人人都在用 AI 提效 100%,可消费者在哪?

1 阅读17分钟

image.png

核心观点:把“代码生成速度翻倍”等同于“公司生产力翻倍”,是当前 AI 叙事里最大的错觉。在单家公司内部,编码提效被下游 Review、测试、返工和 Token 账单吞噬;在宏观市场上,人人都在提效引发了严重的“剧场效应”——供给无限膨胀,但消费者的时间和钱包没有提效 100%。


引子:新闻里的“提效大跃进”与财务报表里的“静悄悄”

过去两年,AI 编程的战报几乎每个季度都在刷新上限。Google 在 2024 年称“超过四分之一的新代码由 AI 生成”,2026 年又称其为“最有意义的内部生产力杠杆之一”;2025 年,Microsoft 称部分项目 20%–30% 的代码由 AI 编写;2024 年,Amazon 靠 Q Developer 升级数万个 Java 应用,省下约 4,500 个开发者年、2.6 亿美元年化收益。

国内同样激进:2025–2026 年,腾讯称 AI 生成代码已占新增代码超过 50%、编码时间缩短 40% 以上,但整体研发提效只有 16% 出头;字节 TRAE 团队甚至披露团队内 90% 的代码由 AI 生成,人均需求吞吐率却只提升到 1.6 倍;百度 Comate 也有 56.6% 的代码由 AI 生成。上述数字均为公司自报口径。

但另一组新闻给出了完全不同的画面。METR 2025 年的随机对照实验发现,16 名资深开发者使用 AI 后完成任务反而慢了 19%;2026 年的后续实验也只估计出 4%–18% 的提速。 DORA 2025 年报告显示,90% 的从业者已使用 AI,但 30% 不信任 AI 生成代码,且 AI 采用与交付稳定性负相关。 Faros AI 2026 年对 2.2 万名开发者的遥测分析更直接:高 AI 采用期的中位 PR 评审时长增加 441.5%,人均 Bug 增加 54%,代码 churn 增加 861%。 2026 年 11 月,Linux 内核内存管理老将 Lorenzo Stoakes 因 AI slop 补丁过多卸任部分 review 职责;Axios 同月报道则指出,个人层面普遍提效,但公司层面甚至部门层面看不到结果。

一边是 50%–90% 的代码由 AI 生成,一边是 16% 的研发提效和持平的人均营收;一边是发布会上的“提效 100%”,一边是评审、返工与 churn 的全面上升。这不是谁在撒谎,而是两把尺子在量不同的东西——一把量的是局部动作的速度,另一把量的是组织交付价值的效率。

如果 50%–90% 的新代码真的是 AI 写的,编码时间真的缩短了 40%,为什么公司层面的项目排期、研发预算、人均营收和净利润率,没有出现 50%–100% 的跃迁?

1987 年,诺贝尔经济学奖得主罗伯特·索洛曾说出一句名言:“你在任何地方都能看到计算机,唯独在生产率统计里看不到。”这就是著名的索洛悖论(Solow Paradox) 。

今天的 AI 编程,正在以更魔幻的速度重演这一幕。


一、单家公司的账本:为什么局部提效 100%,老板却算不出利润?

站在企业经营者的角度,评判一项技术有没有带来生产力提升,不看“打字有多快”,只看投入产出比(ROI) 。而所谓的“AI 提效 100%”,在公司账本上往往卡死在三笔算不清的账里。

1. 分子分母错配:代码是负债,不是资产

很多研发团队向上汇报 AI 提效,最爱用的指标是:代码采纳率、Token 消耗量、单次生成代码行数。

但在工程管理里有一句老话:代码从来不是资产,而是负债。 资产是系统解决的业务问题,而每一行新增代码,未来都要变成阅读成本、测试成本、重构成本和线上故障概率。

AI 把“写代码”的边际成本打到了接近于零,最直接的后果不是业务价值翻倍,而是代码膨胀(Code Bloat) :

  • 以前写一个工具函数要权衡半小时,现在 AI 三秒生成 200 行,能跑就行,大量重复造轮子的代码被合入主干;
  • 以前产品经理提一个边缘需求,研发会因为“开发成本高”把它挡回去;现在“反正 AI 写很快”,大量低价值、甚至无人使用的“伪需求”被顺水推舟做了出来。

