代码多了30%,交付一天没快:AI 卡在哪

10 月 8 日，Google 在 Gemini at Work 2026 上发布统一的企业级 Gemini Agent：一个入口接管跨应用的完整任务，能连 Gmail、Sheets、Jira，还能自动在 Gemini 和 Claude 之间挑模型干活，甚至给「数字同事」配上独立邮箱和日历。发布会当天，一组更冷的数据同时在业内流传：哈佛研究者 Fiona Chen 与 James Stratton 基于协作平台 Jellyfish 的数据完成的一项研究，覆盖超过 700 家软件企业、约 70 万名员工（时间窗 2021 年至 2026 年 3 月），结论是——企业接入 AI 编码代理后，代码产量明显上升，交付结果没有变化，审查环节全面变慢。

两个信号撞在同一天，值得把它拆开看。

按转述口径，接入 AI 编码代理后，企业平均代码行数上升 30%，提交次数上升 20%，Pull Request 数量上升 23%。产出端全线飘红。但在结果端，Jira 上追踪的问题与需求解决数量没有出现统计上显著的变化。中间的审查环节被挤爆：从提交 PR 到合并的平均时长拉长 49%，PR 收到修改请求（change request）的比例接近翻倍，每个 PR 的评论数上升 35%，做代码审查的员工占比上升 14%。

这组数字之所以值得当回事，在于它的底层数据来自平台行为记录，而非问卷。但它也有明确边界：样本来自一家协作平台的客户，以软件团队为主，统计窗口止于 2026 年 3 月；至于不使用 PR 流程的中小团队、以及最近半年模型能力的变化，都覆盖不到。本研究我也没能直接核到论文原文页，以上数字均为多个二手来源相互印证的转述口径，具体回归结果以正式发表版本为准——这是本文最大的不确定处。

三列指标：产量涨、审查慢、交付平

把三个环节的时间轴排出来，模式很清楚：生成（机器，秒级）→ 审查（人，分钟到小时级）→ 交付（组织，天级）。AI 插在第一环，第二环就成了新的瓶颈。这与另一份覆盖 22000 名开发者的行业报告方向一致：PR 审查停留时间大涨、PR 体积变大、缺陷率上升，即便吞吐量也在涨。产出的速度快于验收的速度，差值算不上效率，是在制品——堆在半路上的半成品。

再看 Gemini Agent 发布会的细节，同一件事在企业软件的层面又演了一遍。Google 把重点放在花销上限、管理控制台、独立身份上——分析普遍注意到，这场发布会真正主推的已经不是模型能力，而是「控制面」：谁能批准智能体的动作、预算超了谁叫停、每个任务由哪个模型执行谁说了算。大厂用真金白银投票出来的结论，和研究报告的数据殊途同归：能力已经不稀缺，稀缺的是验收与治理。企业接入 AI 的第一批钱，花在验收环节的工具和流程上，回报曲线大概率好过花在更多生成能力上。

既然瓶颈在验收，第一个接入环节就不该选「出活最快的」，而该选「出错最便宜的」。给候选场景打三个分，各 1～5 分：

评分口径：出错代价以「错了要花多少工时与信任去补救」为尺，5 分是错了重做一遍即可、1 分是错了影响对外承诺或涉税。资料齐备度看该环节的输入是否结构化——纪要有录音、报价有模板，就算齐备。三个分数相乘或相加都可以，本文按求和排序，排序变化一般不影响第一批名单。

四周排期：样本准备、偏差标注、真实业务、数据汇总

第 1 周，由运营负责人圈定评分表前两名的场景，各指定一名执行人，准备 20 份历史真实样本（纪要录音、往来报价单），不做任何新东西，只做回溯测试。第 2 周，执行人把 AI 产出与人工产出对照，逐份标注偏差，形成偏差清单；验收口径为关键信息零遗漏（纪要场景）或金额、条款零差错（比对场景）。第 3 周，在前一周基础上把两个场景转入真实业务，人工复核照旧保留，记录每单复核耗时。第 4 周，负责人汇总三组数：每单平均耗时、人工复核发现的问题数、执行人愿意继续用的主观评分（1～5 分）。验收判断标准：真实业务下每单耗时较纯人工下降 50% 以上、连续 20 单人工复核零拦截，两条同时满足才允许进入下一批场景；任何一条不满足，该场景退回回溯测试。

排期里有两个容易跑偏的地方要提前说。一是第 2 周的偏差清单必须由执行人自己标，不能让 AI 自己检查自己——哈佛研究里那句「收到的修改请求接近翻倍」说明，AI 产出的偏差往往要到人工那道关才暴露，第 2 周就是把这道关前移。二是第 4 周的数据要连同偏差清单一起归档，哪怕验收没过——这批样本就是下个月换一个场景重新打分时最值钱的底稿，扔了等于白跑四周。

适用范围说明：这套排期假设团队规模在 50 人以内、没有专职算法岗；有数据合规要求的场景（人事、薪酬、涉密合同）不在本表内，先过合规再谈效率。

审查端的接入像这座塔，还没爬到顶

研究里还有一个数字我没想明白怎么用：到 2026 年 3 月，样本企业里 80% 已在使用某种形式的 AI 代码审查，但 AI 代理只产出了 23.3% 的审查评论、参与了 10.8% 的 PR。工具普及了，位置却还没就位。审查端的 AI 接入为什么明显慢于生成端——是没人先动手，还是审查这个动作本身更难交给模型？下个月再看数据，我打算先盯这一条。

生成端的管道越来越粗，验收端的管道还是原来的细管