ARTICLE · 1096259
阿里研发基础设施负责人许晓斌:AI时代的软件工程丨阿里的实践模式分析
阿里研发基础设施负责人许晓斌:AI时代的软件工程丨阿里的实践模式分析当下AI代码生成能力飞速迭代，不少研发团队的代码AI生成占比已经突破90%，甚至逼近100%。 很多人顺势产生一个认知：程序员写代码的工作要被替代，软件工程行业要彻底变天。 但在阿里巴巴研发基础设施负责人 许晓斌 看来，这恰恰是行业最大的误区。AI解决了“写代码”的表层问题，却把软件工程真正的核心难题彻底暴露了出来。 演讲视频丨阿里巴巴研发基础设施负责人许晓斌 在2026云栖大会的分享中，许晓斌结合阿里巴巴多年内部实践、千万级工程落地经验，就AI时代软件工程的真实困境、核心变革方向，行业踩坑真相等话题分享了自己的观察与思考。 两年前，行业评判AI研发能力的核心标准十分单一，主要看两个指标：代码采纳率、AI代码占比。 各大团队纷纷内卷数据，30%、40%的AI代码占比曾被视作行业标杆。但短短两年，这套评判标准已经彻底失效。 如今绝大多数团队的代码几乎都由AI生成，但软件工程的效率、质量、风险问题，不仅没有消失，反而愈发严峻。 许晓斌直言，100% AI生成代码并不是好事。AI无法为线上故障背锅，但一旦系统出问题，所有风险最终都会落到研发团队身上。 更现实的问题随之而来：AI批量产出大量代码后，人工Code Review已经跟不上节奏。 代码体量暴涨、开发语言杂乱多样，即便资深技术管理者，也难以逐一核查代码质量，团队工程质量隐患持续累积。 绝大多数人对软件工程的认知，仍然停留在“写代码”这单一环节，但真实的大型互联网工程，完全是另一套逻辑。 
许晓斌给出一组阿里内部真实数据：研发人员真正写代码的时间，仅占整体工作的20%-30%。 而在完整的软件交付链路中，编码的占比更是低到离谱：写代码的耗时不足1%，剩下99%的工作全在后续环节。 一次完整的软件上线，需要经历代码评审、多轮测试验证、多系统集成、灰度发布、线上观测、问题复盘等一系列复杂流程。 尤其是支付宝、淘宝、高德这类亿级用户的核心系统，直接关系资金安全、用户体验，零容错是底线，稳定性和可靠性远重于开发速度。 这也区分了“玩具级开发”和“真正的软件工程”：普通人用AI写代码做小项目，出错可以随时重来；但企业级大型系统，一次故障就可能造成巨额损失。 单纯压缩编码时间，根本无法提升整体研发效率，这也是AI提速编码后，企业研发瓶颈依旧存在的核心原因。 在许晓斌的视角里，AI重构的不是编码环节，而是整个软件工程体系。当下行业需要直面三大核心本质问题。 第一，大型系统的安全与可靠性难题。 AI擅长解决独立、低交互的简单开发场景，但企业真实的软件系统，是错综复杂的分布式存量体系。 千万级存量代码、多系统交叉调用、复杂业务链路，AI无法自主适配这类复杂场景，极易引发兼容故障、线上漏洞。 第二，复杂系统的协同难题。 企业软件工程从来不是单人开发，而是多团队、多角色、数百人的协同作业。 AI放大了个人开发能力，却打破了原有团队的协同节奏，人和AI的协同、多AI之间的协同，成为全新的工程难题。 第三，交付标准与信息缺失难题。 代码从来不是软件交付的全部，大量核心信息都留存于工程师的经验和脑海中。 需求细节、测试标准、系统搭建逻辑、运维规范等非结构化信息，无法自动同步给AI。这就导致AI交付的系统，看似能正常运行，实则暗藏监控兼容、容量适配、高可用缺失等隐性问题。 阿里内部就曾出现真实故障：AI完成站点搭建与交付后，数月后用户正式使用时系统宕机，核心原因就是AI仅完成基础部署，未落地高可用、监控适配、容量校验等工程标准。 如今行业普遍陷入“模型迭代狂热”：模型升级一次，大家就跟风尝试新能力。但许晓斌强调，真正制约AI工程落地的，从来不是模型能力，而是企业配套基建的缺失。 
