡量。企业更关注AI带来的最终结果改善，对AI产出本身10.AI辅助需求带来口径不一、数据安全与质量参差等新增痛点在使用AI生成/拆解需求后遇到的新增痛点上，48.33%的团队认为AI输出口径与格式不统一、额外增加跨团队规范对齐成本，46.67%担忧敏感业务数据输入AI工具带来的数据安全与知识产权泄露隐患，AI容易遗漏隐形业务规则导致后期返工（45.00%）与AI生成内容质量参差增加人工修改评审成本（45.00%）并列其后；AI在需求环节的价值兑现，仍受制于输出规范化、数据安全与质量1.开发测试人员比例以5:1及以上为主，测试资源相对精简台化；这与AI用例生成工具较高尝试率相互印证，但也提示质量左2.敏态项目占比普遍超过四成，双态研发格局确立3.特性分支与主干开发并行，分支策略呈多元化反映出不同团队按交付节奏与协作模式灵活选择，主干开发超过半4.开发阶段约占交付周期四到六成从开发阶段占整体交付周期的比例（故事从待开发到待测试的要构成部分，也是AI编码辅助工具提效空间最大的环节。5.单测覆盖率集中在41%-60%，仍有较大提升空间从主要系统/项目单测覆盖率看，40.00%的团队覆盖率在41%-60%，23.33%在61%-80%，16.67%达到81%-100%，15.00%在6.流水线静态质量控制以代码复杂度、重复度与Lint为主，许可证合规偏弱从流水线包含的静态代码质量控制能力看，代码复杂度分析与检测与开源合规能力的覆盖率明显滞后于通用质量检7.设计开发阶段AI尝试比例最高，代码审查优化与智能生成领跑在设计及开发阶段的AI尝试上，仅10.00%的组织未进行AI尝试，为各环节最低。71.67%的组织已尝试代码审查与优化建议，70.00%尝试智能代码补全/生成，61.67%尝试辅助架构/方案设计，56.67%尝试自动化单元测试生成，55.00%尝试智能技术文档生成。8.开发场景AI应用超七成，进入推广阶段团队推广阶段，33.33%已进入组织内全面推广阶段，11.67%仍处于辅助正从个体自发使用走向组织级推广，但全面普及程度仍略低于9.开发流程度量聚焦代码扫描缺陷与漏洞，安全指标权重上升在开发流程中最关心的度量指标上，代码扫描bug数以80.00%标的关注度显著高于过程效率类指标，开发度量的重心正从“量”10.AI代码渗透率成为衡量AI辅助开发的核心指标在衡量AI辅助设计/开发流程效果的指标上，55.00%的组织关方案采纳率占41.67%，一次性构建成功率占28.33%；仍有35.00%的组织未采用指标衡量。AI代码渗透率这一新兴指标的出现，标志着企业开始直接度量AI对代码产出的实际贡献度。1.测试阶段约占交付周期两到三成2.自动化测试占比集中在41%-60%，高度自动化团队仍属少数21-40%与61-80%各占18.33%，达到81%-100%的仅占1.67%，另有3.近六成团队已将自动化测试接入流水线从自动化测试接入流水线的情况看，48.33%的团队已将部分核合持续推进，但全量接入的团队仅一成，测试自动化的工程化集成4.非功能测试以按需开展为主重大变更时），定期开展（如每季度/每月）与按迭代+定期结合开展各占21.67%，18.33%按迭代开展，仅1.67%未开展非功能测试。非功能测试已普遍纳入质量保障体系，但常态化、迭代化开展的比5.非功能测试流水线接入处于发展阶段，安全与可靠性测试率先落地6.测试缺陷密度多在每千行2个以内从测试缺陷密度（每新增千行代码Bug数）看，41.50%的团队7.线上缺陷密度整体较低从线上缺陷密度（千行代码Bug数）看，37.50%的团队在8.超半数团队缺陷修复可在24小时内完成9.缺陷逃逸率以5%以内为主10.测试阶段AI尝试聚焦用例生成与缺陷预测生成，50.00%尝试智能缺陷预测，31.67%尝试精准测试（智能用例），试数据生成。测试环节的智能化呈现“用例生成先行、精准化滞后”11.测试场景AI应用超四分之三进入推广阶段推广阶段，35.00%已进入组织内全面推广阶段，8.33%仍处于试验织中测试AI推广进展较快，但起步面仍窄于开发与CI/CD环节。12.测试流程度量以缺陷逃逸率与覆盖率为核心标全面领先于过程效率类指标，测试度量呈现明确的“质量结果导向”。13.AI辅助测试的效果衡量以缺陷检出率提升为核心三分之一组织的AI测试投入仍缺乏量化成效评估。1.度量成熟度集中于L3，向决策驱动演进仍待突破度赋能决策与文化的组织不足两成，与前述各环节中三成左右“不2.AI辅助度量以智能报告生成与监测告警为主在AI辅助度量的应用上，61.67%的组织使用AI智能生成度量报告，55.00%用于指标数据监测告警，53.33%用于度量知识问答，51.67%用于度量智能问题分析与建议，36.67%用于指标趋势预测，3.近九成已引入AI的组织研发运营效率获得提升1.AI对研发流程的冲击呈现“辅助提效为主、局部环辅助人工）”是当前最主要的形态，需求文档编写（51.6人工只需监管）”的比例已相当可观，单测脚本编写（43.33%结构，但已在测试脚本、代码编写等环节实现较高程度的自动化接2.组织适配AI转型以增设专职岗位与治理机构为主从为适配AI+DevOps转型进行的组织调整看，43.33%的组织在现有DevOps团队中新增AI工程师/提示词工程师等专职人员，队；26.67%的组织未进行组织调整、仅升级工具。超七成组织已在3.未来投入聚焦平台深度集成与端到端自主交付企业投入方向呈现“集成深化”与“全流程自主”双轮驱动特征，4.