本文转载自《科创人》对思码逸联合创始人兼 CEO 任晶磊 的人物专访。

关注生产关系，构思智力股权

《科创人》：我们曾采访过多位研发管理赛道的企业创始人、联创，他们大都具有相当年份的管理经验，深刻体会过研发管理领域存在的问题后选择创业， 您是出于怎样的切身经历，开始对这个赛道方向产生了兴趣？

任晶磊：离开微软这样的大公司创业六年，我确实经历了很多切肤之痛（笑）。大部分朋友选择 IT 技术、科创创新的事业方向，都是对生产力的推陈出新更有兴趣，但在成长过程中，我发现自己的注意力总是情不自禁地投向生产关系，比如我会思考：人类科技突飞猛进了 100 年，但人们工作生活的幸福度似乎并没有匹配生产力的提升；具体到 IT 科技产业中，程序员们殚精竭虑、奇思妙想地构建了一个又一个伟大的商业项目，但他们获得收益的模式却更接近“工作时长定薪”，这是显而易见的不合理。

2018 年前后，区块链技术的爆火促使我思考能否结合区块链技术和某种算法，合理计量 IT 研发人员的工作价值，并实现相对公平的分配，我当时将这种模式定义为“智力股权”。这是我们那篇论文的基础发心，也是思码逸最初的种子。

躬身入局，商业成熟不能靠空想

《科创人》：从顶会论文到成熟商业化产品往往会有不短的一段距离，您是什么时候下决心以创业的形式去实现自己期待的愿景？

任晶磊：2018 年底。在我们多年的研究方向里，大家认为“研发效能度量”是相对比较实际的一个方向，不仅有顶会的学术成果做理论支撑，而且当时行业内主要以代码行数计量工作量、以主观评价评定研发人员的绩效，显然是存在许多不合理以及空白地带的，在我们看来有很大的优化提升的潜力。

所以我们没有等所有事情都构建完备再启动创业，而是决定先走进田间地头，在摸爬滚打的劳作过程里逐渐完善其他事情，这可能是技术人创业的一个特色，认定价值方向、边做边探索。

《科创人》：技术项目创业确实常见“拿着锤子找钉子”，不过《科创人》从不认为这句是贬义。走上创业路之后，有哪些令您记忆犹新的挑战与难题？

任晶磊：作为 CEO，找钱、找人、找方向，初始阶段人都是精英、方向也很笃定，主要难在找钱上。也是由于我们比较有闯劲，出发的时候还缺乏一些必要的创业知识储备，最初找投资的时候，我还尝试过找到那些投资人的邮箱，一家一家给人发邮件，以为会通过这种方式得到赏识（笑）。

说到挑战还有一个最关键的问题，就是完成 PFM，如何尽快达到比如 500 万 ARR （Annual Recurring Revenue，年经常性收入）的市场规模。创新型产品几乎一定会经历“内部想象——外部验证”的反复磨合，也几乎一定会有“想象出来的市场不需要，市场需要的想象不到”。我现在还能记得在上海的一家客户现场，客户管理层需要的是不同的视角维度，比如团队视角、项目视角自如切换，这种情况下数据的归属、组织复杂性的处理就成为了产品需要解决的刚需。

总之就是，很多功能被砍掉了，很多空白在不断与市场的碰撞中生产出来、满足了客户的需求，而这个过程毫无疑问是相当痛苦的（笑）。

《科创人》：从公开披露的信息来看，思码逸得到了 GGV、经纬中国等知名投资人的青睐。一般而言，全新的服务能力供应商难以量化市场规模，创业初期的思码逸如何解答投资人对于市场规模的提问？

任晶磊：新市场、新模式确实存在这个问题，思码逸的解决方法是：尽快找到种子用户、完成真金白银的供需定价，基于种子用户的画像、种子项目的定价，判断市场规模区间与市场价格区间，完成初步估算。

战略克制，慎于延伸产业链

《科创人》：在市场侧，哪些客户更倾向使用思码逸？

任晶磊：以研发管理成熟度作为判断标准的话，常见的研发团队大概可以分为这样几类：完全没有采用数字化的，相对规模较小；开始尝试数字化的，但存在问题，比如指标设计不合理、数据质量不佳；已经建立相对完备指标体系的，需要个别指标或数据的增强。

相对而言，大型企业、研发组织复杂的团队，更需要思码逸，需要精细的研发效能度量服务。对于规模较小的企业，人治还是更常见的管理手段；对于第二类企业，他们在尝试数字化管理效能时，倾向于自研，因此面临的障碍是对成本和复杂度的低估，当然也有对于新方法的不信任和对已知方法的依赖心理。这类客户往往会在推进受挫后再回来找到我们。

另外，随着产品成熟度的提高，我们也越来越具备服务客户细分需求的能力，这相当于扩大了我们的客户群体，比如有的客户希望将我们的研发效能度量指标纳入进现行体系之中，而不是完全替换成思码逸，如今我们已经能够便捷、低成本的满足客户的需求，只部署一个分析引擎就 OK 了。

