有趣的事

AI 写了 60% 的代码,为什么企业研发效率还是没飞起来?

AI 能更快地产生代码,但企业研发效率不是“写代码速度”的同义词。交付一项可用变更,通常还要经过需求澄清、方案设计、代码评审、测试、安全与合规检查、集成发布以及线上维护。生成式 AI 主要压缩其中一部分;如果其余环节没有同步改善,局部提速很容易被新的等待和返工抵消。

常见的落差有几类:

  • 瓶颈转移。 代码产出变快后,评审、测试环境、发布审批或跨团队依赖可能排队更久。团队吞吐量由最慢的关键环节限制,单纯增加代码供给不会自动提高端到端交付能力。
  • 需求和上下文不足。 模糊需求、陈旧文档、复杂内部框架或隐含业务规则,会让模型给出看似完整、实际不符合系统约束的实现。开发者仍需补上下文、核验并改写;错误越晚发现,返工成本越高。
  • 生成成本没有消失。 输出代码需要人审查、测试和维护。若缺少足够的自动化测试、静态检查和清晰的模块边界,AI 可能增加代码量,却同时增加缺陷风险、审查负担和长期维护面。
  • 协作与治理仍是系统问题。 多团队接口、权限、安全、数据合规和变更管理不会因为代码由模型生成而消失。企业采用还需要工具接入、权限控制、培训、流程调整和责任界定,这些投入可能先于收益发生。
  • 衡量方式失真。 行数、提交数、补全接受率只能说明局部活动,不等同于更快、更可靠地交付用户价值。还应观察从需求到上线的周期、等待时间、返工率、变更失败或回滚情况,以及维护负担,并按任务类型比较。

因此,AI 编码更适合先用于边界清晰、验证成本低的任务,例如样板代码、测试补全、文档整理或熟悉模块中的小改动;涉及核心架构、复杂业务规则或高风险数据时,应提高人工审查和验证要求。真正的提升通常来自“模型能力 + 高质量上下文 + 自动化验证 + 流程改造”的组合。企业可以选一类可比任务做试点,记录采用前后的端到端指标和质量指标,再判断收益是否覆盖审核、集成与维护成本,而不是只看开发者是否写得更快。

相关阅读