Revolut用AI提效:编码时间降30%-60%

Revolut用AI应对每17天百万用户的增长,编码时间减少30%到60%。
Revolut的AI负责人David Abitbol分享了公司在高速增长下引入AI编程工具的实践。面对每17天新增一百万用户的压力,Revolut保持基础团队规模不变,用AI处理海量工单和运营需求。Codex被视为降低构建门槛的关键工具,让非技术背景的员工也能将想法推向生产环境。为守住质量底线,公司建立了统一的开发、业务指标和A/B测试标准。效果上,从任务开始到功能合并的编码时间减少30%到60%,信息查找时间也大幅下降,省下的时间被重新分配到设计讨论中,团队从重实现转向重设计。
Revolut的AI负责人David Abitbol在访谈中分享了一个引人注目的数据:在引入AI编程工具后,团队从任务开始到功能合并的编码时间减少了30%到60%。这个数字背后,是一家高速增长的金融科技公司如何用AI解决"人力跟不上需求"这一根本矛盾的实践。

增长压力下的AI解法
Revolut在过去一年里每17天新增一百万用户。面对这样的增速,传统的一对一扩充客服和支持团队显然不可持续。Abitbol直言,AI今天能解决的最大问题就是"人的规模化与需求之间的落差"。
他们的做法是保持基础团队规模不变,用AI来应答海量的工单和问题。这不是简单的聊天机器人替代,而是将AI嵌入到运营流程中,让增长不再线性地转化为人力成本。

Codex降低了构建门槛
Abitbol认为Codex是第一个让"构建"变得对所有人都可及的app harness。它的价值在于:有好想法但缺乏技术能力的人,也能把想法推到生产环境。
这一点对Revolut意义重大。当业务人员、分析师都能用自然语言驱动开发,创新的来源就不再局限于工程团队。但随之而来的问题是:如何保证这些由非工程师产出的东西,质量仍然可控?
Codex 是 OpenAI 推出的基于大语言模型的代码生成工具,属于“AI 编程助手”这一类产品。它能够根据自然语言描述生成代码、补全函数、解释已有代码,甚至完成跨文件的修改。Abitbol 将其称为“app harness”,是因为 Codex 不只是代码补全插件,而是把模型能力、开发环境和执行流程封装在一起的完整工作框架,让用户可以在较少人工干预下把想法转化为可运行的软件。这类工具的核心价值在于降低编程的认知门槛和操作成本,使非专业开发者也能参与构建,但同时也带来了代码质量、安全审查和可维护性方面的新挑战。
用统一框架守住质量底线
Revolut的答案是建立一套系统化的操作框架。据Abitbol介绍,公司内任何用AI构建东西的人,都遵循同一套关于开发、业务指标、A/B测试和业务指标应用的标准。
这意味着,无论是初级员工还是资深工程师,都被置于相同的质量标尺之下。这种"标准先行"的思路,让AI民主化构建能力的同时,避免了质量失控。

A/B 测试是一种将用户随机分为对照组和实验组、分别体验不同版本产品功能或策略,并通过统计指标比较两组表现以判断哪种方案更有效的实验方法。在 AI 辅助构建的场景下,A/B 测试标准化的意义在于:无论功能由谁构建,都必须先定义可量化的成功指标,再通过受控实验验证效果,而不是凭直觉上线。统一业务指标则确保不同团队用同一套口径衡量增长、留存或转化,避免因指标定义不一致导致决策偏差。二者结合,构成对 AI 产出质量的客观检验机制。
省下的时间去了哪里
编码时间减少30%到60%,只是效率提升的一面。Abitbol还提到,团队在知识库中查找信息的时间也大幅减少。
更关键的是,这些省下来的时间并没有消失,而是被重新分配到了设计讨论上。团队花更多时间与工程师探讨设计方案和最优解,实现了从"忙着实现"到"想清楚再实现"的转变。

这种转变的深层含义是:AI接管了重复性的实现工作,而人的价值更多体现在判断、设计和协作上。对于任何正在评估AI编程工具ROI的团队来说,Revolut的实践提供了一个可参考的样本——效率数字固然重要,但时间被重新配置到哪里,才是决定长期竞争力的关键。
ROI(投资回报率)在 AI 编程工具的语境中,通常不只看节省了多少编码工时,还要衡量工具授权成本、学习曲线、代码审查负担以及产出质量的变化。Revolut 的案例提示了一种更完整的 ROI 评估视角:编码时间减少 30% 到 60% 是直接收益,而信息查找时间下降、设计讨论时间增加则是间接收益。后者的价值在于把节省的时间投入到更高杠杆的活动中,从而影响长期交付质量和创新速度。评估 AI 工具时,如果只盯着编码速度,可能低估或误判其真实回报。
相关推荐

AI代打电话?Muse让语音助手替你预约
Muse推出AI代打电话功能,仅限美国付费订阅用户。本文分析语音助手切入电话场景的产品逻辑、付费墙策略与语音代理的想象空间及隐私隐忧。

谷歌PaperOrchestra:多智能体框架自动化写AI论文
谷歌研究院开源 PaperOrchestra 多智能体框架,将 AI 研究论文写作拆解为文献、方法、实验等子任务,由不同智能体协作编排完成,GitHub 已获 2093 星,今日新增 313 星。

Marimba:0.6B小模型如何用单一编码器处理语音问答
Marimba 是一个基于 Qwen3-ASR-0.6B 编码器的轻量语音问答模型,支持流式处理、本地运行,可作为轮次检测器接入 Pipecat、LiveKit 和 Vapi,在特定任务上超越大模型。