工程师与领导脱节？效率低下的根源在于沟通和数据信任！用好调查、记分卡，规范 AI 工具使用，提升数据透明度，弥合认知鸿沟。关注 DORA 指标，别让 GenAI 成为新的技术债务！
译自：How Leaders Are Failing Engineers – and How To Fix It
作者：Sooraj Shah
软件工程正随着平台工程和人工智能的兴起而经历快速转型，但一个挑战始终存在：软件工程师和工程领导者之间的脱节。这种差距不仅仅是一种感觉；数据证实了这一点。2025 年内部开发者门户状态报告由 Global Surveyz 代表 Port 进行，发现生产力、标准和数据信任方面存在不一致。这种脱节源于沟通、优先级、期望和技术决策。
81% 的工程师表示，他们每周损失 6 到 15 个小时，因为他们必须不断在众多不同的工具之间切换才能完成工作。然而，大约三分之一的工程领导者 (33%) 没有意识到这种损失，这表明许多管理者可能没有完全意识到效率低下对他们团队的日常影响有多大。
报告还强调了标准方面的不一致。当被问及软件是否符合组织标准时，25% 的领导者表示怀疑，而只有 4% 的工程师表示怀疑。这可能是因为领导者更关注整体结果和对组织标准的遵守情况，并且对软件的合规性有更好的了解。
然而，只有 15% 的开发者表示他们清楚不同领域所有者要求的标准。如果没有明确的标准，工程师可能难以与期望保持一致，从而导致软件开发中的不一致，并增加与法规、安全和质量要求相关的风险。
此外，工程经理往往比工程师更信任他们的数据。报告发现，54% 的工程师认为现有集中式存储库中收集的数据不可信，而只有 44% 的工程领导者这样认为。由于工程师更容易受到不可靠数据的影响，他们往往更加怀疑。缺乏高质量的数据会增加开发者和管理者的开销；例如，如果服务所有权或 AppSec 数据不是最新的，则可能导致低效的工作流程——或者更糟糕的是，错过安全漏洞。
信任方面的差异本身也会导致问题；当警报是误报且领导者没有意识到这一点时，可能会导致在警报或问题分类中对优先级产生分歧，或者导致对已知问题发起不必要的调查。总的来说，这反映了领导者和工程师之间更广泛的沟通差距。
造成脱节的一个关键原因是，工程经理脱离了软件开发的日常运营。现实情况是，他们的大部分时间都花在处理升级、参加会议和进行战略工作上。这种在编码一线缺乏时间意味着他们无法掌握团队的日常挣扎。他们的职责围绕战略、团队管理以及将技术目标转化为业务成果。为了履行他们的职责，他们依靠来自各种来源的元数据来向领导层报告和跟踪进度。他们信任这些数据，因为他们必须这样做——没有这些数据，他们就无法做出明智的决定。
另一方面，工程师直接与生成这些元数据的系统和工具交互。他们对平台的复杂性有更细致的了解，并且更有可能识别错误报告中的误报、合规性指标中的误解以及工作流程中的低效率。这种第一手经验通常使他们对数据质量和集中式报告更加怀疑。
不断变化的业务优先级进一步扩大了这种差距。虽然工程团队的目标是优化效率并保持高质量的代码，但领导层通常更广泛地关注交付业务价值。
一位具有商业头脑的领导者可能会优先考虑尽快将新功能推向市场，因为它满足了客户需求或增强了产品的竞争优势。相比之下，同一位具有商业头脑的领导者可能难以证明对基础改进的时间投入是合理的，例如重构代码或优化开发者体验，这些改进具有长期利益，但缺乏直接的商业吸引力。 组织目标的快速转变进一步加剧了这种紧张关系。例如，虽然组织可能专注于增加收入，但工程团队可能正在努力达到 DORA 指标。业务优先级的突然转变可能会扰乱工程师的工作流程，使管理者难以将技术影响转化为业务语言。
一个反复出现的主题是，工程领导和工程师之间存在沟通差距和透明度问题，这使得工程师很难知道应该优先处理什么、对他们的期望是什么以及如何定义标准。
