AI 虚荣指标的崛起：为何代码行数重新成为生产力代理

软件工程行业目前正经历基于产量的指标——尤其是代码行数（LoC）——的复兴，以此来证明 AI 编码助手的采用和影响。尽管行业花了数十年时间摆脱 LoC 作为开发者生产力的衡量标准，但来自 AI 供应商和技术高管的当前声明几乎完全聚焦于生成代码的数量，而非交付的业务成果。

产量声明 vs. 结果声明

现代 AI 生产力的声明已从结果（实现了什么）转向产量（产生了多少）。早期对 GitHub Copilot 等工具的声明侧重于任务完成速度，例如声称开发者完成任务的速度提升了 55%。相比之下，2026 年的行业声明聚焦于 AI 编写的代码比例：

  • Google: 报告称 75% 的新代码是 AI 生成的。
  • Anthropic: 声称约 80% 的合并生产代码由 Claude 编写，工程师每季度交付的代码量是原来的 “8 倍”。
  • OpenAI: 同样声称约 80% 的代码是 AI 生成的。
  • Cursor: 报告称 “每日编写的企业代码超过 1 亿行”。

这些产量指标实际上是“虚荣指标”，因为它们可以在软件质量、可靠性或业务价值是否提升的情况下仍然增长。AI 编写的代码比例高并不必然与更快的交付、更少的事故或更高的收入相关联。

AI 生产力证据的复杂性

衡量 AI 对生产力的实际影响十分复杂，研究常常得出相互矛盾的结果。这种不一致性导致许多组织重新回到简单的产量计数。

矛盾的研究发现

  • Positive Gains: 一些研究，如 Cui 等人的研究，显示任务完成率提升了 26%，其中初级开发者的收益最为显著。
  • Quality Concerns: GitClear 的研究表明，随着 Copilot 的采用加深，代码 churn（变动）上升，而重构工作在下降。
  • Performance Paradoxes: 一项 METR 研究最初发现，经验丰富的开源开发者在自己的代码库中使用 AI 时速度慢了 19%，尽管他们认为自己快了 20%。METR 后来更新了这些发现，暗示有加速，但他们指出开发者现在拒绝在没有 AI 的情况下工作，使得干净的测量几乎不可能。
  • Organizational Impact: NBER 对约 6,000 名高管的调查发现，虽然 69% 的公司使用 AI，但约 90% 报告没有可衡量的生产力影响，普遍共识是组织收益约为 10%。

理解力差距

即使产量增加，理解力也可能下降。Anthropic 进行的一项随机对照试验发现，使用 AI 辅助的开发者在对刚交付代码的理解上得分低了 17%，且没有统计显著的生产力提升。

AI 作为裁员理由的正当性

基于产量的指标正被用来为大幅裁员提供正当理由。例如，Jack Dorsey 在 2026 年 2 月将 Block 的员工削减了超过 40%（4000 多人），理由是 AI 是核心论点，即使用 AI 工具的更小团队可以做得更多且更好。同样，Atlassian 削减了约 10% 的员工，承认 AI 改变了所需的技能组合和岗位数量。

批评者认为，如果 AI 真正带来了巨大的生产力提升，公司会利用这些“空闲人力”加速产品路线图，向客户交付更多价值（提升 MAU 或收入），而不是单纯裁员。将 AI 用作裁员的正当理由表明，生产力声明可能只是为其他因素驱动的决策（如疫情期间的过度招聘或投资者压力）进行公关。

社区观点的综合

关于 LoC 指标回归的技术讨论凸显了若干系统性风险：

代码的负债性

许多工程师认为代码行数应被视为负债而非资产。正如一位社区成员所指出的，目标应是以最少的代码实现功能，以降低长期维护负担。

“柴油键盘”谬误

有人认为 LLM 相当于一把“柴油动力键盘”，提升了打字速度，却未提升问题解决的速度。由于编程中实际打字的比例很小，整体对软件开发生命周期（SDLC）的影响受到官僚层级和人工审查需求的限制。

审查瓶颈

随着 AI 生成更多代码，人工审查过程成为主要瓶颈。风险在于出现“以量换质”的转变，即代码量增加，但实际被人类理解或审查的代码比例下降。

结论：衡量真正重要的指标

采用 AI 工具是现代开发者的实际需求，但采用只是起点，而非成绩单。为避免虚荣指标的陷阱，组织应回归经受考验的工程指标：

  • DORA 指标（部署频率、变更交付时间、变更失败率和恢复服务时间）。
  • 生产环境的可靠性和稳定性。
  • 有意义变更的速率（推动业务价值的功能）。
  • 收入和客户价值（成功的终极衡量标准）。

在评估 AI 生产力声明时，关键问题是所提供的指标是 结果（可衡量的价值提升）还是 产量（产生了多少的度量）。

TITLE: AI 虚荣指标的崛起：为何代码行数重新成为生产力代理

SUMMARY: 软件行业正重新将代码行数（LoC）作为 AI 生产力的主要衡量标准，忽视可靠性和客户价值等基于结果的指标，转而采用基于产量的虚荣指标。

Sources