数据泄露、代码安全与模型幻觉是最受担忧的合规与安全风险在AI+DevOps实践中最担忧的合规与安全风险上，73.33%的组生成代码存在未知漏洞或后门（供应链风险），60.00%担忧大模型显著担忧。数据安全、代码供应链安全与生产环境可靠性构成5.复合人才短缺是推进AI+DevOps的首要障碍在推进AI+DevOps过程中遇到的主要障碍上，51.67%的组织认知识产权与数据隐私风险顾虑，技术成熟度不足（45.00%）与数据术与数据四类障碍相互交织，单纯引入工具无法破解AI+DevOps的6.AI+DevOps治理规范建设滞后于实践渗透从AI+DevOps相关内部治理规范或标准的制定情况看，20.00%或部门级指引，23.33%使用供应商或行业通用标准、无内部规范，面推广的现状形成明显落差，治理体系的补位已成为AI+DevOps可三、AI+DevOps工具选型现状在把握整体发展格局的基础上，本章进一步聚焦工具层面，考察工具中的应用、工具选型考量八个领域。需要说明：工具类题目多本结构影响，头部厂商占比相对偏高，解读时宜结合行业公开数据（一）基础设施与DevOps平台1.容器与虚拟机成为基础设施主流，云化与Serverless持续推进49.43%的团队使用虚拟机，两者共同构成企业研发基础设施的主要形态。与此同时，42.37%的团队使用私有云，30.43%的团队使用公有云，35.77%的团队仍保留物理机，22.10%的团队已开始采用2.国产DevOps平台占据主导地位，自研平台比例超过三成在DevOps平台类工具的使用上，51.06%的团队使用Gitee（40.32%）与GitLab/极狐GitLab（38.99%）紧随其后，华为云33.23%的团队选择自研或基于开源工具二次开发的一体化平台，而1.代码管理工具以国产平台为主，码云/Gitee使用率超过七成在代码管理工具的使用上，70.45%的团队使用码云/Gitee2.Nexus与GiteeDevOpsRepo领跑制品库，开源与国产并重队使用GiteeDevOpsRepo，48.79%的团队使用Harbor，42.40%的3.Maven、NPM、Gradle为构建工具三强，多语言构建生态并存（49.67%）使用率位居前三；GoModules（41.10%）与Pythonsetuptools/poetry（38.21%）的使用率持续上升，反映出Go与4.Jenkins仍为持续集成首选，云原生流水线工具快速渗透5.SonarQube主导代码质量工具市场，国产扫描工具占在安全编码规范要求较高的团队中使用较多，代码质量与代码安全6.Ansible与Terraform构成自动化配置与部署双主线团队采用自研工具，基础设施可编程化程度不断加深。7.Docker与Kubernetes为容器技术核心，国产容器管理平台兴起的团队使用Kubernetes，容器引擎与编排体系仍是云原生基础设施8.流水线工具数据互通方式多元，近四成企业仍依赖脚本粘合标准集成实现系统间自动双向同步，36.52%的企业已通过统一研发数据总线或内部开发者平台（IDP）集中流转数据；但仍有37.64%的企业依靠脚本或定时任务临时粘合、仅能单向同步，20.05%的企业工具间数据相互隔离、依靠人工复制传递，19.36%的企业暂未打9.超六成企业已建设工具门户或IDP，统一入口成为趋势企业已建成统一承载需求、开发、测试、发布、运维全链路的完整1.JIRA仍为需求与项目管理首选，国产工具加速追赶2.协作沟通工具呈现四强并立格局在团队协作与沟通工具的使用上，微信（633.飞书文档与Confluence领跑文档与知识库工具在文档与知识库工具的使用上，65.38%的组织使用飞书文档，60.71%的组织使用Confluence，两者并列成为主流选择；Gitee1.JMeter主导接口测试，国产一体化工具Apifox快速普及的团队使用Postman；国产接口管理与测试一体化工具Apifox的使用率达50.78%，普及势头明显；Hoppscotch（29.40%）与SoapUIPlaywright崭露头角）；团队中各有应用。3.JMeter与LoadRunner为性能测试双主力，新兴工具多元化发展在性能测试工具的使用上，JMeter（72.10%）与LoadRunner4.Allure、Zephyr与GiteeDevOpsTest构成测试管理与度量主力在测试管理与度量工具的使用上，69.81%的团队使用Allure，1.国产SAST工具整体领先，市场呈多强并存整体占比领先，但市场仍呈多厂商并存格局，企业常按合规要求与2.Trivy与Snyk领跑容器安全，国产厂商多点布局像扫描、运行时防护等多个环节，容器安全防护体系逐步完3.动态安全测试持续提升，自动化渗透测试加速普及4.灰盒安全测试加速落地，头部产品领先但未形成垄断5.Nmap、OpenVAS、Wazuh等开源工具构成主机安全主力6.国产SCA工具主导开源软件安全治理7.威胁情报工具国产化趋势显著等国产工具使用率接近或超过Mandiant（16.98%）、VirusTotal8.SOC/SIEM市场国内外厂商竞争激烈在SOC/SIEM工具的使用上，ElasticSecurity（51.45%）与较多组织使用，安全运营平台的选型呈现多元化竞争格局。9.SDLC管理走向平台化与态势感知在安全开发生命周期管理（SDLC）工具的使用上，悬从单点扫描工具走向漏洞、依赖与发布门禁一体化的平台化治理，应用安全态势管理（ASPM）成为新的整合1.Prometheus主导系统监控，全栈可观测性体系加速形成2.AIOps工具