AI 程式助手讓你寫更快 但不是寫更好：哈佛研究戳破「產出倍增」幻象
編按：本文綜合整理自 Ars Technica 原報導、哈佛商學院 Fiona Chen 與 James Stratton 研究論文、軟體工程數據分析平台 Jellyfish 公開資料集，並加入 Siami 編輯部觀點與分析。
Ars Technica 報導指出，哈佛大學兩位研究員 Fiona Chen 與 James Stratton 利用軟體工程數據分析平台 Jellyfish 的真實工作數據，對 700 多家軟體公司、超過 70 萬名工程師在 2021 年至 2026 年 3 月間的活動進行大規模分析後發現：AI 程式助手確實讓「程式碼行數」暴增，但「軟體產出」卻幾乎紋風不動。換句話說，整套 AI 寫程式工具的效率紅利，目前幾乎完全被另一個瓶頸吸收掉了——而那個瓶頸，是人類。
程式碼暴增 30%，Issue 解決率卻沒變
研究的數字相當直觀：
- AI coding agents 引入後，平均每家公司程式碼總行數增加 30%
- commit 總數上升 20%
- pull request 數量增加 23%
但同期間，Jira 之類的 Issue / Epic（也就是「一個完整可交付的功能」）的解決率，在統計上沒有顯著變化。換句話說，工程師的「鍵盤產出」是變多了，但「真正被交付的軟體功能」沒有等比例增加。
這是一個非常關鍵的發現：AI 不是讓工程師「做更多事」，而是讓他們「打更多字」。
瓶頸轉移到「人類審查」
研究員把這個落差歸因到下游的 code review（程式碼審查）流程：
- pull request 從送出到被合併的審查時間暴漲 49%
- 「需要修改」的 pull request 比例近乎翻倍
- 每份 pull request 留下的評論數增加 35%
- 從事 code review 的員工比例上升 14%
研究員 Fiona Chen 在論文中寫道：「任何在『實際寫程式』階段提升的效率，都被生產流程的下游限制給吸收掉了。」
這意味著 AI 寫程式不是「省時間」的工具，而是把時間從「打程式碼」移到「讀程式碼」。淨效果接近零。
AI 審查還不夠普及 23% 評論來自 AI
理論上，AI 也可以用來做 code review。資料顯示，截至 2026 年 3 月有 80% 受測公司開始用某種 AI 審查工具。但實際成效仍有限：
- 只有 23.3% 的審查評論是 AI agent 留下的
- 只有 10.8% 的 pull request 由 AI agent 主導
也就是說人，人類審查者仍然是審查工作的關鍵角色。AI 確實開始介入審查，但目前還沒辦法獨立完成「看程式碼、找 bug、給修改建議」這個閉環。
為什麼這件事重要
這份研究給了業界一個很冷靜的現實校準。過去兩年，整個軟體圈籠罩在「AI 取代工程師」或「AI 讓產出倍增」的敘事裡。這份研究用真實工作數據告訴我們：敘事的方向是錯的，AI 沒有讓軟體公司變成兩倍速的工廠。
- 對管理層：AI 寫程式的投資回報，要看「端到端交付週期」而不是「commit 數」。如果只看 commit，可能會誤判團隊生產力。
- 對工程師：AI 工具的價值不在「幫你打更快」而是「幫你處理瑣碎」。Code review 流程如果沒有自動化，AI 寫程式的紅利會被審查時間吃掉。
- 對 AI 公司：現在的競爭點不是「誰的模型寫程式更準」，而是「誰能把整個開發閉環自動化」。
對台灣的中小企業與新創來說，這份研究的訊號更直接：別先別急著算 AI 寫程式的 ROI，先把 code review 流程自動化，或先用 AI 工具做審查輔助，紅利才會真正落地。
數據解讀與質疑
幾個值得追蹤的數字與疑問：
- 研究的截止點是 2026 年 3 月：AI agent 在那之後又更新過幾輪，現在的「AI 寫程式 → AI 審查」閉環可能已經改善。這份研究是當下的快照，不是終局。
- 沒有涵蓋頂尖工程師：Jellyfish 的資料是「公司層級」的聚合，沒辦法分辨頂尖星級工程師是否比 AI 工作者（agent-only）整體主導。如果頂尖 5% 的工程師用 AI 的效果好，可能被平均數蓋掉。
- 「軟體產出」的定義太狹隘：研究用 Jira 的 Issue 解決率當產出指標，但很多 AI 寫的程式是測試、文件、重構，這些不會變成新 Issue，但不代表沒價值。
- 「下游瓶頸」是暫時的：code review 變長可能是因為人類還不信任 AI。當業界建立「AI 寫、AI 審」的標準流程後，這個瓶頸可能消失。
研究員也提醒，目前沒有任何證據顯示 AI 寫程式會減少軟體公司的員額——就業數字與 LinkedIn 交叉比對後沒有顯著變化。
研究方法小檔
- 資料來源：Jellyfish 平台的工程團隊分析資料（涵蓋 700+ 家公司、70 萬+ 員工、3 億筆工作事件）
- 時間範圍：2021 年至 2026 年 3 月
- 方法：「雙重差分」迴歸分析（Difference-in-Differences），比較引入 AI 工具前後的差異
- 研究者：哈佛大學 Fiona Chen、James Stratton
- 資料特性：Jellyfish 客戶偏中大型軟體公司，新創與個人開發者的覆蓋率較低