这不是危言耸听。GitClear 对 2.11 亿行代码变更的分析显示:“移动/重构”代码占比从 2020 年的 24.1% 降到 2024 年的 9.5%,复制粘贴代码占比从 8.3% 升到 12.3%;2024 年成为有记录以来第一次“复制粘贴”超过“重构移动”的年份,含重复代码块的提交约为两年前的 10 倍。 AI 让写代码变便宜,也让复制一份代码变得比抽象一层更便宜。

分子是看似热闹的代码产出,分母却是急剧膨胀的长期维护债务。

2. 木桶效应与“擦屁股”转移:编码只占研发周期的 20%–30%

一个功能从提出到真正产生商业价值,要走完一条长长的价值流:

需求对齐 → 方案设计 → 编码实现 → Code Review → 联调测试 → 发布运维 → 线上排障

在多数工程组织里,“写代码”往往只占整个端到端交付周期的 20%–30% (不同团队差异很大)。剩下的 70%–80%,消耗在扯皮对齐、等后端接口、排队等测试、排查环境问题和修线上 Bug 上。

image.png 图 1:传统与 AI 辅助研发链路对照。编码提速可能转移下游瓶颈,不代表固定返工比例。

当 AI 只加速了“编码”这一块木板,整个木桶的盛水量根本不会变,甚至会因为上游泄洪过快而把下游冲垮:

  • Review 拥堵:以前一个研发每天提 200 行 PR,Reviewer 十分钟看完;现在 AI 一次甩出 1,500 行“表面工整、暗藏逻辑坑”的代码,Reviewer 根本看不过来,要么卡死在合入队列,要么闭眼点 Approve 把炸弹埋进主干。
  • 返工风险不可预设为固定比例:AI 生成内容的缺陷与返工幅度取决于任务、代码库、模型、验证流程和团队经验,本文不把“30% 返工率”当作普遍事实;应跟踪实际返工工时、缺陷逃逸率与变更失败率。人类最擅长排查“自己写错的逻辑”,最痛苦的是排查“AI 一本正经胡说八道写出来的边缘 Bug”。省下来的 2 小时编码时间,往往全赔在了后半夜的联调和排障里。这不是主观感受:METR 2025 年的随机对照实验发现,资深开发者在自己的大型仓库里使用 AI 后,完成任务的时间反而增加了 19%;DORA 2025 年报告发现,AI 采用与交付吞吐量正相关、却与交付稳定性负相关;Faros AI 2026 年的遥测分析(相关性分析,非因果实验)则显示,高 AI 采用期的中位 PR 评审时长增加了 441.5%,人均 Bug 增加了 54%,代码 churn 增加了 861%。

3. 成本结构重构:省下的人头费,变成了刚性的算力账单和治理成本

很多管理层期待的剧本是:“AI 提效 100% → 裁掉一半人力 → 利润率暴涨”。

但真翻开财务报表会发现,总成本并没有按预期下降,只是换了个马甲:

  1. 显性软件与算力账单:企业级 AI Coding 席位费、Agent 长上下文的高并发 Token 消耗、内部私有化模型部署与安全合规审计,全部变成了按月计费的刚性支出。
  2. 更贵的人力结构:初级执行人员确实减少了,但系统并没有变简单,反而更需要高薪的资深工程师去编写精确的工程规范(Spec)、审校 AI 产出的代码、并承担线上出事时的最终兜底。
  3. 自由时间的耗散:如果一线员工用 AI 每天省出 1 小时,但组织既没有减少他的工作量指标,也没有清晰的新业务方向,这 1 小时大概率会流向“提前下班/摸鱼”或“自己折腾一个不痛不痒的技术重构”。对老板而言,工资照发,还要额外多付一笔 AI 工具费。

Axios 2026 年 11 月的报道里有一个更直白的细节:一位企业高管接手了 1000 万美元的 AI 账单,却说不清它创造了什么价值;一位顾问的总结是——“个人报告了生产力提升,但公司层面甚至部门层面都看不到结果。”


二、宏观的供需账:人人都在提效,消费者在哪?

如果说第一部分只是“一家公司的研发管理账”,那么再往上一层看整个市场经济,还有一个更致命的问题:就算每家公司都真的用 AI 把内部效率拉满了,AI 提效会不会依然是一场泡沫?

