开发中的 AI：为什么生产力下降

AI工具在开发中的真实生产力数据

PyPI数据分析显示，自采用AI以来，开发者整体生产力并未提升。尽管预期自动化能简化重复任务，但新包的数量并未增加。频繁更新包的趋势始于2019年，与GitHub Actions等CI/CD工具相关，而非AI。

将包分为AI和非AI类别后，发现关键细节：与AI相关的包更新频率是其他包的两倍，尤其是热门项目。这反映出对AI领域的巨额投入，而非普遍效率提升。由炒作驱动的资源分配掩盖了系统性改进的缺失。

谷歌云报告《生成式AI对软件开发的影响》捕捉到了主观感受：75%的开发者表示GenAI提升了生产力。然而客观指标却呈现不同图景：

• 在GenAI采用率达25%时，交付吞吐量下降1.5%。
• 交付稳定性下降7.2%。

开发者感觉自己的工作价值降低，而例行任务反而增多——这直接违背了自动化的初衷。

GitHub与企业案例研究

GitHub创新图谱数据显示，仓库数量并未上升。人们曾期待革命性工具能激发大量副项目，但这一现象并未出现。在企业环境中，由管理层推动的AI编码器部署反而导致效率下降。

以Notion为例：加入AI功能后，产品利润率从90%降至80%。市场领导者迫于趋势压力跟进，但若用户增长停滞，这种做法将变得不可持续。

AI在原型设计中表现优异，但新鲜感迅速消退。这类似于AI生成图像：初期兴奋已让位于质疑。

METR研究：期望与现实之间的差距

一项权威的METR研究评估了Cursor和Claude等工具。经验丰富的开发者主观上报告效率提升20%；非开发者甚至声称高达40%。但客观数据表明：

• AI使工作速度降低20%。
• 手动编码减少，但审查、调试和等待时间显著增加。
• 主观感知与实际指标在多个维度上严重脱节。

这证实：AI并未加速常规工作，反而增加了验证成本。

什么才是关键

• 客观指标（吞吐量、稳定性）显示，随着GenAI的采用，效率呈下降趋势。
• 主观上的生产力感受与真实成果不一致。
• 仅在被AI炒作带动的领域出现活动激增，其驱动力是资金而非广泛收益。
• 企业级AI应用降低了利润率，却未带来用户增长。
• 对初创公司而言，瓶颈并非代码本身——AI无法解决核心挑战。

对企业和开发者的结论

没有突破性进展，开发领域的深度AI应用并非必然。当前工具虽易用，却损害了交付表现。企业应聚焦投资回报率：衡量吞吐量与稳定性，而非仅凭感受。

开发者在生成代码后花费更多时间进行调试、重构和集成。这正是效率下降的原因。对中高级工程师而言，关键是选择性使用：利用AI处理模板代码，但必须严格验证。

未来需在其他角色中开展进一步研究。目前事实表明：AI让工作更有趣——但并不更高效。衡量过程的“愉悦感”是另一个独立课题。

— Editorial Team