疫情这些年我们一直在保持较高的增长率，虽然没有头些年那种 2 倍、3 倍的神话速度，至少在稳定前进着。

《科创人》：我注意到思码逸创建 6 年以来，并没有特别明显的战略方向迁移，这对创新型企业来说是一种比较罕见的稳定性，在您的第一视角看来，思码逸是否面临过战略方向根本性调整的挑战？

任晶磊：战略方向的根本调整没有，既是我们对于核心业务的坚持、笃定，也得益于对市场的深入了解以及以实用性为导向的产品研发策略。

但错误的战术调整肯定发生过，创业的必修课。比如我们曾经开发过 DevOps 工具，试图扩大我们的产品线，那是 2021 年前后，融资也很充分，团队上下都有些飘（笑），一年后我们忍痛砍掉了这个项目。就战略价值来说，这一步其实是有其道理的，但是在具体执行层，克制、谨慎是必要的。

对于这次误判我的反思是：SaaS 领域要在细分价值中深耕，而不要盲目延伸服务能力至产业链的上下游，跨环节的吃来吃去不仅不健康，对客户也是损害。

《科创人》：这是一个有趣的话题，SaaS 领域确实常见此类争论：当你的服务重度依赖于某个其他品类的产品时，要不要尝试自研、内部化？

任晶磊：我始终认为这样做是错的，重要原因在于：这类想法会推着你将单一、细分的产品服务，逐渐导向平台一体化，但一个领域这么多门类、这么多细分服务，不可能由一家企业全都做好，真的不能，做过就知道了。

那次尝试消耗了我们大量资金和资源，在外面看的时候感觉简单，真杀进去才知道，别人深耕多年甚至几十年的产品，积累非常厚，壁垒绝对存在。想象中的单一平台全服务、数据内部化随意玩儿，只是想着很美好，无法真正实现。

不仅是我们自己，To B 市场上常见投资人或甲方的资金浪费在这类低效、低价值的互卷上，正确的做法还是各自深耕细分，友好、开放合作，达到整体效益最佳。

研发管理服务，做出看得见的业务贡献

《科创人》：我们与其他研发管理赛道的企业创始人交流时，大家普遍提到研发管理服务的一大挑战，就是如何体现对于业务能力的直接影响，思码逸在这方面是否有比较成功的案例？

任晶磊：在我们服务的企业中，研发对业务通常有着比较直接的影响，需求能否及时交付、软件上线后是否出现事故，对业务发展至关重要。以某头部券商为例，我们帮助客户精准定位了效能盲点，实现了客观合理的度量管理和资源分配，使其大几百人的研发团队能够真正做到好钢用在刀刃上，从容应对每一次市场的“黑天鹅”事件。

接触客户的调研过程中，我们发现客户最头疼的问题在于“如何在资源有限的前提下保障研发工作高效、高水平地推进”，这在“软件定义一切”的时代至关重要。为此，我们通过思码逸的研发效能度量平台帮助券商构建了一套度量指标体系，这套体系不仅是为了跟踪和提升研发效率和代码质量，还包括对组织资源使用效率的衡量，通过定义和监测这些关键指标，能够及时发现系统潜在的瓶颈和风险点，进行预防和优化。

另一个重大挑战是数据的碎片化问题。券商内部的数据量庞大且分散，传统模式下数据被储存在不同的团队和个人手中，导致数据洞察力不足，这阻碍了决策的有效性。在合作中，我们帮助券商整合并筛选出最能反映其研发团队效能的关键指标，比如交付速度和代码质量等，通过直观的可视化看板，管理者可以在不同的管理场景下多维度地便捷使用这些指标。

此外，由于券商的研发团队庞大且涉及多个外包环节，如何合理分配资源、提高团队整体效能也是一大考验。我们通过贡献均衡度和活动热力图等工具，帮助管理层更好地了解团队资源利用情况，以及个体的工作负荷。这些工具能够识别出团队中资源分布不均的情况，并指导项目经理适时调整资源配置。

最终，通过合理的效能度量和资源管理，我们不仅帮助券商提高了研发团队的交付水平，还在不裁员的情况下实现了提质增效。这样的合作模式不仅提高了研发团队的工作效率，还增强了团队成员的工作积极性，因为他们知道自己的努力和成就是会被看见的。

有些企业使用思码逸之初，担心数据透明会不会起到反作用，但一年之后反馈都不错，因为好好工作的员工会欢迎引入客观的数据，而不是受各种主观、利益因素和各层级领导的影响——当然了，我们也反对唯数据论，避免走向另一个极端。

