人工智能虽然可以编写大量代码，但软件的开发速度并没有因此加快。

关于人工智能编码助手的一些有趣数据：更多的代码并不一定意味着更多的软件。

哈佛大学的菲奥娜·陈 (Fiona Chen) 和詹姆斯·斯特拉顿 (James Stratton) 的一项研究，分析了2021年至2026年3月期间，700多家软件公司中超过70万名员工的数据，以及3亿个工作事件。研究发现，在引入编码助手后，总代码行数平均增长了30%，提交次数增长了20%，拉取请求（pull request）数量增长了23%。

但关键问题是：效率是否提高了？在诸如Jira之类的工具中跟踪的错误、任务和功能的完成率，并没有出现统计学上显著的变化。

瓶颈出现在代码审查环节。从提交拉取请求到将其合并到主代码库的时间，增加了49%。需要修改的拉取请求比例几乎翻了一番，每个拉取请求的评论数量增加了35%，参与代码审查的员工比例也增加了14%。这意味着，在编写代码方面获得的效率提升，很大一部分都在代码审查和修复环节被抵消。

公司也在尝试利用人工智能来解决这个问题：截至2026年3月，有80%的被审查公司正在使用某种人工智能代码审查工具。然而，只有23.3%的审查意见来自这些工具，并且这些工具仅对10.8%的拉取请求做出了贡献；大部分工作仍然由人工完成。此外，在被审查的时期内，活跃员工数量也没有出现显著变化。

需要注意的是，这些数据截止到2026年3月，而这些工具在此之后可能已经得到了改进。但我的结论很明确：为了提高效率，不仅要加快代码编写的速度，还要加快代码审查、错误修复和集成等环节的速度。

相关新闻来自Ars Technica：https://arstechnica.com/ai/2026/10/ai-coding-agents-generate-more-cod…
研究的PDF版本：https://fion.ac/jellyfish.pdf

来源：DonanımHaber