8 倍提交量与“慢了 19%”:AI 代码通胀之后,稀缺工作去了哪里?

过去几年,软件行业最不缺的或许就是代码了。

在 GitHub 发布的 Octoverse 2026 报告中,截至 2026 年 9 月 30 日的 12 个月里,全球开发者在公开与私有仓库中完成了 179 亿次推送(pushes)、343 亿次提交(commits)以及 13 亿次合并拉取请求(merged pull requests) [S4]。在这股创纪录的活动洪流里,一类新兴项目的活跃度尤为刺眼:当年新建且带有 agent 配置文件的仓库,其平均提交数大约是不带该文件新仓库的 8 倍 [S4]。

如果只看托管平台上的心跳频率,软件工程似乎已经跨过生产力拐点。AI 编程助手与代理工具把“写下代码”的边际成本压缩到了接近于零。但在商业与工程管理的账本上,代码产量从来不等于商业价值。提交数、推送量与合并请求本就是完全不同的统计口径,带有 agent 文件的仓库出现 8 倍提交量,更多反映的是自动化工具高频试错与切分动作的行为特征,并不能直接等同于人均研发效率、代码质量或 AI 的因果贡献 [S4]。

一个更棘手的问题随之浮现:当代码供给以前所未有的速度膨胀,为什么许多工程组织并没有感受到等比例的交付提速?把 2022 年以来的受控实验、一线态度调查和产品侧披露拼合在同一张图景里,答案正变得越来越清晰——AI 并没有均匀地加速整条软件生产线,它只是制造了一场剧烈的“代码通胀”,并顺手把软件团队真正稀缺、昂贵且耗时的工作,从生成端推向了更下游的验证、调试与决策环节。


从“快了 55%”到“慢了 19%”:时间线上丢失的确定性

判断 AI 编程工具到底带来了多大增益,行业经历过一次明显的认知折返。

最早确立乐观基调的标志性数据,来自 GitHub 在 2022 年 9 月发布的一项受控实验 [S1]。在这场测试中,95 名专业开发者被随机分组,任务是使用 JavaScript 编写一个 HTTP 服务器;结果显示,使用 GitHub Copilot 的组别完成任务的速度快了约 55% [S1]。这组数字迅速成为此后几年 AI 编程叙事的锚点。但研究本身设置了明确的前提:这是一项限定在特定语言与标准化独立任务上的实验,无法直接换算为真实软件团队的端到端研发效率 [S1]。

当测试场景从“写一个全新的 HTTP 服务器”切换为“维护真实的复杂存量系统”时,结果出现了剧烈反转。

2025 年 7 月,研究机构 METR 披露了一项针对 2025 年初工作流进行的随机对照试验 [S2]。研究团队邀请了 16 名长期活跃于各自大型开源仓库的熟练开发者,处理了 246 项真实任务,并随机决定每项任务是否允许使用 AI 工具 [S2]。按照行业直觉与开发者自身的判断,AI 应当显著加快进度——参与者在实验开始前预计 AI 能帮他们提速 24%,甚至在实验结束、已经完整走完流程之后,他们依然主观认为自己快了 20% [S2]。

然而,客观计时给出了完全相反的结论:在允许使用 AI 的任务中,开发者的实际完成时间反而增加了 19% [S2]。

当然,这项 2025 年初的实验也有其边界:它测量的只是特定时间节点的工具水平、高度熟悉自身代码库的资深开发者以及特定的开源仓库环境,不能直接外推给所有水平的工程师或后续迭代的新模型 [S2]。到了 2026 年 2 月,随着新一代模型与工具的普及,METR 更新了实验设计与后续追踪,样本扩大到 10 名原参与者和 47 名新开发者 [S3]。

从表面数字看,2026 年的初步估计似乎回到了“正向加速”的轨道:原参与者子组的任务耗时估计变化为 -18%,新参与者子组为 -4% [S3]。但 METR 罕见地主动削弱了这组数字的确定性。仔细看其统计区间,原参与者组的置信区间在 -38% 至 +9% 之间,新参与者组则在 -15% 至 +9% 之间——两个区间均跨过了零点 [S3]。这意味着,在统计学上,结果依然包含“毫无加速甚至拖慢进度”的可能。

更具商业观察价值的是 METR 在实验推进中遭遇的“样本失真”。到了 2026 年初,越来越多的开发者已经不愿放弃使用 AI,甚至有一部分参与者会刻意扣留那些自己最想借助 AI 完成的任务,不愿将其交由对照组随机剥夺工具权限 [S3]。这种选样与计时上的偏差,虽然很可能在客观上低估了 AI 的真实加速作用,也使得研究方认为 2026 年初的工具很可能比 2025 年初提供更大帮助,但现有数据能证明加速幅度的证据依然非常薄弱 [S3]。

