在技术初创企业的高风险世界中，速度往往是唯一的硬通货。这些年轻公司遵循一种被称为“精益创业”（Lean Startup）的哲学，其目标是构建一个“最小可行性产品”（Minimum Viable Product）——即一个足够好以测试真实客户、但又足够简单以便快速构建的软件工具基础版本。其核心思想是从第一次发布中学习并不断改进，而不是花费数年时间去完善一个没人想要的产品。为了应对这种快节奏，团队使用“敏捷”（Agile）方法，将工作分解为细小、可管理的块，并不断调整计划。然而，一个持久的问题困扰着这些小团队：他们往往在产品发布之前就耗尽了时间或资金。他们的工程团队规模很小，预算紧缩，而规划、估算和构建软件所需的繁琐手工劳动拖慢了他们的进度。当一家初创公司依赖单一产品生存时，交付延迟可能意味着成功与永久关门的区别。

生成式人工智能（Generative AI）的承诺应运而生。近年来，一种新型计算机程序——生成式人工智能出现了，它能够像人类一样编写代码、回答问题并解决问题。虽然许多开发者尝试使用这些工具来加速工作，但目前还没有一个清晰、经过测试的指南，指导如何将它们融入构建初创产品产品的整个流程中。这项技术在团队面临压力时是否真的有效？它会让产品变得更好，还是仅仅让开发变快？研究员穆罕默德·奥韦斯·穆什塔克（Muhammad Owais Mushtaq）致力于通过在真实的商业环境中测试一种新的工作方式来回答这些问题。他不仅询问人们的想法，还构建了一个使用人工智能的具体框架，并在一个实时项目中观察其表现，以观察它是否能解决导致许多初创公司倒闭的慢性延误问题。

该研究聚焦于一个特定的挑战：将旧软件系统迁移到新的、现代化的系统中。这是公司经常面临的任务，通常被称为“迁移”（migration），由于旧代码复杂且缺乏文档说明，这项任务极其困难。穆什塔克与一家金融科技公司的团队合作，该团队需要快速升级其系统。他引入了一种结构化方法，让人工智能在不同阶段处理工作的不同部分。该过程分为两个主要阶段：首先，团队必须规划并估算完成工作所需的时间；其次，他们必须实际编写代码并检查错误。在规划阶段，研究人员使用人工智能工具读取旧代码，并建议新系统的每个部分需要投入多少精力。他们将这些人工智能的建议与经验丰富的专家所做的估算进行了对比。

这一规划阶段的结果令人瞩目。通过人工智能辅助，团队仅用两天半时间就完成了项目估算，而人类专家完成同样的工作则需要五天。这意味着规划过程的速度提升了一倍。更重要的是，这种速度并没有以牺牲准确性为代价。与人类专家的最终判断相比，人工智能的估算准确率达到了94%。这证明了计算机可以观察一个混乱、陈旧的系统，并理解其中涉及的工作量，其理解程度几乎与资深人类专家不相上下，但耗时仅为后者的一半。这一发现意义重大，因为它表明，由于缺乏大型资深规划团队，小规模初创公司可以使用这些工具为他们的项目制定现实的路线图，而不至于让仅有的专家精疲力竭。

一旦计划确定，团队便进入了构建阶段。在这里，研究人员测试了不同类型的AI工具，以观察哪种工具最适合哪项工作。他们发现这些工具并不完全相同：有些擅长理解宏观全局，而另一些则更擅长编写标准、重复性的代码。对于需要理解系统各部分如何相互配合的任务，例如重写复杂的安全功能或连接多个文件，团队使用了“深度上下文”（deep-context）AI智能体。这些工具可以同时观察整个项目。它们的表现异常出色，在工作中达到了95%至99%的准确率，且几乎不需要修正。然而，对于创建基础数据结构或设置自动测试软件的流水线等较简单的任务，标准的编码助手就足够了。这种区分至关重要：它表明，使用正确的工具做正确的事，比泛泛地使用人工智能更为重要。

研究还观察了团队如何检查工作。研究人员使用人工智能生成测试用例（旨在破坏软件并寻找错误的场景），并审查代码中的安全漏洞。这部分流程在发现“边缘情况”（edge cases，即经常导致软件崩溃的罕见情况）方面非常有效。人工智能帮助质量保证团队为他们构建的每一个功能都找到了多达五个此类边缘情况，这在手动操作中是很难实现的。然而，研究也揭示了一个显著的人力成本。虽然人工智能编写代码很快，但人类仍需检查每一行代码。自动化工具经常将安全的代码标记为危险，从而产生了极高的误报率。在某些情况下，近一半的自动化警告必须被人类忽略。

这导致了一个研究员称之为“验证疲劳”（verification fatigue）的新现象。人工智能并没有取代对人类判断的需求，它只是转移了负担。开发者不再把时间花在编写代码上，而是转而花费大量时间去验证人工智能编写的代码是否正确且安全。检查机器工作的心理负担是巨大的，研究人员发现这些工具尚未聪明到能够独立理解系统的整体架构。它们能看到细节，却会忽略大局。因此，人类的角色从代码编写者演变成了代码审计员。研究结论指出，虽然这些工具可以极大地加速初创产品的创建，但它们还无法独自掌控全局。

这项研究的最终启示是，人工智能是精益初创企业的强大伙伴，但需要一种严谨的方法才能发挥效用。研究表明，通过将人工智能整合进结构化的工作流中，小团队可以缩短一半的规划时间，并高精度地构建复杂的软件。研究员提出的框架为其他初创公司提供了一条清晰的路径：利用人工智能处理繁重的估算和复杂的重构工作，但要保持人类参与，以监督架构并验证结果。这项技术已经准备好提供帮助，但它并不是一面可以消除对人类监管需求的魔杖。成功源于明确知道在哪里让机器工作，以及在哪里介入发挥人类的专业知识。