AI，相比挑战更是机遇

《科创人》：技术型创业有时候会被突如其来的技术变革撞到腰，甚至稀里糊涂的被高维替代掉，您创业 6 年以来是否感受到这一类苗头？

任晶磊：答案比较明显，肯定是 AIGC，特别是大语言模型可以直接进行代码编写，这对 IT 研发领域的冲击一定是巨大的，但我认为这种冲击是好事，对我们的工作也有很积极的影响。比如之前我们在数据分析上可能是基于规则进行有限分析，智能技术进步后，分析的宽度与深度都有机会产生“涌现”。

除了分析能力，我们也在探索与大模型结合的应用场景，比如帮助产品经理撰写需求和进行自动化测试。这些在某些客户侧已经开始落地实践。

以前我们是通过数据分析提供支持、辅助，现在有了 AI 能力，我们可以更直接地帮助程序员完成任务。

首先，我认为短期内 AI 不会颠覆或大面积替代专业、复杂的多人协作软件开发。即便 AI 在代码编写方面表现出色，它也只是开发过程中一个环节，最终需求和质量把控仍需由人来完成。在没有大模型之前，大家也会在 Stack Overflow 上查找解决方案、复制粘贴。这种方式和现在使用 AI 是一样的，只要人站在主驾驶位上，度量标准就没有实质变化，团队协作和需求交付仍然是管理的关键。度量的诉求是永恒的，包括看 AI 引入或者不同 AI 工具带来的影响，即便代替了人也要看 AI 的效能，这些在短期内都不会发生根本变化。

未来专注深耕研发数智化

《科创人》：经过多年的探索和沉淀，以及当下AI大环境的加持，您理想中的产品形态和研发生产关系是怎样的？

任晶磊：在大模型到来之前，我们一直专注于研发管理的数字化；有了大模型之后，我们在此基础上加入了智能化的元素。我们的目标依然是服务于企业研发管理的数字化和智能化。

未来的产品形态可能会是程序员担任指挥官角色，更多的开发任务由 AI 完成。AI 需要优质的数据基础和治理来高效、优质地工作，这就要求我们做好数字化基础建设，包括知识管理。

我们对未来的想象是有了 AI 能力后，可以把更多的基础工作交给 AI，人则成为监督者和控制者。在专业化、多团队协作的软件工程中，AI 会成为开发者的强力工具。在一些较简单的软件开发场景下，AI 可能会直接完成一些需求，但对于复杂的软件工程，AI 的作用更多是辅助而非取代。

总的来说，人类的工作会从具体的编码转向更高层次的监督和管理，而 AI 将成为我们强大的助手。这是我们对未来的想象，当然这个过程需要优质的数据和知识基础，以及在具体场景中的不断试验和优化。

回到我们创业初衷，未来软件研发中会成长起很多“超级个体”。听过不少对未来的想象，描绘人与拟人agent之间的协作。这种协作方式当然很可能出现，但我认为背后的生产关系，本质上依然是人与人之间的，而非人与agent之间的，因为每个agent都是人的知识和经验的外化。基于这样的生产关系，agent之间、人与agent之间的协作都可能产生经济联系，换言之，你可以创造很多agent帮你去赚钱（笑）。

《科创人》：综合考虑 AI 带来的变化，以及我们可能触达的天花板，您认为思码逸未来发展的第二曲线有可能长在哪些方向？这六年中积累的哪些能力可能会成为未来的种子能力？

任晶磊：我们目前还没有明确的第二曲线目标，尽管六年时间不短，但对于 To B 企业来说需要更长时间的积累，疫情和资本市场的变化也影响了很多公司的发展速度。

当前重点仍然是提升主营业务的表现，吸引更多客户。尽管市场在不断成熟，我们仍需在现有市场中深耕细作。

智能化是我们拓展的方向之一，我们希望在数据分析中应用 AI，替代一些繁琐的工作、提高效率。与此同时，我们也在探索基于数据和 AI 能力的产品和功能，尤其是在需求工程和自动化测试方面。我们努力优化研发链条中的各个环节，利用我们在数据基础和 AI 结合方面的优势，发展新的产品和功能。

未来，我们将继续积累知识工程的基础，把人的 know-how 转化为 AI 可利用的知识。如何让专家将这些知识显性化，并让 AI 利用和执行是个挑战。眼下我们尚未完全解决如何将复杂知识传授给 AI 的问题，今天很多系统的文档都不完善，经验和知识都在人的头脑中，我们甚至很难将这些知识传授给实习生，何况是大模型？即便我们将这些基础建立起来，也不能简单假设 AI 可以立即接管更高端的任务，中间还有很多抽象且难以表达的经验。

👀 关于我们 

思码逸（北京思码逸科技有限公司）成立于 2018 年，旗下产品 DevInsight 为企业研发团队提供专业的研发效能度量分析平台及配套解决方案。

DevInsight 基于深度代码分析技术，从代码和 DevOps 工具链中提取数据，帮助软件研发团队快速、低成本构建或完善研发效能度量分析平台；帮助研发管理者获取研发效率、软件工程质量、组织与人才发展等可靠的数据洞察，驱动团队提效，更高效地交付业务价值。