理解CTS-SW指标
我们开发了“软件服务成本”（CTS-SW）指标，用于量化提升软件构建和支持效率的投资如何帮助团队轻松、安全、持续地向客户部署软件。该指标填补了现有框架（类似DORA和SPACE等多指标追踪体系）与可量化的业务底线影响之间的空白，使开发者体验团队能够以有效容量（节省的工程年数）或节省的货币价值来表达其业务收益。
在高层次上，CTS-SW追踪每单位软件抵达客户（即发布供客户使用）所花费的美元成本。最佳软件单位因软件架构而异：微服务适合使用部署次数；基于单体架构的团队或按预定计划发布的软件适合使用代码审查或拉取请求；向中央代码“主干”贡献更新的团队适合使用提交次数。目前我们采用部署次数作为度量单位，这符合我们广泛使用的面向服务架构模式和本地团队所有权模式。
CTS-SW基于与某中心履约网络中“服务成本”指标相同的理论：即向客户交付产品是一个极其复杂且高度多变的过程的结果，任何改动都会影响整体流程。由于软件工程中新兴AI工具正在改变工程师的工作方式，传统的基于活动的成本核算方法难以适用。服务成本通过仅建模输入成本和输出单位来简化这一复杂过程，从而逆向分析改进动因和机会。
数据建模与方法
某中心的“双披萨团队”文化（即团队规模小到两个披萨就能喂饱）为建模提供了独特环境。通过访问数千个团队过去五年的面板数据集，我们使用线性混合模型对CTS-SW进行建模，重点关注每次部署所消耗的开发者时间（CTS-SW的最大组成部分）。模型包含两个组件：一是结果变量与预测因子的基础关系，二是团队间差异。
敏感性分析显示以下指标对CTS-SW影响最大：
- 团队速度：每周每名开发者合并的代码审查数量。代码提交量越大的团队CTS-SW越低。
- 交付健康度：每次部署的干预次数和回滚率。实施CI/CD自动化与变更安全实践的团队CTS-SW更优。
- 值班告警频率：每周团队接收的告警次数。告警增加会导致CTS-SW上升。
因果推断验证
为验证团队速度与CTS-SW的因果关系，我们利用生成式AI工具的自然实验场景进行分析。通过构建具有动态双向固定效应的面板回归模型，评估某智能编程助手对代码审查速度和部署速度的影响。模型公式如下：
|
|
其中y_it为标准化部署次数或团队速度，a_i为团队固定效应，λ_t为时间固定效应，X_it包含工具使用率、回滚率等时变协变量。
早期证据表明，该智能编程助手显著提升了代码审查速度和部署速度，并通过因果推断证实新工具能够降低采用团队的CTS-SW。
未来展望
我们将扩展数据分析范围，评估AI对开发者体验更多方面的影响。通过完善基线模型标准化评估方法，确保AI影响测量的准确性。随着代理型AI的发展，CTS-SW将能全面衡量从设计文档反馈到构建失败修复等全生命周期AI贡献，推动软件工程持续优化。