你是否也曾聽過，AI 將全面取代人類工程師，或是讓開發者生產力瞬間暴增數倍的說法？
去年初，Meta 執行長馬克·祖克柏甚至大膽預言，將在年底前用
AI 取代所有中階工程師 [。這樣的豪言壯語，無疑在全球 CTO 心中投下了震撼彈：「我們在這條路上走多遠了？」
此篇來源: https://youtu.be/tbDDYKRFjhk?si=Z_jRhVcl9t6YzytA
Does AI Actually Boost Developer Productivity? (100k Devs Study) - Yegor Denisov-Blanch, Stanford
這項由史丹佛大學研究員 Yegor Denisov-Blanch 領導的三年期研究，旨在透過客觀、數據驅動的證據，協助公司制定量身定制的 AI 戰略，而非盲目追隨供應商的炒作 。
揭露真相：史丹佛研究為何與眾不同？
許多關於 AI 對開發者生產力影響的研究，往往由 AI 工具供應商主導，存在潛在的利益衝突 。它們還存在幾個重大局限：
過度依賴提交次數 (Commits) 和拉取請求 (PRs) ： 這些指標無法準確反映實際生產力。研究發現，AI 有時會導致引入更多錯誤修復任務，也就是所謂的「返工 (Rework)」，讓你感覺交付了更多程式碼，但其中很多是無用功 。
- 局限於全新專案 (Greenfield tasks) ：大多數研究讓開發者從零開始建構專案，而 AI 在生成這類「樣板程式碼」方面確實表現出色。然而，**現實中的軟體工程工作，絕大多數都不是從零開始的全新專案，而是涉及現有程式碼庫和複雜依賴項 。
- 透過問卷調查衡量生產力 ： 史丹佛的研究發現，開發者對自身生產力的評估往往不準確，甚至與實際測量結果的相關性極低，準確度堪比擲硬幣 。
史丹佛的研究則採取了截然不同的方法：
- 前所未有的規模 ： 這項歷時三年的研究是軟體工程生產力領域規模最大的研究之一，涵蓋了來自 600 多家公司（包括大型企業、中型公司和新創公司）的近 10 萬名開發者。
- 海量真實數據 ：研究數據集包含數千萬次程式碼提交和數十億行程式碼，其中大部分來自私有程式碼庫。這點至關重要，因為私有程式碼庫更能準確反映團隊的生產力，不像公共程式碼庫可能存在「幽靈工程師」（領薪水卻不工作的人）問題。
- 創新的生產力衡量方法： 研究團隊開發了一個模型，能夠自動評估程式碼。它接入 Git，分析每次提交的原始碼變更，並根據品質、可維護性、產出和實際功能等維度進行量化，而非簡單地統計程式碼行數或提交次數 。這確保了對實際產出的精準衡量。
AI 對開發者生產力的真實影響：複雜而多變
研究結果顯示，AI 帶來的平均生產力提升約為 15% 至 20%。然而，這只是個平均數，實際情況非常複雜，有些團隊在使用 AI 後，生產力甚至出現了下降。
值得注意的是，雖然 AI 輔助編碼能讓交付的程式碼量增加 30% 到 40%，但其中很大一部分是「返工」(rework)，即修復 AI 生成程式碼引入的錯誤。這可能會導致人們對實際產出產生誤解。
決定 AI 效率的關鍵因素：這些情況下 AI 才能發揮最大作用.
研究深入剖析了影響 AI 對生產力提升效果的諸多因素：
任務複雜性
低複雜度任務：AI 在這類任務上表現最佳，尤其是在全新的（Greenfield）專案中，能帶來30% 至 40% 的顯著提升** [9, 10]。
高複雜度任務：提升幅度較為溫和（Greenfield 專案為 10-15%），甚至在某些情況下可能導致開發者生產力下降。
專案成熟度（Greenfield vs. Brownfield）
全新（Greenfield）專案：AI 在這類專案中效果更優，因為其擅長處理從零開始的樣板程式碼。
已有（Brownfield）專案：在涉及現有程式碼庫和依賴項的專案中，利用 AI 提高生產力則更為困難，提升幅度介於 0% 到 20% 之間 。
程式語言流行度
高流行度語言：對於 Python、Java、JavaScript、TypeScript 等高流行度語言，AI 的幫助非常明顯，能帶來 10% 至 20% 的生產力提升。
低流行度或不常用語言：對於 Cobol、Haskell、Elixir 等語言，AI 的幫助非常有限，甚至可能導致生產力下降，因為其編碼品質不佳 。
程式碼庫規模
隨著程式碼庫規模的增大，AI 帶來的生產力提升會急劇下降。
* 這主要是因為上下文窗口限制、訊號雜訊比問題，以及大型程式碼庫中更多的依賴項和領域特定邏輯。即使上下文窗口增大，大語言模型（LLM）的性能也會隨之下降 。
最終結論：告別盲從，打造你的專屬 AI 戰略
史丹佛大學的這項研究清晰地表明：AI 確實能提升開發者生產力，但它並非在所有情況下都能帶來等量的提升。 其有效性高度依賴於任務複雜性、程式碼庫成熟度、語言流行度、程式碼庫大小以及上下文長度等因素。
因此，對於企業而言，盲目跟風並不可取 。你需要根據自身的具體情況，制定量身定制的 AI 策略，才能真正從這股技術浪潮中獲益，而非陷入生產力下降的困境 。
