17%的代码已交给AI：Figma Config这场对话揭开团队协作的新底牌

在这场 Config 2025 的对话里，几位一线实践者抛出一个让人警觉的数据：已经有 17% 的新代码由 AI 直接完成。更重要的不是比例，而是他们如何重新定义“团队”“协作”和“人该做什么”。这不是炫技，而是一份正在发生的工作方式变革实录。

开场就把人震住：AI 不再是工具，而是“团队成员”

如果你还把 AI 当成一个更聪明的自动补全工具，那这场对话一开始就会让你出戏。嘉宾们几乎没有花时间解释“为什么要用 AI”，而是直接默认：AI 已经在团队里了。

最炸的一句话出现在讨论早期——“17% 的新代码已经由 AI 完成”。注意，这不是实验室里的 demo，也不是黑客松数据，而是正在生产环境中发生的事实。更反直觉的是，台上的人并没有把这个数字当成 KPI 来炫耀，反而迅速转向另一个问题：当 AI 能稳定地产出代码，人类工程师的价值到底要放在哪里？

这为整场讨论定了调子：不是‘AI 会不会取代人’，而是‘团队如何围绕 AI 重新分工’。

17% 背后的真相：效率提升，但复杂度也在上升

当讨论深入到具体实践时，一个细节非常耐人寻味。AI 写代码确实快，但团队并没有因此“更轻松”。相反，新的复杂度正在出现。

一位嘉宾提到，AI 生成的代码需要被更频繁地审视，因为问题不在于能不能跑，而在于“是否符合系统长期演进的方向”。这句话点破了很多团队的隐痛：AI 擅长局部最优，但系统性判断仍然高度依赖人。

于是，一个新的分工浮现出来——人类工程师开始更多地扮演‘架构守门人’和‘意图定义者’，而不是逐行敲代码的人。AI 写得越多，人对整体质量、可维护性和一致性的责任反而越重。效率提升是真实的，但它并不是免费的午餐。

从“用 AI”到“围绕 AI 设计流程”，差别巨大

对话中一个反复被提到的关键词是：流程。真正跑得顺的团队，并不是简单地把 AI 接进现有工作流，而是反过来，重新设计流程去适配 AI。

例如，在需求还很模糊的早期阶段，就让 AI 参与进来，帮助快速生成多个方向的原型或实现思路；而在收敛阶段，则明显降低 AI 的自由度，由人来主导关键决策。这种“阶段性信任”的策略，避免了 AI 在不该发挥创造力的时候制造混乱。

有意思的是，嘉宾们一致认为，最难的不是技术，而是团队心态的转变——接受‘第一次产出不完美’、接受‘和 AI 来回迭代’成为常态。这对很多追求一次到位的团队文化来说，是一次不小的冲击。

两级成熟度模型：大多数团队还停在第一层

在中后段讨论中，嘉宾们隐约勾勒出一个“AI 成熟度”的分层。

第一层，是把 AI 当成加速器：写代码更快、改 bug 更省力、原型更迅速。大多数团队目前都停在这里，也很容易满足。

第二层，则开始思考更难的问题：哪些工作本来就不该由人来做？哪些决策必须由人保留？当 AI 可以随时给出一个‘还不错’的答案时，团队如何避免滑向平庸？

他们认为，真正拉开差距的，恰恰是第二层的能力。这需要明确的原则、持续的反思，以及对失败的容忍度——而不是多接几个模型、多调几个参数。

行业层面的信号：这不是某一家公司的特例

临近尾声时，话题从具体团队拉升到了行业层面。几位嘉宾都表达了类似的判断：这种围绕 AI 重构团队协作的趋势，不会只发生在少数前沿团队。

“这对整个行业来说都很令人兴奋。”这句话的潜台词是残酷的——不会适应的团队，很可能会被拉开指数级差距。因为一旦流程、文化和角色定义都围绕 AI 优化完成，后发者想追赶的难度会远高于单纯补技术债。

这也是为什么他们反复强调：现在就开始实验，比等‘最佳实践’出现要重要得多。

总结

这场对话真正有价值的地方，不在于那句“17% 的代码由 AI 完成”，而在于它揭示了一个更深的变化：AI 正在逼迫团队重新回答‘人到底负责什么’。如果你是工程师，下一步不是学会更多提示词，而是提升系统判断和架构能力；如果你是管理者，重点不在于压榨效率，而是设计适合 AI 共存的流程。可以从一个小实验开始：选一个阶段，让 AI 深度参与，然后复盘它改变了什么、暴露了什么。未来的差距，很可能就从这些微小但持续的选择中拉开。

关键词： Figma Config 2025， AI 团队协作， AI 写代码， 工作流程重构， 工程效率

事实核查备注： 需要核查的关键事实：1）“17% 的新代码由 AI 完成”的具体上下文与统计口径；2）该数据出现的时间点（Config 2025 现场）；3）该表述是否为某位嘉宾的直接原话或总结性说法。