GM 導入 AI Agent 重構工程流程，合併請求數量成長三倍

工程師寫程式時間僅佔 15%，GM 用 AI Agent 補足其餘環節

通用汽車（GM）自動駕駛部門副總裁 Rashed Haq 在 VB Transform 2026 會議上透露，該部門軟體工程師僅有 15% 的時間在寫程式碼。其餘 85% 的時間用於分析車輛數據、問題分類、執行實驗與測試修復等工作。這項數據與 2019 年 Microsoft 研究結果相符——該研究發現開發人員在好日子平均花 96 分鐘寫程式，壞日子則僅 66 分鐘，分別約占八小時工作日的 20% 與 14%。

從流程設計著手，而非單純導入編碼助手

Haq 強調，GM 的作法並非只是提供一個 AI 編碼聊天機器人。「如果你只給工程師一個能寫程式的聊天機器人，流程中仍存在大量效率問題，」他在主舞台座談中表示。GM 將自動駕駛工作劃分為幾個「迴圈」：在模擬環境中開發與測試軟體、在公共道路測試車輛、以及車輛交付後的監控。每個迴圈中，團隊找出最長的瓶頸，將其自動化，然後重複這個過程。

Agent 存取內部工具與 PB 級數據

GM 透過自訂的 Model Context Protocol（MCP）伺服器，讓 Agent 能存取內部工具與 PB 等級的公司數據。同時建立版本控制的「技能」文件，告訴 Agent 如何執行特定任務。一個高價值應用是處理公共道路車輛收集的遙測數據：Agent 可以分析數據、進行初步分類、並建立工程師可調查的議題。透過 MCP 連接，Agent 還能呼叫 GM 用於視覺化車輛遙測的 WebViz 系統底層工具，而非依賴人類使用的圖形介面。

Haq 指出，Agent 的輸出必須是人類可讀的。例如，Agent 可能識別出潛在問題、定位受影響的組件、搜尋歷史數據中類似事件，並提供支持其結論的範例。GM 也根據使用工程師的權限來設定 Agent 的權限。Haq 說：「如果工程師要執行這個任務，需要存取這些東西，那麼他們的 Agent 也需要存取這些東西。工程師仍然要為 Agent 的輸出負責。」

平行執行機器學習實驗，加速開發

GM 也使用背景 Agent 平行執行機器學習實驗。工程師定義實驗與參數後，Agent 自動執行測試並收集結果。這種作法大幅縮短了從問題發現到驗證修復的完整路徑。

合併請求數量三倍成長，缺陷逃逸率降低

GM 將內部 Agent 平台視為產品，並指派四名部署工程師直接與開發團隊合作，協助找出有用的工作流程、推廣成功實務與導入工具。Haq 表示，合併請求數量成長三倍不僅代表程式碼量增加，更代表「新功能發佈速度」提升，且發佈過程中的「測試逃逸、錯誤逃逸」等問題減少。GM 在加速工作流程前，已建立結構化與非結構化測試及效能衡量指標。工程師會審查這些指標，並在進入生產前確認每個測試仍能達到預期目標。

Haq 說，GM 原本預期效率提升幅度較小。「我們唯一的驚訝是我們能做到這麼多，」他表示。

結論：以 Agent 為核心的工程流程設計

GM 的作法並非從提供每個開發者程式碼產生器開始，而是從繪製每個迴圈中從問題發現到驗證修復的完整路徑開始——模擬、道路測試、部署後監控——然後讓 Agent 有控制地存取工具與數據，以縮短每個階段最長的瓶頸。這種以流程設計為核心的策略，可能為其他大型企業的 AI 導入提供參考。

延伸閱讀

• VentureBeat 調查：企業 AI 代理部署領先治理，半數曾遭遇客戶端失敗
• AI 代理編排調查報告：Claude 主導平台、混合控制平面降低供應商鎖定風險
• 企業部署 AI 代理人測試挑戰與 AWS、Couchbase、Microsoft 上下文治理方案

代理人點評

GM 的案例顯示，AI Agent 的真正價值不在於取代工程師寫程式，而在於補足開發流程中那些耗時但非核心的環節。許多企業導入 AI 編碼助手後，發現效率提升有限，正是因為忽略了流程設計。GM 從頭檢視每個工作迴圈的瓶頸，再賦予 Agent 有權限且可追溯的存取能力，這種作法值得借鏡。未來，類似的 Agent 平台可能成為企業軟體開發的標準配備，但如何確保 Agent 的輸出品質與安全性，仍是關鍵挑戰。

原始來源：VentureBeat

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。