AI研发资源分析要回答的是资源投向是否合理、AI辅助是否带来可观察变化。落地时先定评估目标，再划定团队与时间窗，统一人力投入、AI使用量、交付产出和质量返工的口径，按公式逐项计算并校验分母，最后结合访谈与评审记录解释结果。ONES可承载工时、工作项与评审记录，作为取数与协作载体。
要点总览（TL;DR）
- 先定评估目标：区分资源投入评估、AI辅助效果评估和资源调配建议三类目标，明确结论用于预算与人力调配参考，不直接作为人员绩效判定。
- 指标按投入、产出、质量与返工三个维度选取，每个维度保留少量可稳定取数的指标，并把纳入团队、项目类型、统计起止时间和排除项写成可复述的范围规则。
- 为每个指标建立口径字典，写清分子、分母、时间窗、单位、数据来源和缺失处理，分母为零或样本过小时标记为不适用，不参与排名。
- 计算按锁定范围、清洗对齐、套公式并校验分母、分组对比、结合定性证据解释的顺序执行，检查表随报告归档以便复算。
- 结论落在资源调配建议上，AI使用量与产出变化按相关关系解读，跨期对比遇到范围变化需分段说明或重设基线。
先明确评估目标：AI研发资源分析要回答什么
“分析资源”本身太宽，直接取数容易得到一堆无法支撑决策的指标。第一步是把目标写成可回答的问题，并明确结论给谁用、用在哪个决策上。常见的分析目标可以分成三类，它们的取数范围和解读方式不同，混在一起做会让结论失焦。
| 目标类型 | 要回答的问题 | 典型决策用途 | 主要数据 |
|---|---|---|---|
| 资源投入评估 | 人力、AI工具席位与调用量、外部算力成本投向了哪些项目类型和环节 | 预算分配、席位采购、成本结构调整 | 工时、席位与调用日志、费用记录 |
| AI辅助效果评估 | 使用AI辅助的需求或任务，在交付量、返工、评审轮次上呈现什么变化 | 判断是否扩大试点范围、调整使用规范 | AI使用日志、需求与缺陷数据、评审记录 |
| 资源调配建议 | 哪些团队或环节投入偏高、产出偏低，下一周期如何调整 | 人力调配、项目排期、重点环节加配 | 前两类指标的组合结果 |
目标确定后，要写明评估周期和责任角色。周期建议与团队的管理节奏对齐，例如按季度评估，月度只看趋势不做结论。责任角色至少包括三类：研发管理者提出问题和决策用途，数据提供方负责按口径导出原始数据，评审人负责核对口径与解释结果。三者分离可以降低“自己取数、自己解释、自己受益”的偏差。
还需要提前写明结论的用途边界：分析结果用于预算、人力和工具席位的调配参考。人员绩效判定涉及目标设定、个体差异和长期表现，需要另行设计评估方式，不宜由一次资源分析直接给出。
指标与范围：选哪些指标、覆盖哪些团队和时间窗
指标选择围绕评估目标展开，按投入、产出、质量与返工三个维度组织，每个维度保留少量可稳定取数的指标即可。指标过多会增加口径维护成本，也容易让读者只盯住某一个数字。
| 维度 | 指标 | 单位 | 说明 |
|---|---|---|---|
| 资源投入 | 人力工时 | 人时或人月 | 按项目、团队、工作类型归集 |
| 资源投入 | AI工具席位数与调用量 | 席、次 | 区分活跃席位与总席位 |
| 资源投入 | 外部算力与服务成本 | 元 | 按项目或团队分摊 |
| 产出 | 需求交付数 | 个 | 以完成定义为准，需写明状态条件 |
| 产出 | 代码提交与评审量 | 次、行或合并请求数 | 选定一种计量方式并保持一致 |
| 产出 | 缺陷修复量 | 个 | 与缺陷计数规则配套 |
| 质量与返工 | 缺陷密度 | 个/千行或个/需求 | 分母需与产出指标一致 |
| 质量与返工 | 返工工时 | 人时 | 需定义哪些工作计入返工 |
| 质量与返工 | 评审返工轮次 | 轮 | 按评审记录统计 |
范围界定要写成一句话能复述的规则：纳入哪些团队、哪些项目类型、统计起止时间、排除哪些情况。例如“纳入A、B两个产品团队本季度全部需求型项目，排除运维值班和临时支持类工作”。排除项必须写明理由，否则不同人取数时会各自判断，导致同一指标出现多个版本。
时间窗要同时考虑数据完整性和业务节奏。季度评估适合看趋势和调配，但季度末的数据往往还在补录，取数时间建议留出缓冲期，并在报告中注明数据截止日期。跨季度对比时，若团队构成或项目类型发生变化，需要在报告中标注，避免把范围变化读成效能变化。
