研究：AI 编码智能体生成更多代码，但并未带来更多软件产出
Harvard 研究人员 Fiona Chen 与 James Stratton 基于 Jellyfish 汇总的分析数据发现，AI 编码工具提升的编码阶段效率被下游环节吸收，人工代码评审成为整体效率的显著瓶颈。
Ars Technica：AI· Kyle Orland·2026-10-10 03:43· 22 分钟前AI 评分62
AI 编码智能体生成的代码更多，但软件并未增多
AI 导读
Harvard 研究人员 Fiona Chen 与 James Stratton 基于 Jellyfish 汇总的分析数据（覆盖 700 余家软件开发企业、超 70 万名员工、2021 年至 2026 年 3 月的 3 亿个工作事件）发现，人工代码评审成为 AI 编码工具整体效率的显著瓶颈。
正文
任何与计算机编程哪怕只有一点关联的人都知道，现代 AI 编码助手和智能体在生成大量可运行代码方面效率极高。但使用这些工具的编码人员也不会轻信这些代码的准确性，这意味着需要投入大量精力来审查任何 AI 生成的输出。
一项针对数百家公司实际编码实践的研究发现，人工代码评审构成了 AI 编码工具整体效率的显著“瓶颈”，导致“几乎没有证据表明企业通过使用这些工具提高了软件产出或减少了用工”。研究作者发现，实际编码阶段提升的任何效率都“被生产流程中的下游约束所吸收”；因为“代码评审流程的时长显著增加，拉取请求更可能需要修改，评审者留下的评论也更多。”
三思而后行
为得出这些结论，Harvard University 研究人员 Fiona Chen 和 James Stratton 利用了 Jellyfish 的汇总分析数据，该数据可衡量工程团队的细粒度产出。这些数据涵盖 2021 年至 2026 年 3 月期间，700 多家相关软件开发企业、超过 70 万名员工的 3 亿个独立“工作事件”（例如提交和拉取请求）以及问题管理软件数据。
来源：Ars Technica：AI · arstechnica.com
来源：RadarAI · aihot.news