奇富科技AI Coding落地两年：研发效能提升超50%

最近奇富科技那边传来一个消息，说他们在AI Coding这块儿，已经折腾出了一些可量化的成果。说起来，金融科技这行当，合规性和复杂度是出了名的双高，能把AI真正用进研发体系并跑出效果，确实不是一件容易事。奇富科技选择把AI Coding作为核心抓手，推进AI Native组织转型，已经熬过了初期的工具导入阶段，现在更多是在吃透方法论、积累上下文资产，以及搭建自研的基础设施——说白了，就是从“拿来用”走向“自己造”。

从他们公布的数据来看，效果还挺直观。引入AI Coding后，开发人员的人均需求交付效率提升了65%，迭代周期缩短了55%。测试用例生成效率也提高了80%，回归测试的周期相应缩短了60%。运维环节里，故障定位时间直接减半，巡检脚本的AI生成率达到了90%。这些数字背后，是AI Coding已经悄悄贯穿了需求、开发、测试到运维的几乎每一个核心环节。

你得明白，AI Coding能走到哪一步，工具只是冰山一角。真正的差距，其实藏在上下文和工程资产里。奇富科技的做法是，在代码架构、质量保障和稳定运维这些层面，沉淀出一套工程规范、测试案例和运维流程。有了这些东西，AI才能更精准地理解业务语境，生成靠谱的代码，辅助排除故障。说白了，这才是别人难以复制的底座——它不是靠买一个工具就能解决的。

在团队协作这块，奇富科技把人和智能体放在同一套研发流程里。智能体负责那些规模化、可重复执行的活，而人在需求定义、方案评审、质量验收和关键决策这些环节上做把关。这就是典型的“人在环中”闭环。高质量研发的源头，是人和机器之间的深度协同，而不是谁把谁替代了。

技术体系上，他们搭了一个六层成熟度框架，明确画出了从人工编码走向智能体团队的路径。眼下，他们已经跨越了AI辅助和沉浸式编码的阶段，主流采用的是规范驱动开发（SDD），并且正在从Agentic Engineering走向Harness Engineering——通过上下文资产、工具链编排、权限约束、执行反馈和质量验证，给智能体铺出一条可控、可观测、可治理的工程化“安全轨道”。说实话，放眼整个行业，AI Coding普及得很快，但能做到组织级、可规模化Agent工程体系的企业，确实还不多见。

再看落地路径。2024年，AI代码补全实现了全员覆盖；2025年，沉浸式编码覆盖了60%的开发场景；2026年的目标是加速SDD规模化落地，并且完成自研多智能体协同基础框架的关键验证。关键思路在于，用商业工具来保证生态兼容性，用自研框架来承载任务拆解、上下文装配、工具调用、执行校验和人工把关这些Harness能力——这样才能真正适配金融行业对合规、安全和可控的严格要求。

Token消耗和渗透率，往往是衡量AI工程化深度的硬指标。奇富科技目前99.7%的员工日常使用AI工具，全员渗透率接近88%。开发岗位的人均每日Token消耗达到千万级，前20%的头部工程师，日均消耗已经突破亿级。而且，Token消耗和工程师产出之间呈强正相关。部分高成熟度的头部用户，在特定场景下，产出杠杆最高能达到40倍。这说明什么？个体能力正在从“经验驱动”，慢慢转向“体系驱动”。

作为国内少数实现SDD规模化落地、并且同步在探索多智能体协作与Harness Engineering的金融科技企业，奇富科技拿出的这套可量化成效、自研技术框架和工程化治理体系，确实给行业提供了一个不错的参考样本。下一步，他们计划围绕Token成本、执行轨迹质量和可治理度，构建统一的度量体系，用可量化的ROI作为深度工程化的标尺，持续加固技术壁垒。