初識 AI 時代下的研發效能

2026 年線下課程第二梯次
開課時間: 10 月 18 日 (星期日) 13:00-17:30 (4.5 小時)
報名網址: https://forms.gle/ZxfWBwr4jgYjy2YM8

課程簡介

面對開發現場的混亂與不確定，你需要的不只是流程，而是看得見的改善方法

這幾年，Agile、DevOps 成為開發流程的主流，ChatGPT 等 GenAI 工具也大量進入團隊日常。
但對許多技術主管或團隊成員來說，真正的困難不是「聽過什麼方法」，而是：

這些方法落實下去後，真的有效嗎？
投入了資源與時間，為什麼看不到明顯改善？
我們知道流程，但不知道現在問題出在哪裡，也不知道改了會不會變好？

很多團隊試著導入各種工程實踐、設定 KPI、使用工具，但過了一段時間，仍然看不出交付速度、產品品質、團隊協作有明顯提升。
這不是因為方法錯，而是因為我們缺少一個可以幫助理解現況、找出瓶頸、對症下藥的系統化方式。

這，就是「研發效能」這門課要談的核心。

這門課的核心目的：幫你看清現況、做出有根據的改善決策

我們設計這門課，不是為了推銷某種流程或框架，而是希望提供你一套實用的方法與工具，幫助你回答以下這些問題：

我們設的目標和指標，真的有反映出價值嗎？
我們收集了很多數據，該怎麼看？又該怎麼行動？

你會發現，很多你以為「做得還行」的地方，其實潛藏著浪費與誤區；而你沒注意到的細節，可能正是效能提升的突破口。

我們知道你每天要處理的事已經很多，這門課不會丟一堆理論，而是帶你從你的處境出發，學會更有效地看見、分析、改善。

你會學到：

怎麼用資料看出團隊的運作問題，不再只靠直覺猜測
怎麼用Google GQM 方法，制定效能目標和度量指標
讓你知道大廠是如何進行研發效能改善
效能指標有哪些，代表什麼意義，如何解讀

這門課的目標，不是做出一份漂亮的報表，而是讓你能靠數據，踏實地做出改變。

適合對象

研發主管／技術長：想評估團隊效能、驗證投資成效
Team Lead／Scrum Master：想找到流程瓶頸與改善方法
資深開發者／DevOps 工程師：想以數據支持改善實踐
效能分析師／PM／測試主管：希望透過數據驅動決策

課程大綱

主題	內容說明
研發效能概論	a. 研發效能的困境 b. 何謂研發效能 c. 為什麼研發效能很難 d. GenAI 時代下困境和挑戰 e. 研發效能的關鍵要素 e. 利用 Droa 方式評量團隊效能狀況
業界案例	a. State of DevOps Report：SDO 四大指標與組織績效模型 b. DORA 2025 AI 能力模型：七項核心基礎能力與三層架構 c. 七種常見團隊原型與各自的效能提升指南 d. GenAI 與開發者生產力研究：生產力悖論與 SPACE 框架五大維度 e. 阿里巴巴、京東的研發效能指標體系與目標 f. 研發效能宣言與各家做法的共同精神
流程指標	a. Flow Metrics 介紹與實際案例解讀 b. 價值流圖：從概念發想到上線的全貌視覺化 c. 練習：繪製你的開發與 CI/CD 價值流，標示每個步驟由人或 AI 執行、哪裡風險高或耗時久
品質指標與AI效能指標	a. 常見的品質與複雜度指標：代碼重複率、複雜度、相依關係、測試涵蓋率、模組化分析、Bug 趨勢 b. DORA 指標與 SPACE 框架在 AI 時代的應用 c. 軟體工程師採用 AI 的八個等級與 Agentic Engineering 的八個演進層次
GQM 流程	a. 以精實創業（MVP）方式建構最小可行的效能度量：找需求、訂指標、建雛型 b. GQM 觀念介紹與多個案例分享 c. 如何制定目標（對象／維度／目的／角色）與問題（了解／評量／改進／控制／預測） d. 練習：從目標到問題、指標、收集方式，完成你的 GQM
圖表分析	a. 對比、帕累托、趨勢、下鑽、相關性等分析方式 b. 依「單一／組合維度」與「整體／同類／組成」選擇對應的圖表 c. 度量案例分析：人力資源盤點、品質控制、開發者能力
持續改善	a. 如何以數值化來行動：增加行動量、小心統計陷阱、找出聚焦重點 b. 利用 PDCA 持續改善：領先指標與落後指標 c. KPI 要對齊研發效能：把 KPI 分解為日常行動 d. 實施效能度量的注意事項與參考書籍

課程時間

長度 4.5 小時

講師介紹

David Ko

目前在Odd-e 擔任Agile Coach
幫助企業導入敏捷、改善流程和提供培訓，
台灣Agile Tour Taipei 的組織者之, 致力於推廣敏捷技術。

FAQ

(1) 在 GenAI 時代下是否還需要注重研發效能？

當然需要，而且比以前更重要。
GenAI 能加快產出，但產出多不代表有價值。

在 GenAI 時代，真正重要的是：
你能不能用對 AI、做對的事，並持續交付有價值的成果。
這就需要更清楚的效能指標與改善方法，讓研發團隊不只是更快，而是更準、更有效。

(2) 在 GenAI 時代下研發效能的做法和以前不同嗎?

當然不同，而且差異越來越大。

以往研發效能強調開發速度、缺陷率、測試覆蓋率等基本指標。
但在 GenAI 時代，我們要關注的是：

AI 產出的東西對不對？
團隊能否快速驗證需求與調整方向？
這些工作是否真的帶來價值？

因此，研發效能的做法也從「量產與控制」轉向「學習與調整」：
要會用數據判斷 AI 幫了什麼忙、做錯了什麼事；
也要設計新的指標來追蹤 AI+人 的整體效率與品質。

關鍵不是比誰用 AI 多，而是誰用 AI 用得好。