UTD24丨生成式AI如何影响高技能软件开发者

本文基于微软、埃森哲和一家匿名《财富》100强企业的三项随机田野实验，评估 GitHub Copilot 对软件开发者生产率的影响。合并4867名开发者样本后，使用AI编码助手使开发者完成任务数提高26.08%，且低经验、低资历开发者受益更明显。

【研究背景】
生成式AI被认为可能显著改变高技能知识工作，但真实工作场景中的因果证据仍有限。软件开发具有标准化工作流和可观测产出，是检验AI生产率效应的理想场景。

【核心方法/数据源/创新点】
1.研究设计：三项RCT
三家公司在日常业务中随机向部分开发者开放 GitHub Copilot。微软和埃森哲采用处理组—控制组设计，匿名公司采用随机分阶段推广。实验持续2—8个月，随后所有人均获得访问权限。
2.生产率测度：GitHub工作流指标
核心结果变量是 pull requests（PRs），即开发者完成并提交审核的工作单元。辅助指标包括代码提交次数、编译次数和编译成功率。微软样本还可观察代码质量、入职时间与职级。
3.估计方法：IV处理采用差异
由于获得访问权限不等于实际使用，作者使用工具变量估计Copilot采用的局部平均处理效应。结果显示，使用Copilot使每周完成任务数增加26.08%，代码提交增加13.55%，编译次数增加38.38%。
4.异质性：AI更帮助低经验者
低任期、低职级、实验前生产率较低的开发者更可能采纳AI建议，也获得更高产出提升。短任期开发者产出提升约27%—39%，长期任期开发者提升约8%—13%。

【结论/理论拓展】
本文提供了生成式AI提升高技能工作生产率的真实场景因果证据。AI并非只替代低技能劳动，也能增强高技能知识工作；但其收益并不均匀，更多表现为缩小经验差距。作者同时提示，质量效应仍不确定，未来需要进一步研究AI对代码质量、长期学习和组织协作的影响。

【文献来源】
Cui K Z, Demirer M, Jaffe S, et al. The effects of generative AI on high-skilled work: Evidence from three field experiments with software developers[J]. Management Science, 2026.

#文献阅读 #大语言模型 #生成式ai #ai科研