人工智能的采用可能会进一步扩大这种差距。跟踪人工智能工具采用情况的领导者可能会看到效率方面的积极成果，但使用人工智能生成的代码的工程师首先会遇到增加的风险，例如安全漏洞和意外错误。人工智能生成的代码会导致更多的微服务、更多的云资源，并最终导致更多的复杂性。更多的代码意味着更多的事件、更多的漏洞以及对治理和监督的更大需求。因此，工程师可能会因增加的负担而感到吃力，而领导者则期望更快的交付时间，但没有完全掌握正在累积的技术债务。
人工智能的采用通常也缺乏明确的治理，工程师可能难以在现有标准中实施人工智能生成的代码。如果没有就如何使用和衡量人工智能工具达成一致，领导层的期望与工程实际之间的脱节将继续扩大。
此外，衡量人工智能工具的投资回报率的难度也加剧了这种分歧。事实上，根据 Gartner 的数据，49% 的人工智能领导者认为评估和展示人工智能的价值是人工智能采用的最大障碍。
弥合工程师和工程领导之间差距的最有效方法之一是通过结构化的反馈循环。调查 可以突出显示由工具蔓延、不明确的标准和不良的人工智能实施造成的效率低下。它们允许领导者以一种非对抗性的方式评估工程师对其工作环境的感受、他们是否信任他们所依赖的数据以及他们认为自己的工作效率如何，从而支持有意义的改变。
这种类型的持续反馈确保领导层了解工程师的痛点并采取相应的行动。使用具有 集成调查的平台或门户 可以帮助团队改善沟通，更重要的是，改善参与软件工程的每个人的体验。
管理者面临的一个主要挫折是使开发人员与组织标准保持一致。解决这个问题的一种方法是使用记分卡。记分卡提供了一种结构化的方式来定义和 跟踪工程团队的关键指标，确保始终如一地遵循最佳实践。它们帮助领导者衡量可靠性、安全性和效率方面的进展，同时为工程师提供了一个明确的改进框架。它们包括分层级别——例如金级、银级和铜级——以指示不同程度的合规性或成熟度。
记分卡有助于评估生产准备情况、代码质量、迁移进度、运营绩效等。它们提高了标准的可见性，确保工程师和管理者在期望上保持一致，而不会产生不必要的摩擦。
记分卡还提供了一个结构，用于跟踪人工智能生成的代码的影响，以确保其符合组织标准。人工智能的采用不应仅通过有多少工程师使用它来衡量；而应根据它是否提高或阻碍软件质量来评估。通过将人工智能指标集成到记分卡中，领导者可以确保人工智能生成的代码符合安全和合规性标准，同时防止产生额外的技术债务。
工程领导者不应自上而下地强加严格的人工智能标准，而应让开发人员参与定义最佳实践。人工智能生成的代码应在受控环境中进行试点，并通过人工审查确保质量。组织还必须衡量人工智能对发布频率、错误计数和漏洞的影响，以确保其有效性与整体工程目标保持一致。
工程师和管理者之间脱节的一个核心问题是对数据的信任。当工程师和领导者都能实时访问关于 DORA 指标、标准合规性和工作流程效率的相同数据时，信任应该会提高。 这也有助于发现数据质量的任何问题，并提供解决方案的机会。
工程师需要能够依赖来自单一可信来源的元数据，而不是在工具之间切换以获取他们可以信任的数据，或者依赖 DevOps、站点可靠性工程师或其他同事来获取信息。 一旦他们拥有了他们信任的数据——通过基于这些数据的仪表板和记分卡上的共享可见性——工程师将更容易理解领导层决策背后的原因。 反过来，管理者将更全面地了解他们的软件交付生命周期，并更准确地了解实际情况。
弥合差距的一种方法是为包括 GenAI 在内的新工具实施更好的衡量标准。 工程领导者不仅应跟踪 AI 工具的采用情况，还应将使用情况与关键绩效指标（如代码质量、事件频率和安全漏洞）相关联。
组织不应仅仅衡量接受的 AI 生成建议的数量，而应评估它们对平均恢复时间 (MTTR)、部署频率和整体软件稳定性的影响。
弥合工程师和工程领导者之间的差距不是强迫对齐，而是培养沟通、协作和信任。 无论是通过结构化的反馈循环、开发者门户、AI 标准化还是对数据的共享可观测性，建立更强大的工程文化关键在于促进更好的对话，并为双方提供正确的工具。
当工程师清楚地了解期望和满足期望的工具，并且领导者真正了解团队的实际情况时，双方都可以专注于真正重要的事情：构建高质量的软件，而不会产生不必要的摩擦。