数据口径与证据：分子分母、缺失值怎么定
口径字典是整套分析可复算的前提。每个指标至少写清六项：分子、分母、时间窗、单位、数据来源、缺失处理。下面给出几个关键指标的口径示例，其余指标按同样结构补齐。
| 指标 | 分子 | 分母 | 时间窗 | 数据来源 | 缺失处理 |
|---|---|---|---|---|---|
| 人均需求交付数 | 统计期内状态为“已完成”的需求数 | 同期投入人力工时折算的人月 | 按季度 | 需求系统、工时系统 | 工时未填报超过约定比例的人员剔除并标注 |
| AI辅助覆盖率 | 有AI辅助使用记录的需求数 | 同期总需求数 | 按季度 | AI工具使用日志、需求系统 | 日志断档期间的需求标记为“未知”，不计入分子也不剔除分母 |
| 缺陷密度 | 统计期内新增缺陷数 | 同期交付规模（需求数或代码量，二选一并固定） | 按季度 | 缺陷系统、代码仓库 | 重复缺陷按去重规则合并后计数 |
| 评审返工轮次 | 评审后需修改再提交的轮次总数 | 参与统计的评审单数 | 按季度 | 代码评审或文档评审记录 | 评审记录缺失的单据不计入分母 |
缺失值和异常值要在取数前定规则并留档。常见情况包括工时未填报、AI工具日志断档、需求状态回退、跨团队借调人员归属不清。处理方式无非剔除、补录、标记为未知三类，关键是同一规则在全部分析中保持一致，并在报告中说明影响范围。异常值如单条工时记录明显超出合理区间，应先核对原始记录再决定是否修正，不宜直接删除。
定量指标之外，还需要收集定性证据作为解释材料：与团队负责人的访谈记录、评审意见、试点期间的AI使用规范变更记录。定性证据不参与公式计算，用于解释指标差异的来源，例如某团队缺陷密度上升是因为承接了遗留系统改造，而非交付质量下降。
在数据来源上，工时填报、需求与缺陷状态流转、评审记录需要落在同一套协作系统中才能按人和项目对齐。ONES的工作项、工时与评审记录可以作为取数载体，ONES Assistant可围绕项目进展、工时投入、缺陷分布和资源配置生成进展分析与资源合理性建议，供管理者判断后使用。这类分析输出属于建议性质，仍需结合本文的口径核对。
计算与评估步骤：从取数到结论的流程
计算流程按固定顺序执行，每一步留下可核对的中间产物，便于评审人复算。
- 锁定范围并导出原始数据。按S2确定的范围导出工时、需求、缺陷、评审和AI使用日志，记录导出时间与筛选条件。产物是一份带筛选说明的原始数据包。
- 清洗与对齐。统一人员标识、项目标识和时间字段，处理跨团队借调、项目改名、时区差异。对齐后抽查若干条记录与源系统比对，确认无错位。
- 按公式计算并校验分母。逐项套用口径字典的公式，重点检查分母为零、分母过小和样本量不足的情况。分母为零的指标标记为“不适用”，不写成零值参与排名。
- 分组对比。按团队、项目类型、时间段分组，观察同一指标在不同组之间的差异。分组维度不宜过多，每组样本量要能支撑比较。
- 结合定性证据解释差异并形成建议。对显著差异逐条核对是范围变化、样本量问题还是真实变化，再给出资源调配建议，并写明建议依据的指标和证据。
校验点建议固化为一张检查表：数据截止日期是否标注、分母是否为零或过小、人员与项目映射是否完整、缺失处理是否与口径字典一致、分组样本量是否足够、结论是否引用了对应证据。检查表随报告一起归档，下一周期复用时只需更新数据。
算例：一个团队一个季度的资源与AI辅助分析
以下为演示情景，数字用于说明公式和解读方式，不代表任何真实团队的表现水平。
| 项目 | 数值 |
|---|---|
| 统计周期 | 一个季度（约3个月） |
| 投入人力工时 | 2400人时，折算约15人月（按每人月160人时） |
| 交付需求数 | 60个 |
| 使用AI辅助的需求数 | 36个 |
| AI工具调用量 | 5400次 |
| 新增缺陷数 | 48个 |
| 返工工时 | 240人时 |
按口径字典计算：
- 人均需求交付数 = 60 ÷ 15 = 4个/人月。分母是折算人月，若改用总人时，结果单位变为个/人时，两者不可混用。
- AI辅助覆盖率 = 36 ÷ 60 = 60%。分母是总需求数，日志断档的需求按规则标记为未知，此处假设无断档。
