16名老练开发者用AI反而多花19%的时间,一场2025年的实验提醒企业重看效率账

熟悉度交付耗时任务分层复测

代码在屏幕上快速出现，工程师看起来少敲了很多字。可到了提交前，他还要确认旧接口、补齐测试、删掉不合项目习惯的实现。一个值得追问的差别藏在这里：生成过程的顺畅，未必等于交付过程的缩短。

研究机构METR在2025年发表过一场实验：十六名熟悉各自开源项目的开发者，完成二百四十六项真实任务，允许使用人工智能工具的任务平均多花了百分之十九的时间。[1]这是特定时期、特定人群的任务耗时结果，不能当作今天所有开发工作的结论。

实验把任务随机分到允许或不允许使用工具的条件下。参与者开工前预计会提速，结束后仍认为自己获得了提速。研究却观察到相反方向。主观体验能够说明工具是否顺手，不能独自回答它省了多少时间。两类信息需要分别保留。以下是由实验引出的经营分析。

一个人看到初稿很快成形，容易记住省去的输入；对反复说明背景、检查边界和回头修正的消耗，却未必逐项累计。采购复盘如果只问满意度，就可能把工作体感直接换算成了产能增长。管理者可以让团队同时记录使用感受与实际投入，允许两者出现分歧。

工具让某项工作没那么枯燥，也是一种可能的收益，但应单列观察。体验改善不必伪装成节省工时。把不同价值说清楚，后面的人员安排和交付承诺才有依据。否则，计划表可能提前承诺那些尚未真正释放出来的时间。

熟悉一个成熟项目的人，往往知道某个看似奇怪的写法曾经解决过什么兼容问题，也知道哪些模块不能随意一起改。这些经验未必完整写在文档里。

当他把任务交给工具时，还要决定补充多少项目背景，以及哪些约束值得明确说明。这部分准备也占用人的注意力，不能因为没有新增代码而被忽略。这里不能简单认定老手用工具都会变慢。

更合理的推论是，人工基线会随熟悉度变化：对新人而言困难的定位，维护者可能很快完成。工具应当和这个人的实际做法比较。拿陌生人的手工耗时替代资深员工的基线，会把收益算得过于乐观。

企业试用时可以区分熟悉模块与陌生模块、明确修改与探索性任务，再观察额外解释成本。相同工具在不同格子里出现不同结果很正常。把任务拆开看，才能找到可重复的优势。这也能避免一次顺利演示就推导出全体团队的提速比例。

设想一个维护已有接口的场景：补丁已经生成，单元测试也能运行，但工程师仍要检查历史调用方是否依赖旧行为。这是编辑构造的说明场景。对于这样的任务，完成条件应在开始时确定，至少包括必要验证和可以交给下一位评审者的材料。

记录可以很轻：理解问题、形成修改、验证修正，各自留下大致投入及返工原因。无需给每个键盘动作计费，更不宜把个人计时变成排名。测量的对象是工作方式，目的在于找到多出来的消耗。这样才容易得到真实的失败样本。多人参与时还要看评审端有没有增加负担。

提交者提前结束，评审者多读一轮，团队总成本可能没有下降。一项收益要沿着交付链核对。若最终改动更完整，也可以记录质量变化，但不能在没有同等质量比较时只宣称速度更快。交付之后发现的缺陷也可回看，观察是否出现延期暴露的修正工作。

METR在2026年二月的后续说明中表示，新实验受到明显的选择问题影响：一些开发者不愿接受不用工具的安排，部分任务因此也没有进入样本。研究者认为提速可能已经增加，但强调现有数据不足以可靠估计幅度。[2]样本变化会影响数字的解释。

这份后续说明既不支持把早期的慢百分之十九永久贴在工具上，也不足以用一个新百分比概括当前生产率。研究的时间、对象和测量方式，需要跟结果一起读。模型升级、工作习惯变化和任务选择，都可能改变比较条件。

企业也会遇到类似情况：熟练使用者把适合自动处理的任务做得更多，却只把难题留给复盘。若没有记录任务结构，前后月份就难以直接比较。判断变化时应同时查看做了什么、谁在做，以及是否仍使用同一种完成标准。连续比较需要保留这些变化的说明，否则趋势线容易失去意义。

这项任务，额外花在哪里？

实施上可选一组风险可控、边界相近的真实任务，提前约定记录方式。按人员和任务类型分层，在可行条件下安排随机分配；必须使用工具的工作另行观察。比较需要承认哪些任务没有进入样本。不能为了报喜只挑容易生成的部分。

试用结束，把总投入、返工和可用交付放在同一页，标出少量异常任务的原因。样本不足时只报告观察结果，不急着给全公司套一个提升系数。工具等待期间去做了其他工作，也应单独说明，避免把经过时间与人的投入混在一起。对中途放弃的任务，也要记录原因及已经投入的时间。

下一轮围绕具体摩擦改动，例如补充项目说明、缩小请求范围或让工具处理陌生部分，再按相同口径复测。复测要能解释改进来自哪里。使用率适合帮助理解覆盖情况，无法单独证明收益，更不应成为所有岗位必须达成的工作目标。

经营层最终要决定的是在哪些工作上继续投入、怎样配置人力，以及可以给客户怎样的交付预期。一张按任务类型展开的结果表，通常比一个全公司平均提速数字更有用。它允许团队保留有效做法，也允许暂时撤回不合适的安排。

团队由此可以按证据讨论分工，减少凭个人印象争论工具好坏。对已经很顺手的老任务，额外说明和复核可能需要精简；对过去没有能力尝试的新任务，则应另外评价新增价值。时间节省与能力扩展值得分开计量。两者都可能重要，但混成一笔账，会让组织难以判断下一次该投在哪里。

这场旧实验留下的长期问题，是我们愿不愿意检查看起来显而易见的进步。企业可以欢迎工具，也可以认真对待不理想的结果。保留重新测量的习惯，才有机会在技术和工作共同变化时，让效率判断始终贴近自己的真实现场。

编辑：丁帆

审核：董晓龙

本文章由烁域科技原创出品，版权归属烁域科技所有。部分图片为原创配图资产，如有版权问题，请联系公众号客服。