把 2022 年、2025 年与 2026 年的三组数据串联在同一条时间线上,一条清晰的工程规律浮出水面:在边界清晰、从零开始、几乎不涉及历史包袱的孤立任务里,AI 的生成能力可以兑现极高的时间红利;但只要任务被放进一个高度耦合、上下文庞杂且工程师本身已经十分熟悉的存量系统中,AI 到底能省下多少端到端时间,远不像产品宣传里那样确定无疑。


“差一点就正确”的隐性账单

为什么在 METR 的 2025 年实验中,开发者明明在客观上多花了 19% 的时间,事后却依然笃信自己快了 20% [S2]?

这种体感与现实之间的错位,在 Stack Overflow 的 2025 年开发者调查中找到了极具说服力的注脚 [S5]。尽管调查反映的是受访者的主观态度与自报体验,而非受控实验测得的缺陷率或耗时,但数字指向的痛点高度集中:在回答相关问题的开发者中,高达 46% 明确表示不信任 AI 工具输出的准确性,表示信任的占 33%,而高度信任的比例仅剩 3% [S5]。

更关键的损耗藏在日常工作流的细节里。有 66% 的受访者表示,他们对 AI 给出“差一点就正确(almost right)”的结果感到困扰;另有 45% 的受访者直言,调试 AI 生成的代码反而比自己写更耗费时间 [S5]。

从工程心理学和研发流程的机制来推演,这种“感觉变快、实际变慢”的悖论并不难理解。传统的编程工作像是一场持续的体力与脑力爬坡,开发者需要在空白屏幕前调动记忆、查文档、搭建逻辑骨架并敲下每一行语法。AI 接管生成环节后,抹平了起步阶段的阻力,代码在几秒钟内铺满屏幕,这给人带来了极强的“推进感”和即时反馈快感。

但“差一点就正确”恰好是软件工程里成本最高的一种中间态。如果一段代码完全报错、无法编译,开发者能立刻发现并推翻重来;然而当 AI 产出一份语法工整、表面逻辑通顺、甚至能跑通基础用例,却在边界条件、并发处理或隐藏依赖上埋下微瑕的代码时,审查者必须付出远超平常的注意力去阅读他人(而非自己大脑推导)的逻辑路径,去猜测它为什么这样写,并在排错时逐行排查非直观的陷阱。

在这个过程中,省下来的“打字时间”被显性感知到了,而随后被迫增加的阅读理解、心理上下文切换以及反复调试的时间,却被当作正常的研发摩擦隐形消化掉了。对于原本就高度熟悉仓库架构的资深开发者而言(如 METR 2025 年实验中的参与者 [S2]),他们自己动手写往往只需一次精确到位;让 AI 代劳,反而相当于先引入一个不完全可靠的初级协作者,再由自己耗费精力去给它兜底和改错。


当 AI 开始审查 AI:算力与延迟的新边界

如果单个开发者在“生成—调试”的小闭环里就已经遭遇了“差一点就正确”的摩擦,那么当这种行为被放大到整个团队和托管平台时,压力就会迅速传导至下游的协作关口——代码审查(Code Review)。

在软件团队的分工里,拉取请求(PR)的审查一直是控制质量、防止系统腐化的核心闸门。当 agent 工具和编码助手让仓库的提交量成倍膨胀,人类维护者的注意力最先触及天花板。于是,用 AI 去审查 AI 写出的代码,成了平台与工程团队最自然的自救选择。

GitHub 在 2026 年 3 月披露的产品数据,直观反映了这种需求的爆发式增长 [S6]。GitHub 称,自前一年 4 月正式上线以来,Copilot code review 的用量在不到一年时间内增长至 10 倍,累计完成了 6000 万次代码审查,在 GitHub 全平台的审查总量中已经占到五分之一以上 [S6]。

但规模的狂飙并没有免费解决信任问题,反而暴露出另一重物理与经济制约。GitHub 团队在同一份披露中提到,为了提升审查质量,他们尝试换用了推理能力更强的模型;结果是,用户的正面反馈率提高了 6%,但伴随而来的审查延迟(latency)却增加了 16% [S6]。

这组来自产品内部的数据揭示了一个正在成型的行业权衡。首先,“审查了 6000 万次”与“究竟拦截了多少致命漏洞”并不是同一个概念,正如产品自身披露时所承认的,审查次数不等于找出问题的数量 [S6]。其次,当审查端开始引入重型推理模型,工程流水线就不再只是“算力换人力”的单向替代,而是开始面临质量提升与反馈延迟之间的边际收益递减——多消耗的算力与等待时间增长了 16%,换来的正面反馈提升是 6% [S6]。

在生成端,开发者可以毫无心理负担地按下回车,让代理跑出数十次提交;但在验证与审查端,无论由人类高级工程师把关,还是由高推理成本的模型逐行推演,每增加一分确定性,都需要付出不成比例的时间与算力代价。


代码大通胀下的商业重估:稀缺工作正在向哪里转移?

