你的 AI 编程助手看起来很能干。
写的代码量是以前的两倍，提交速度飞快，周报上的数字漂亮得不行。
但有一个数据，你的老板可能不太想看到——
这些代码里，只有 10% 到 30% 真正留存下来了。
剩下的，全被删了。
数字很漂亮，但没用
Waydev 是一家专门分析开发者生产力的公司，服务 50 家客户、覆盖超过 1 万名工程师。
他们的 CEO Alex Circei 说了一个让很多管理者不舒服的事实：
表面上，AI 生成代码的采纳率有 80%-90%——开发者点了"接受"，代码进了代码库。
但别高兴太早。
几周之后，工程师不得不反复修改这些代码，大量代码被删除或重写。最终真正留存的，只有 10%-30%。
你想想这意味着什么。
写了 100 行代码，最终 70 到 90 行是废的。
不只是 Waydev 一家在说这个事。
证据在堆积
GitClear 今年 1 月发布的报告显示：
经常使用 AI 工具的开发者，代码修改率是非 AI 用户的 9.4 倍。
9.4 倍。AI 带来的生产力提升才 2 倍，但返工量翻了将近 10 倍。
Faros AI 基于两年客户数据，在今年 3 月发布了另一份报告：
AI 高使用率场景下，代码变更率——删除代码行数与新增代码行数之比——上升了 861%。
写出来的代码变多了，但真正能留存下来的比例，低得不成比例。
Jellyfish 的数据更扎心。他们跟踪了 7548 名工程师，发现：
Token 用得最多的工程师，提交量确实最大。但吞吐量只提升了 2 倍，Token 成本却涨了 10 倍。
10 倍的成本，换来 2 倍的产出。
这买卖，怎么算都不划算。
谁的问题？
说实话，这锅不能全让 AI 背。
有一个很有意思的现象：资深工程师和初级工程师用 AI 的效果完全不同。
初级工程师采纳 AI 代码的比例高得多，随之而来的返工量也更大。
为什么？
因为初级工程师还不具备足够的判断力。他们看到 AI 生成的代码"看起来能跑"，就直接接受了。但等到集成测试、代码审查、线上部署的时候，各种问题才暴露出来——架构不兼容、边界条件没考虑、性能隐患一大堆。
资深工程师则不同。他们用 AI 写代码，但会仔细审查每一行。能用的留下，不能用的重写。所以他们的采纳率反而更低，但留存率更高。
这说明 AI 编程工具的价值，高度依赖使用者的经验水平。
工具放大了能力，也放大了无知。
行业在找答案
问题摆在这了，钱也花了，企业不可能装看不见。
Atlassian 去年花了 10 亿美元收购了工程智能公司 DX，专门帮客户评估编程助手的投资回报率。
Waydev 直接重构了整个平台，推出新工具追踪 AI 助手生成的元数据，分析代码质量和实际成本。
大家都在做同一件事：搞清楚 AI 编程到底值不值。
这个问题的答案，可能比想象中复杂得多。
因为代码量从来就不是衡量软件开发的正确指标。几十年来，工程师们一直在争论这个事。AI 工具只是把这个矛盾放大了——
以前的问题是"怎么衡量效率"。
现在的问题是"AI 制造的海量代码，到底算不算效率"。
写给开发者的建议
如果你正在用 AI 编程工具，有几件事值得想想。
别因为代码"能跑"就直接点接受。
跑起来和跑得好，是两回事。
别把代码量当作工作量的证明。
10 倍的代码量配上 9.4 倍的返工率，不是在搬砖，是在搬垃圾。
AI 是副驾，不是驾驶员。
你要做的不是让 AI 替你写代码，而是让 AI 帮你更快地写出你知道该怎么写的代码。
判断力、架构思维、对业务场景的理解——这些东西 AI 短期内给不了你。
而它们，才是你真正的价值。
评论
发表评论