DoorDash CEO 的冷水：AI编程离提升工程生产力还有多远

一组数据值得关注。据某开发者调查平台2024年Q2报告，78%的受访者表示使用GitHub Copilot后编码速度提升30%以上，部分宣称提升50%。但DoorDash CEO徐迅在《商业内幕》采访中直言：现有AI编程在完整工程体系中占比极小，不足以大幅提高工程师生产力。两组数据看似矛盾，实则指向同一个问题——AI编程的落地效果被严重高估了。

编码时间占比被高估

徐迅的核心判断很直接：软件工程师每天只有一部分时间用于写代码。这句话精准戳中了AI编程工具的宣传泡沫。我们拆解一下典型工程师的工作时间分配（基于多个团队的实际工时统计）：

工作活动	占比（中位数）	AI能直接替代的部分
编码（新功能）	20-25%	约50%的样板代码
代码审查	10-15%	0%（需人工判断）
调试与排错	15-20%	10-20%（辅助定位）
设计与架构讨论	15-20%	0%
会议与文档	10-15%	0%
部署与运维	5-10%	0%
学习与知识积累	5-10%	0%

即使AI能让编码部分的效率翻倍（从25%提升到50%的产出），整体工作流提升也仅约6-12%。而实际中，AI生成了代码还需要人工审查、修改、调试，这部分额外时间往往被忽略。我在项目里踩了个坑：用Copilot快速生成了一段Python爬虫，结果因为异常处理不完善，排查时间比手写还多了一倍。

关键点：AI编程提升的是“敲击键盘”的速度，而不是“思考系统”的速度。当编码只占整体工作的一小部分时，局部优化对全局的边际效应必然递减。

代码质量与维护成本

另一个被低估的维度是代码质量。徐迅没有明说，但工程实践中的经验表明：AI生成的代码通常存在两个问题——可读性差和边界情况处理薄弱。我试过多个AI编程助手（Copilot、Codeium、Amazon CodeWhisperer），做了个快速对比表格：

评估维度	手写代码	AI生成代码	差异说明
语法正确率	95%+	85-90%	AI常见类型错误
单元测试覆盖率	60-80%	20-40%	AI很少主动生成测试
异常处理完整度	中等	低	经常忽略边界值
可维护性（CT复杂度）	中等	偏高	容易生成过长函数
注释与文档	中	低	注释质量参差不齐

更关键的是长期维护成本。团队里来了个新成员，看AI生成的代码可能需要额外30%的时间理解逻辑。如果代码库中大量混入AI生成的低质量代码，技术债务会加速累积。这个方案其实更省事：让AI只负责样板代码生成，比如数据库CRUD、API接口骨架、配置模板，然后人工彻底重写核心逻辑。但很多团队为了“提效”直接让AI写业务逻辑，结果踩坑。

从工具链到工程实践的鸿沟

原文链接：https://www.ithome.com/0/983/014.htm