哈佛大學研究人員 Fiona Chen 與 James Stratton 近日發表一項大規模實證研究，利用工程數據分析平台 Jellyfish 所彙整的 逾 3 億筆「工作事件」、橫跨 700 多家軟體開發企業與 70 萬名工程師 的真實開發資料（涵蓋 2021 年至 2026 年 3 月），試圖量化 AI 程式設計助理與代理（Agent）對軟體產業的實質影響。
研究結果顯示，AI 程式代理導入後確實帶來驚人的「程式碼產量」紅利：程式碼總行數暴增 30%、提交次數（Commits）增加 20%、拉取請求（Pull Requests）提升 23%。然而，當研究團隊進一步追蹤 Jira 等專案管理工具中的「議題與史詩級功能（Issues and Epics）」完成率時，卻發現統計上並無顯著差異。
換言之，AI 並未讓企業交付更多「可用的軟體功能」。核心瓶頸在於人工程式碼審查（Code Review）環節：拉取請求的審查時間平均暴漲 49%、要求修改的比例近乎翻倍、每件請求的留言數增加 35%。為消化暴增的審查量，企業不得不將從事審查工作的員工比例提高 14%。研究亦明確指出，無法從數據中歸納出 AI 帶來了顯著的「裁員效應」，這對市場上「AI 將全面取代工程師」的恐慌敘事，無疑是一記當頭棒喝。
這項研究的本質是純粹的生產力經濟學與軟體工程流程剖析，並不涉及美中晶片角力、軍備競賽或地緣政治衝突等傳統「利益博弈」，因此本段落將聚焦於「AI 生產力神話」背後的歷史脈絡、技術演進與深層結構性矛盾。
回顧軟體工程的演進史，自 1940 年代以來，業界始終在追求「抽象層次提升」與「產能躍進」。從組合語言走向高階語言、從瀑布式開發轉向敏捷（Agile）與 DevOps，每一次典範轉移的初期，都伴隨著「產出增加但審查與整合成本同步攀升」的陣痛期。Git 版本控制系統的發明，正是為了解決程式碼整合衝突；CI/CD（持續整合與持續部署）的普及，則是為了解決審查與測試瓶頸。
AI 程式代理的崛起，本質上是「程式碼生成」這個上游環節的工業化變革，但它把瓶頸強行轉移到了「程式碼審查」這個下游環節。 哈佛研究精準捕捉到了這個結構性矛盾：當生成速度暴增 30%，審查時間卻膨脹 49%，且要求修改的頻率翻倍，這意味著 AI 目前還無法勝任「理解複雜系統上下文、判斷商業邏輯正確性」這類高階認知工作。
更值得關注的是，儘管已有 80% 的企業採用 AI 輔助審查，但 AI 僅負責 23.3% 的審查留言與 10.8% 的拉取請求，顯示在「判斷與品質把關」環節，人類仍是絕對主力。這個現象與學術界所稱的「摩拉維克悖論（Moravec's Paradox）」高度吻合——對人類而言最困難的策略思考，對 AI 而言同樣遙不可及。
此外，95% 的企業已導入 AI 代理，但員工總數並未減少，這暗示著企業的應對策略並非「裁員」，而是「將工程師從寫程式者，轉化為 AI 產出的審查者與把關者」。這場變革的真正贏家與輸家，並非企業與企業之間的競爭，而是工程師個人在技能組合上的重新定位。
戰略貿易流向與供應鏈依賴度
HS 8542資料來源：UN Comtrade 聯合國商品貿易統計庫 · 全球市場規模 $5,800 億美元 / 年
這場「AI 生產力悖論」並非無解，但需要時間與流程革新。對標歷史上的工業革命與 ERP 系統導入初期，這類技術衝擊通常需 5 至 10 年的消化週期。以下預測三種可能的演進路徑：
面對 AI 程式代理帶來的「產量暴增但產能持平」現象，企業決策者與工程師需採取以下具體行動：
01 起因觸發：GitHub Copilot 與各類 AI 程式代理自 2023 年起大規模進入企業開發流程
02 一階傳導：企業軟體開發團隊產出大量未經嚴格審查的 AI 程式碼，拉取請求量激增
03 二階擴散：資深工程師工作重心轉向 Code Review，資淺工程師失去獨立撰寫核心模組的練功機會
04 宏觀終局：軟體產業人力結構轉型，從「生產者」轉向「審查者」；AI 資安與測試自動化商機崛起，純 AI 應用敘事面臨估值重估
因果網路圖譜 1 節點
可拖曳節點 · 點兩下開啟文章