回答这个问题,不能只看供给侧,必须看消费者在哪。

1. 供给大爆炸,但用户的“时间和钱包”没有提效 100%

AI 降低的不只是写代码的成本,它同时打穿了做 App、建独立站、写营销文案、生成短视频素材的门槛。以前一个 10 人团队半年做出 1 个产品去抢用户;现在 1 个人用 AI 两周就能搓出 5 个产品去抢用户。

全社会的数字供给正在发生指数级大爆炸,但全社会消费者的每天依然只有 24 小时,钱包的厚度也没有因为 AI 而翻倍。

当供给无限增加而总需求近似恒定时,物理学和经济学都指向同一个结果:单位产品的平均注意力、点击率和付费转化率必然断崖式下跌。 你用 AI 半天上线了一个新功能,对手用 AI 明天就能抄一个一模一样的,最后大家一起在 0.1% 的转化率里内卷。

2. 剧场效应:所有人都提效,等于所有人都没提效

经济学里有个经典比喻叫剧场效应:看电影时,第一排的观众为了看得更清楚站了起来;第二排被迫站起来;最后全场观众都站着看电影——大家的视野和原来坐着时一模一样,唯一的变化是所有人的腿都站酸了。

AI 提效正在把无数行业拖入剧场效应:

image.png 图 2:AI 提效向市场竞争传导的可能路径。净利润是否改善还取决于需求、竞争与成本结构。

当“提效 100%”成为行业标配,它就不再是你的超额利润来源,而变成了一张昂贵的生存门票。省下来的研发人头成本,最终并没有留在公司账上变成利润,而是被两头抽水:

  • 一头交给了底层的算力与模型厂商(算力税) ;
  • 另一头交给了掌握注意力的分发与买量平台(流量税) ——因为东西太容易做出来了,唯一稀缺的变成了流量。

3. “降本增效”的消费反噬悖论

还有一个更底层的宏观死结。

很多企业算盘打得很精:用 AI 替代初级程序员、初级运营、初级客服、文案和设计,把人力成本压到极致。但微观理性的叠加,往往会酿成宏观的荒谬:

被 AI “提效优化”掉的这批初级白领、外包员工和自由创作者,本身就是消费互联网、SaaS 工具、内容付费和各类消费品的核心消费者。

当全行业都在同步推进“AI 去人头”以实现账面降本时,就业市场和居民可支配收入的收缩会直接传导回消费端。供给侧效率越高,需求侧的钱包越瘪——机器可以 24 小时高速生产代码和商品,但机器自己不会花钱买单。

这不是修辞。Axios 2026 年 11 月援引 Apollo 首席经济学家 Torsten Slok 的数据:在“科技七巨头”之外,标普 500 企业的人均营收和利润率基本持平;他的判断是,尽管投入巨大、炒作热烈,AI 对科技行业之外的美国企业“财务回报为零”。


三、所以,AI 提效到底是不是泡沫?

把微观账和宏观账放在一起看,结论其实很清晰,不需要非黑即白:

  • 什么是泡沫?
    把“代码生成速度”、“PR 数量”、“Token 消耗”包装成公司生产力,是管理泡沫;在已经见顶的存量红海市场里,靠 AI 无限复制同质化功能去互相内卷,是商业泡沫。这种“提效”越猛,公司死在算力账单和买量成本上的速度就越快。

  • 什么不是泡沫?
    当 AI 真正打破了原本的成本边界,让过去“因为人力太贵而算不过账”的事情变得可行时,真正的生产力跃迁才会发生。具体体现在两个方向:

    1. 开拓增量市场,而不是抢存量蛋糕:过去因为定制化成本太高而被大厂放弃的长尾小微客户、低客单价垂直场景,现在如果交付成本下降 80%,商业模式就可能终于跑通——这是在创造新消费者,而不是和同行在存量池里互搏。
    2. 重构人的稀缺性:当“把想法写成代码”的成本趋近于零,执行能力彻底贬值。团队里真正值钱的能力,会从“写得快”全面迁移到发现真实需求、做好系统架构设计、定义验收标准、以及搞定分发与商业闭环。

DORA 2025 用了一个很准确的词:AI 是“放大器”。它不会修复一个团队,只会放大团队原有的强项和弱点。把它当成“生产力按钮”,按下去就期待 100% 的回报,本身就是一种管理幻觉。


四、站在上层视角,怎么判断“真提效”与破局?

