研究数据显示，在引入 AI 编程智能体（AI coding agents）后，相关指标出现了显著增长：代码总行数平均增加了 30%，提交（commit）总数增加了 20%，而合并请求（pull request）的数量平均增加了 23%。然而，这些量化的“活跃度”提升并未同步带来软件产出的质变。
研究指出，核心症结在于人工审查流程的压力。由于 AI 生成的代码往往需要更高程度的人类校验，引入 AI 工具后，代码审查所需的平均时间显著延长，整体增长幅度达 49%。这意味着，为了确保 AI 生成内容的准确性与安全性，人类开发者不得不投入更多的时间在“审核”环节上。
此外，研究还发现相关岗位的需求并未减少。在引入 AI 智能体后，负责代码审查的员工人数反而增加了 14%。尽管 AI 在提供部分审查建议和生成合并请求方面发挥了作用，但目前绝大部分的关键审查工作仍由人类完成。这表明，目前的技术架构下，AI 更像是“生产力放大器”，但在复杂的工程逻辑验证面前，人类依然是不可或缺的最后一道防线。
【小编观点】
这项研究揭示了一个非常现实的悖论：AI 降低了“写代码”的门槛，却在某种程度上增加了“审代码”的负担。目前企业面临的挑战在于，如何建立更高效的自动化验证机制，或者优化人机协作流程，从而打破人工审查这一瓶颈，让 AI 的生产力真正转化为最终产品的交付速度。
【核心提要】
【正文报道】
一项针对数百家软件开发公司的深度研究揭示了当前 AI 技术在软件工程领域的现状：虽然 AI 工具极大地提高了代码生成的效率，但由于“人工审查”环节的滞后，这种效率提升尚未能转化为最终产品的产出增长。该项研究涵盖了 2021 年至 2026 年 3 月期间，来自 700 多家软件开发公司的 70 多万名员工产生的约 3 亿条工作事件（包括提交量 commit 和合并请求 pull requests），并结合了问题管理软件的详细数据。
研究数据显示，在引入 AI 编程智能体（AI coding agents）后，相关指标出现了显著增长：代码总行数平均增加了 30%，提交（commit）总数增加了 20%，而合并请求（pull request）的数量平均增加了 23%。然而，这些量化的“活跃度”提升并未同步带来软件产出的质变。
研究指出，核心症结在于人工审查流程的压力。由于 AI 生成的代码往往需要更高程度的人类校验，引入 AI 工具后，代码审查所需的平均时间显著延长，整体增长幅度达 49%。这意味着，为了确保 AI 生成内容的准确性与安全性，人类开发者不得不投入更多的时间在“审核”环节上。
此外，研究还发现相关岗位的需求并未减少。在引入 AI 智能体后，负责代码审查的员工人数反而增加了 14%。尽管 AI 在提供部分审查建议和生成合并请求方面发挥了作用，但目前绝大部分的关键审查工作仍由人类完成。这表明，目前的技术架构下，AI 更像是“生产力放大器”，但在复杂的工程逻辑验证面前，人类依然是不可或缺的最后一道防线。
【小编观点】
这项研究揭示了一个非常现实的悖论：AI 降低了“写代码”的门槛，却在某种程度上增加了“审代码”的负担。目前企业面临的挑战在于，如何建立更高效的自动化验证机制，或者优化人机协作流程，从而打破人工审查这一瓶颈，让 AI 的生产力真正转化为最终产品的交付速度。
背景链接：
https://arstechnica.com/ai/...