哈佛研究：AI编码工具增加代码量但未提升软件产出
先了解这件事
2026年10月10日，Ars Technica报道哈佛大学研究人员Fiona Chen和James Stratton基于Jellyfish平台数据的研究成果。该研究分析了2021年至2026年3月间700多家公司的70多万名员工及3亿次工作事件。数据显示，尽管AI编码助手能生成大量功能代码，但并未带来软件产出的实质性增加或就业减少。核心证据指出，人工代码审查构成了效率瓶颈：随着AI生成代码量增加，审查流程显著延长，拉取请求更频繁地需要修订。
AI 根据报道生成 · 4 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- Ars Technica · AI哈佛研究基于70万开发者数据发现AI编码工具未显著提升软件产出
哈佛大学研究人员Fiona Chen和James Stratton基于Jellyfish平台2021年至2026年3月的数据，分析了超过700家软件开发公司中70多万名员工的3亿次工作事件，发现尽管AI编码助手能生成大量功能代码，但并未带来软件产出的实质性增加或就业减少。 核心证据显示，人工代码审查构成了整体效率的显著瓶颈：随着AI生成代码量增加，审查流程长度显著延长，拉取请求（pull requests）更频繁地需要修订，且审查员留下的评论数量增多。研究中指出的关键机制是，编码阶段获得的任何效率提升都被下游生产过程中的约束所吸收，导致最终交付的软件成果并未因工具使用而增长。 事实层面，该研究明确记录了审查环节的时间消耗与代码质量之间的负相关关系；推断层面，这表明当前AI Agent在编码场景下的价值更多体现在辅助而非替代，其商业价值尚未转化为可量化的单位经济改善；猜测层面，若未来无法解决审查自动化或降低人工介入成本的问题，企业投入AI编码工具的ROI可能长期低于预期。
本事件热度走势
当前热度 9·可比范围峰值 10（10月10日 05:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。