先讲一个反直觉的事实绝大多数软件项目里纯写代码的时间不到20%。也就是说你每天加班到深夜敲的那些键盘在整条研发流水线上占的比重小得可怜。然后你再想想——AI把“写代码”这一段从一周压到了一天你的交付周期变短了吗大概率没有。这不是AI不行是你对“写代码”这件事的理解出了问题。一、你优化的从来就不是瓶颈黄仁勋去年在红杉的一场对话里说过一句话特别适合拿来当这问题的引子。他说招软件工程师的时候没有哪家公司会对候选人说“来给我演示一下你几秒钟能打多少字”。写代码从来不是工程师的工作解决问题才是。这句话点破了一个被很多人忽视的常识敲键盘从来就不是研发周期的瓶颈。你把一个本来就不堵的环节提速了三倍整条流水线的吞吐量当然不会跟着涨三倍。这就像你给一条高速公路的入口收费站装了ETC结果发现堵车的永远是出口匝道——你把入口疏通一万遍出口该堵还是堵。一个需求从提出到上线真正吃时间的环节是什么把模糊的业务诉求翻译成清楚的技术问题、拆解、选架构、评审、联调、把新代码安全地塞进一套已经跑了五年谁也不敢乱动的旧系统。这些环节里写代码占的比重小得可怜。AI把“写”这一段的效率拉满了结果就是——下游全被淹了。最直接的就是代码评审。一个人一天能让AI产出三千行代码但他一天读不完也判断不完这三千行。AI生成的代码往往是大块大块的变更不像人类开发者习惯做小而原子的提交。审查者面对一堆没人真正理解过的代码认知负荷直接拉满。METR的一项研究印证了这个困境AI编程助手反而让资深开发者的生产力降低了19%——开发者本以为AI能把周期缩短20%结果实际完成时间拉长了19%。研究还发现75%的开发者会阅读每一行AI生成的代码100%的人都表示AI代码需要修改。你写得越快我审得越慢。这不是工具的错是流水线的设计压根没考虑过“生成端可以这么快”。二、OpenAI自己先意识到了这个问题有一个很诚实的信号值得注意。OpenAI Codex团队现在专门做了一个“先出计划”的模式——让agent动手之前先把要做什么列成一份计划问你同不同意再开工。负责人Embirikos的判断是到了agent时代“计划评论”会比“代码评论”更重要。这背后的逻辑很清晰当生成端快到一定程度瓶颈就从“写得出来吗”彻底转移到“我敢信吗、我审得过来吗”。换句话说OpenAI自己在做的事情是把人类的角色从“代码生产者”往“系统决策者与审计员”的方向推。他们知道代码生成这件事AI已经干得够快了真正需要人盯的是“这个计划对不对”“这个架构行不行”“这个方案有没有坑”。三、“Vibe Coding”的信任危机恰恰是专业判断在起作用最近有个词很火——Vibe Coding大意是“跟着感觉让AI写代码”。非研发人员用它写出了能跑的小工具但研发团队对AI生成代码的信任感却在下降。这矛盾吗一点都不矛盾。OpenAI管Codex的Theo举过一个很精准的例子你用Vibe Coding搞出一个收录300个最常用英语单词的小应用写得很完美可一旦想扩展到1000个词那套架构就立刻不够用了。Vibe Coding在原型和小范围分享里几乎无敌但“如果你想扩展到成千上万人你还是需要技术人才参与”。OpenClaw的创始人Peter Steinberger说得更直接——“Vibe Coding是个谎言”。他自己天天用AI写代码但做判断时“仍然用老式方法”。他想说的不是AI不行而是能跑的代码和能维护、能扩展、能让人放心的代码是两回事。所以信任感下降下降的不是对AI能力的信任是对“这段代码没有任何一个活人真正理解过”的不安。它现在能跑但三个月后要改一个边界条件时没人说得清当初为什么这么写。研发团队不是不信AI写得对是不敢把一堆没人兜底的代码堆进核心系统。这种不安完全合理——它恰恰是专业判断还在起作用的证据。四、效率提升从来不会变成“更短的周期”还有一个更底层的逻辑被大多数人忽略了。Anthropic的CFO提过一个反直觉的观察她管它叫“劳动力版的杰文斯悖论”。原话是AI让员工的生产力暴涨之后公司反而招了更多人因为“要做的事情永远做不完”。她自己的体感是以前忙着对账、结账现在省下来的时间全花在想“我们怎么把这些再投资到业务里去”。杰文斯悖论是19世纪经济学家提出的一个观察蒸汽机效率提升之后英国的煤炭消耗量非但没减少反而暴涨了。原因很简单——效率越高使用的场景越多总需求反而越大。这条规律套到研发上就是效率省出来的空间不会变成“同样的活提前两周交”而是被“做更多的活、把标准提得更高”吸收掉。以前没精力写的测试现在补上了以前不敢碰的重构现在动手了以前砍掉的需求现在排进来了。周期没变短是因为你在同样的时间里塞进了更多事情。从产出看是飞起来了从“交付周期”这个单一指标看却毫无变化。用周期长短来衡量AI的研发收益本身就量错了对象。五、真正的差距在流程重构上Claude Code的负责人Boris Cherny经济学出身他特别爱引一个老案例上世纪90年代企业把电脑铺满了办公室统计上的生产率却纹丝不动。原因后来大家想明白了——光把新工具塞进旧流程没用得等组织和流程围着新工具重新长一遍红利才出来。他给的数据是Claude让Anthropic内部工程师的人均产出涨了大概250%但他反复强调这个增长不是“给每个人发一个AI”堆出来的是组织和协作方式重构出来的。绝大多数企业卡在这一步。好工具买回去等于把一台更快的发动机装在原来的车架上——车架的承重和转弯半径没变跑不快是必然的。AI写了60%的代码可你的需求评审、排期、测试、上线审批全套流程一个字没改。那60%省下来的时间就被卡在旧流程的各个关节里耗光了。总结一下。AI写代码这件事干的是黄仁勋说的“任务”没动到“工作”。它把研发的瓶颈从“写”往下游的“想”和“审”狠狠推了一把。多数企业只换了工具没换流程红利卡在旧流水线里。省下来的时间又被新增的工作和拔高的标准吃掉了。四件事叠在一起“60%的代码”和“周期没变短”就一点都不矛盾了。真正会拉开差距的是谁先动流程而不是谁先买工具把人从打字里腾出来压到判断、架构和评审这些AI还兜不住的环节上去。黄仁勋那句“你不会输给AI你会输给那些善用AI的人”落到企业身上就是——你不会输给会写代码的AI你会输给那些先把流程重构成AI原生、再让AI进来的对手。继续把AI当一台更快的打字机代码生成率从60%涨到80%也没用。周期还是那个周期。