既然不能靠听一线汇报“AI 提效 100%”来治司,那管理者和架构师到底该用什么尺子来量?

1. 区分“假自嗨”与“真提效”的三把尺子

维度假提效(自嗨指标)真提效(上层账本指标)
财务账只看节省了多少“估算工时”扣除模型/算力/工具订阅与审校人力后,单位研发投入的净商业产出(ROI)是否上升
交付账只看 IDE 代码采纳率、单函数生成耗时从“需求定稿”到“线上稳定运行”的端到端周期(Lead Time) 和变更失败率(Change Failure Rate, CFR) 是否改善
市场账堆砌了更多没人用的边缘功能、增加了大量冗余代码省出来的产能,是否开拓了新业务场景,或显著降低了客户获取与交付门槛

2. 给开发与管理团队的三个破局方向

  1. 别再只盯着 IDE 提速,去用 AI 消灭“非编码瓶颈”
    既然编码只占 25%,就把 AI 往两头推:上游用契约化的 Spec(需求规格说明) 消除产品和研发之间的扯皮与返工;下游用 AI 自动化生成边界测试用例、自动化执行第一轮 Code Review 拦截低级错误和架构违规。只有整条价值流的木桶一起长高,端到端周期才会缩短。
  2. 把个人提示词,沉淀成组织的工程资产
    如果每个工程师每次都要重新给 AI 讲一遍项目背景、目录规范和历史踩坑,那么 AI 的产出质量就永远取决于个人提示词水平。要把这些上下文沉淀为版本化的工程资产——项目说明、规则文件、示例库、验收用例——让 AI 的下限稳定可控。
  3. 拉高“需求准入门槛”,严防 AI 时代的生产过剩
    写代码的成本越低,产品和业务负责人就越要克制。如果需求评审不设防,AI 只会以 10 倍的速度帮公司制造 10 倍的技术债。把省出来的工程产能,集中投向经过验证的高价值核心路径和增量探索,而不是用来填满排期表。

结语

AI 确实让“生产”变得前所未有地便宜,但它从来没有承诺过让“赚钱”变得同样容易。新闻里的“90% 代码由 AI 生成”和账本里的“研发提效 16%”并不矛盾——它们丈量的是两个不同的东西:前者是局部动作的速度,后者是组织交付价值的效率。

下一阶段真正拉开差距的,不再是谁家员工的 Agent 采纳率更高、谁家 PPT 上的“提效百分比”更大,而是谁能率先算清楚这笔账:在人人都能提效 100% 的时代,你用省下来的时间,究竟多解决了哪一个消费者愿意付钱的问题?


参考来源

  1. Alphabet, Q3 2024 Earnings Call Transcript, 2024-10-29. 链接
  2. Alphabet, Q3 2026 Earnings Call Transcript, 2026-10-28. IR 页面;Motley Fool 转录;Google, Q3 2026 earnings call: Remarks from our CEO. 链接
  3. The Register, 30 percent of some Microsoft code now written by AI, 2025-04-30. 链接
  4. AWS DevOps Blog, Amazon Q Developer just reached a $260 million dollar milestone, 2024-08-01. 链接
  5. 腾讯云开发者社区, 再度加码 AI 编程,腾讯发布 AI CLI 并宣布 CodeBuddy IDE 开启公测, 2025-09-11. 链接
  6. 腾讯云开发者社区, 字节 AI Coding 到 90%,反而看清了软件工程, 2026-06-29. 链接
  7. 百度, 2025 年环境、社会及管治报告, 2026-05. 链接
  8. METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, 2025-07-10. 链接
  9. METR, We are Changing our Developer Productivity Experiment Design, 2026-02-24. 链接
  10. Google Cloud Blog, Announcing the 2025 DORA Report, 2025-09-24. 链接
  11. Faros AI, The AI Engineering Report 2026: The Acceleration Whiplash, 2026-04-12. 链接
  12. Phoronix, Longtime Linux Developer Steps Down From Some Roles Due To Patch Flood Caused By AI, 2026-11. 链接
  13. Axios, Companies still don't quite know what to do with AI, 2026-11-13. 链接
  14. GitClear, AI Copilot Code Quality: Evaluating 2024's Increased Defect Rate via Code Quality Metrics, 2025-02. 链接