将这几组跨度四年的事实拼在一起——从 343 亿次提交与 8 倍提交量的 agent 仓库 [S4],到真实复杂仓库里充满波动的效率测量 [S2][S3],再到 46% 的不信任率、45% 的调试困扰 [S5] 以及审查延迟的攀升 [S6]——我们可以对软件团队正在发生的结构性变化做出几项清晰的商业推演。

首先,软件团队的生产函数正在发生翻转。在 AI 普及之前的数十年里,软件研发遵循的是“产能受限”逻辑:熟练的编码劳力是瓶颈,能把业务逻辑稳定翻译成机器指令的人手越多,产出通常越高。而今,生成代码变成了一种近乎无限供给的“通货”,甚至产生了明显的“代码通胀”。在这种环境下,每一行被提交进仓库、却没有被人类完全理解的代码,本质上都不是组织的资产,而是需要未来支付维护利息的技术负债。那些依然把提交次数、代码行数或 PR 数量当成工程师绩效标尺的团队,在 agent 时代只会用考核机制激励出更多无效的代码噪音。

其次,真正稀缺且无法被轻易廉价化的工作,正在向软件生命周期的两端及架构中枢加速集中。

第一重稀缺,是上游的“意图界定与上下文约束”。 当 agent 具备了高频自主试错和大量提交的能力,决定最终交付成败的,不再是敲代码的手速,而是如何把模糊、多变的商业需求,精准翻译成没有歧义的规范、边界条件与自动化验收标准。输入模糊,工具只会以 8 倍的速度在错误方向上狂奔。能够拆解复杂业务、编写高质量测试约束与明确架构规则的工程师,其杠杆率会被急剧放大。

第二重稀缺,是中枢的“系统边界设计与复杂度隔离”。 回溯 METR 实验中熟悉开源仓库的开发者为何受阻,核心原因往往在于存量系统内部盘根错节的隐性耦合 [S2]。未来优秀的软件架构师,其核心价值或许不仅在于追求技术上的精巧,更在于设计出足够清晰、松耦合、低认知负荷的模块边界与接口契约。只有把系统拆解成一个个独立可控的沙盒,才能把 AI“差一点就正确”的局部试错风险锁死在单个模块内,避免演化成波及全库的灾难性调试 [S5]。

第三重稀缺,是下游的“高信任度验证与最终拍板”。 在 46% 开发者不信任 AI 输出的现状下 [S5],代码可以由模型起草,初审也可以交由 Copilot 跑过一轮 [S6],但在关键业务上线前,依然必须由人来穿透“表面正确”的迷雾,识别隐蔽的逻辑漏洞、评估安全与性能代价,并承担最终的商业与线上事故责任。这种在高度不确定性中做出可靠技术判断并签字放行的能力,正在成为研发组织里最难替代的成本中心。

这也给所有技术团队的组织分工与人才梯队提出了一个颇为严峻的商业难题。在传统的研发团队中,初级与中级工程师通过亲自编写大量功能代码、在一次次报错与重构中建立起对系统的肌肉记忆和直觉,进而成长为能够做架构决策与严格代码审查的资深者。而当编写基础代码的工作大量外包给 AI,资浅工程师很容易滑向“生成—复制—提交”的浅层操作,既没有真正理解底层原理,又源源不断地向上游资深维护者输送着带有隐蔽缺陷的代码队列;与此同时,真正懂系统、能排雷的核心骨干,却可能被淹没在无穷无尽的审查与调试泥潭中。

AI 并没有让软件开发变成一件只需轻点按钮的轻松生意。它只是冷酷地剥离了“敲打代码”这层原本显眼、却已不再值钱的体力外壳,把软件工程最硬核的难点——定义正确的问题、控制系统的复杂性、以及在混乱中建立可信的秩序——更赤裸地摆在了每一家软件公司的账面之上。


参考资料来源


Markdown 原文 · 题目与资料