他总结了当前行业四大核心短板，也是所有企业必须补齐的工程能力： 1. 环境与验证体系不完善 AI完成编码后，需要真实、隔离、可复刻的环境完成验证。多数企业缺乏标准化验证机制，仅靠简单接口连通就判定交付完成，大量隐性故障无法提前暴露。 2. 研发平台对AI不友好 企业内部中间件、运维平台、研发系统错综复杂，新人甚至AI都需要极高的学习成本，无法快速适配企业存量工程体系。 3. 数字员工权限与安全管控 AI没有人类的风险感知能力，权限、身份体系缺失，会被无限放大破坏力。模糊的需求、宽松的权限，极易导致AI篡改生产数据、泄露内网信息、破坏核心系统。 4. 组织人才体系脱节 传统研发岗位边界、团队边界被AI彻底打破，原有工程师、测试、运维、产品的分工模式失效，传统软件工程经验看似失效，人才激励、团队管理面临全新挑战。 针对以上痛点，阿里在内部打磨多年，落地了一整套标准化AI软件工程基建，且多项能力已开源开放。 1. Sandbox-Agent：构建安全隔离的AI运行环境 
沙箱是AI工程落地的核心基础设施，核心价值是给AI划定清晰的运行边界，实现权限、网络、资源的全面隔离。 OpenSandbox（https://open-sandbox.ai/） 阿里已将Sandbox项目开源。在阿里内部，它已实现每周千万级创建规模，可支撑AI开发、训练、评测、办公等全场景运行，兼容主流Docker、K8S架构，解决了AI运行失控、破坏生产环境的核心问题。 2. 环境系统化改造：实现全链路环境可复刻 真正的工程环境，不止代码，还包含工具链、多区域配置、数据基线、网络边界、依赖服务、监控体系等全套内容。 阿里耗时半年完成核心改造，已实现内部两三千个应用的全环境独立复刻，可从无到有复原整套系统的所有依赖。 这套能力让AI可以在独立环境中完成全量编码、测试、验证，零触碰生产环境，大幅降低线上风险。 3. 全新AI身份体系：精准溯源、可控授权 传统以人为核心的身份体系，无法适配AI作业场景，简单授权会带来巨大安全隐患。 为此阿里搭建了全新的组合式身份体系，整合操作人员、AI数字员工、运行负载三大维度信息，通过硬件加密、可信认证实现全程溯源。 系统可精准识别操作主体，针对高危行为自动校验、二次授权，从根源解决AI权限失控、操作无溯源的问题。 4. GuardRail交付系统：让AI交付可校验、可预判 针对AI软件交付的最后一公里，阿里自研GuardRail系统，解决四大核心问题：意图匹配、变更透明、风险预判、授权可控。 系统可自动校验AI代码是否匹配原始需求、清晰识别所有代码/配置/数据变更、预判变更影响范围，结合身份体系完成合规校验。 目前这套系统已在阿里内部灰度落地，目标是实现团队内半数核心生产系统由AI自主完成发布与运维，人工仅做最终确认。 在所有基建难题之外，人才与组织重构，是AI软件工程最难、最核心的命题。 AI打破了传统岗位边界，开发、测试、运维、产品的分工壁垒全面消失，单一人才可依托AI完成全链路工作。 但这种“超级个体”模式无法规模化复制，还会引发团队内卷、职责模糊、协作摩擦等一系列问题。 
对此，许晓斌给出了一些组织升级方面的思路： 首先，极致放大个人价值，驱动个体创造力。 AI时代，个体的创意、判断力、业务认知，远比基础执行能力重要。优秀人才依托AI，可释放十倍级的产能，管理者需要聚焦个体激励，激活人的主观能动性。 其次，消除组织与系统摩擦。 弱化固化的团队边界、岗位边界，搭建灵活的横向协作模式，优化考核机制，通过临时突击队等形式，解决跨团队协作低效问题。 最后，坚守业务价值本质。 AI迭代速度极快，极易出现“盲目迭代、无效产出”的问题。越是AI高效迭代，越需要团队锚定业务价值，避免陷入无意义的功能堆砌。 AI确实颠覆了“写代码”这件事，但软件工程的核心从来不是编码，而是稳定、可靠、高效、可控的系统化交付与运维。 正如许晓斌在分享中总结的：AI解决了表层的效率问题，但真正的软件工程革命，才刚刚开始。 模型能力只是基础，完善的工程基建、安全体系、组织人才模式，才是企业在AI时代站稳脚跟的核心壁垒。 据悉，阿里十余位核心工程师联合打磨的《AI Native 研发范式实践手册》已正式发布，感兴趣的读者们可通过阿里技术公众号获取电子版。 2026云栖大会AI Native研发实践相关阅读
01 行业误区：沉迷代码生成，忽略工程本质
02 残酷真相：写代码，仅占软件工程的1%
03 AI时代，软件工程的三大核心难题
04 行业共性短板：模型之外，基建全面滞后
05 阿里落地解法：四大基建，筑牢AI工程底座
06 核心命题：AI时代，组织与人才重构