使用AI編程工具的開發者們，各位的工作效率究竟提高了多少？最近有猜測認為，AI技術有望將開發者的工作效率提高2倍、3倍甚至是5倍。另有報告預測，到2030年軟件開發者的生產力將提高10倍。

但頗為諷刺的是，軟件工程領域甚至一直沒能在開發生產力的衡量指標上達成一致。有些人甚至認為這樣的指標不可能存在，任何粗暴量化都有缺陷、不夠完善。如今，大多數關于AI技術能提高生產力的說法都屬于定性判斷——基于調查和見聞，而非具體數據。

但如果在開發生產力上都不能達成共識，那我們怎樣才能對AI做出正確判斷呢？如果說我們從之前的遠程辦公中學到了什么的話，那就是如果沒有數據來指導決策，我們就必然要陷入困境——本本主義和意識形態開始占據高地，導致人們就現場辦公、遠程辦公和混合辦公究竟誰更好吵作一團。

而AI的發展軌跡似乎又是一波輪回。為了順利向前邁進，我們必須想辦法從量化角度分析問題。

落后的風險

目前，圍繞AI技術的炒作可謂甚囂塵上，不少冷靜的從業者甚至選擇先停一停。考慮到潛在質量影響、抄襲風險等現實因素，最謹慎的企業紛紛后撤，想先看清楚一切到底會如何發展。

但對科技型企業而言，落后的風險將關乎生死存亡。AI是一劑雙重猛藥，不僅會將更多基于AI的新產品推向市場，也能在生產端降低產品的開發成本、縮短發布周期，以雙向奔赴的方式助力業務發展。

大多數企業一直關注“做什么”，而AI卻有望驅動“怎么做”，進而建立起10倍甚至100倍生產力的工程團隊。誰能快速跨越這道鴻溝，以最有效、最具影響力的方式優化AI工具，誰就能快速跨上生產力的新高度，在未來幾年的市場上占據優勢。相比之下，靜觀其變的風險對很多公司來講確實難以承受。

做好權衡

手里拿著錘子，看什么都像釘子。同樣的情況在AI身上也有體現。

根據GitHub最近發布的報告，開發人員認為AI編程工具的最大優勢，就是提高了用戶的編程語言技能。另一個好處則是自動執行重復性任務，例如編寫樣板代碼。Codecov最近一項實驗表明，ChatGPT在實現細碎功能、為相對簡單的代碼路徑編寫基礎測試方面表現良好。

但與任何技術一樣，AI也有自己的權衡取舍。例如，生成式AI和大語言模型（LLM）無法執行高度復雜或者創造性的任務，例如將代碼庫從一種架構遷移至另一種架構，或者將業務邏輯合并至新功能當中。如果開發人員盲目接受AI生成的建議而不對潛在的抄襲、許可限制或幻覺做好檢查，就很可能引發難以預見的安全漏洞或法律糾紛。

但AI本來也沒必要成為顛覆軟件編寫和交付方式的“銀彈”。即使有著種種限制，仍不妨礙它以確定性方式完成有限的任務。這種將已知任務的處理周期或成本降低10倍的能力本身，已經代表著巨大的進步。

對影響做量化

大多數開發人員已經在使用AI驅動工具。根據GitHub的數據，最近一項調查顯示，92%的用戶在工作或個人時間內使用過AI編程工具。因此，企業必須盡早建立基準，用以比較新AI工具應用前后的生產力差異。

即使是簡單的代理指標，也有助于對新工具的影響做出量化分析。例如，我們對擁有超過40萬開發者的社區進行一項研究，發現使用GitHub Copilot的開發者每次敲擊鍵盤，對應的平均有效字符相當于不使用AI編程助手的開發者的1.3倍，代碼行數則為1.22倍。雖然更多的代碼量并不一定等于更高的生產力，但使用GitHub Copilot之后，開發者的代碼編寫速度確實在不斷提高（在單元測試、函數和其他樣板代碼中均有體現），這證明他們在重復性工作上確實節約下了時間和精力。

同樣的，我們兩袖清風應衡量團隊在投資AI工具之前和之后的功能交付情況，借此量化實際影響。每位工程師所交付功能數量的增加（以及單項功能交付成本的降低）將為后續投資AI工具提供強有力的支持和依據。

功能的改動和重構，還有助于了解AI對于代碼質量的影響。如果企業在應用新AI編程工具后經常遭遇質量問題，則其用于功能改動和重構的時間必然更多，能花在新功能開發上的時間反而會變少。

雖然任何軟件開發都必然涉及一部分改動和重構，但如果這兩項工作越來越多，那必然要影響到AI工具的投資回報率。

正確投資

要想回答AI是否提高了開發者生產力這個問題，我們必須首先為相關影響建立可見性體系。具體來講，就是在整個開發過程當中，AI到底在何處、何時以及如何帶來最大的潛在投資回報。隨著生成式AI的迅速躥紅與瘋狂炒作，把握正確數據以了解真相正變得比以往任何時候都更加重要。

當公司投資于AI開發工具時，可以通過將可觀測性應用于軟件開發來增強團隊能力。這種可觀測性不僅有助于快速了解AI的局限性和機會空間，同時也將為生產力的影響因素打開新的討論通道（例如遠程辦公、DevOps和內部開發者平臺）。

毫無疑問，AI在提高生產力方面發揮著重要作用。但我們必須從事實出發了解其作用，從而做出更加明智的決策。