- 缺陷密度（按需求计）= 48 ÷ 60 = 0.8个/需求。若改用代码量作分母，需重新计算，不能与按需求计的结果直接比较。
- 返工工时占比 = 240 ÷ 2400 = 10%。该比例反映返工在总投入中的份额。
结果解读时先排除口径问题：确认60个需求都满足“已完成”状态定义，15人月是否包含借调人员，AI辅助记录是否覆盖全部使用场景。若这些条件成立，再看差异来源。例如与上季度相比人均交付数上升，需要核对是需求拆分粒度变细、人员减少还是交付节奏真实加快；AI辅助覆盖率上升但缺陷密度同步上升，应结合评审记录判断是使用方式问题还是需求复杂度变化。单看覆盖率与产出同向变化，只能说明两者相关，不能据此认定AI辅助直接带来了产出提升。
解读与限制：哪些结论能下、哪些不能
指标组合解读比单指标更有解释力。人均交付数需要与缺陷密度、返工工时占比一起看，否则可能把“交付快但返工多”误读为效能提升。AI辅助覆盖率要与使用深度（如调用量、使用场景分布）和产出质量指标配合，才能形成较完整的判断。
AI使用量与产出提升之间是相关关系。团队在使用AI辅助的同时可能调整了需求拆分方式、增加了评审投入或更换了项目类型，这些因素都会影响产出指标。报告应写明“观察到同向变化”，并列出可能的其他解释，避免写成因果保证。
以下情况需要特别处理：分母为零时该指标标记为不适用，不参与横向排名；样本量过小时只做描述不做组间比较；统计范围发生变化（团队合并、项目类型调整）时，跨期对比需分段说明或重新设定基线。这些处理规则应在报告中显式写出，方便读者判断结论的适用范围。
最后，分析结论的落点是资源调配建议，例如调整AI工具席位分配、在返工集中的环节增加评审资源、对投入偏高且产出偏低的项目类型重新评估排期。涉及人员绩效的判定，需要结合目标设定、长期表现和多方评价另行设计，不由单次资源分析直接给出。ONES Assistant基于项目、缺陷与资源数据生成的分析建议，同样需要管理者结合口径核对后使用；其输出过程可追踪、结果可审计，便于在评审环节复核依据。
常见问题
AI研发资源分析的结果可以直接用于人员绩效考核吗？
不建议直接使用。资源分析回答的是资源投向是否合理、AI辅助是否带来可观察变化，指标按团队、项目类型或时间段汇总，个体差异、目标设定和长期表现不在其覆盖范围内。把季度汇总指标直接套到个人，容易把项目类型差异、需求拆分粒度变化读成个人表现差异。
如果确实需要做人员绩效判定，应另行设计评估方式，把目标达成、协作评价和长期表现纳入，资源分析结果只作为背景参考之一。
AI工具使用日志不完整时，AI辅助覆盖率还能算吗？
可以算，但要在口径字典里先定好缺失处理规则。常见做法是把日志断档期间的需求标记为“未知”，不计入分子，也不从分母中剔除，同时在报告中说明断档的时间范围和涉及的需求数量。
如果断档比例较高，覆盖率会被系统性低估，此时更适合只做趋势描述，不做团队间横向比较。下一周期取数前应先补齐日志采集，再恢复常规口径。
团队构成或项目类型在季度间发生变化，跨期对比怎么做？
先判断变化是否影响指标口径。团队合并、项目类型调整、借调人员归属变化都会改变分母的构成，直接对比两个季度的数值可能把范围变化读成效能变化。
处理方式有两种：一是按变化节点分段说明，前后两段各自对比；二是用变化后的范围重设基线，只对比基线之后的周期。无论选哪种，都要在报告中写明调整原因和影响范围，方便读者判断结论的适用条件。
人均需求交付数用总人时还是折算人月作分母？
两种都可以，关键是选定一种并在全部分析中保持一致。用人月作分母时，结果单位是个/人月，需要先约定每人月折算多少工时；用总人时作分母时，结果单位是个/人时，数值会小很多。
两种口径的结果不能混在一起比较，也不能在同一张表里并列排名。如果历史报告用的是人月，建议延续该口径，避免跨期对比时出现单位错位。
ONES Assistant 生成的分析建议能直接作为资源调配依据吗？
ONES Assistant 可围绕项目进展、工时投入、缺陷分布和资源配置生成进展分析与资源合理性建议，其输出属于建议性质。使用前仍需按本文口径核对数据范围、分母和缺失处理是否一致，确认建议依据的指标与当前评估周期匹配。
ONES 的 AI 能力基于其权限体系运行，输出过程可追踪、结果可审计，便于在评审环节复核依据。最终调配决策由管理者结合业务判断作出。
