夜雨聆风今天早上我刷到一条消息，愣了一下：Cursor 正在谈一轮 20 亿美元融资，估值冲到 500 亿美金。同一周，Claude Code 年化收入摸到 25 亿，GitHub Copilot 付费用户 470 万，福布斯百强里 90% 都已经用 AI 写代码。
我不是围观群众。做了十几年企业数字化，现在带着 11 个 AI 员工跑台州依道科技的盘子，自己也天天用 CodeBuddy 和各种 coding agent 搭系统。融资新闻我扫一眼就过去了，今天想聊的，是一个被这些热闹盖住、但每个老板都该盯住的数字。
2026 年初，GitHub 上超过 51% 的提交代码，是 AI 生成或者 AI 辅助的。光看这个，你大概会觉得，机器已经接管了软件开发。
可是同一批数据的后半句才关键：那些被 AI 写出来的代码里，只有 26.9% 真的进了生产环境。中间那三分之一去哪了？被人工审掉、改掉，或者干脆扔掉了。安全公司 Veracode 还补了一刀：AI 生成的代码里，有 45% 带着 OWASP 十大安全漏洞里的某一种。
所以真相不是「AI 写完了」，而是「AI 写完了，然后人花了更多时间，去确认它写的到底对不对」。写和能用之间，始终隔着一个人。
几乎所有工具的卖点都是 10 倍提效。但我查到一份让人清醒的调研。开发者分析平台 DX 取样了 12 万名开发者，结论很硬：AI 编码工具带来的真实生产力增益，中位数是 10%，而且这个数字一年多没动过。
更扎心的是 METR 那个有名的对照实验。16 名资深开源开发者，246 个真实任务，随机分配用不用 AI。结果反着来：用 AI 的人，反而慢了 19%。实验前他们自己预测能快 24%，实验做完，仍然坚信自己快了 20%。感觉和事实，反着跑。原因不复杂：省下来的敲键盘时间，你立刻能看见；多出来的审代码、改代码时间，你很难察觉。一个是账面上的快，一个是暗地里的慢。
为什么 10 倍的说法那么流行？因为卖工具的人测的是单任务。让 AI 写一个函数、补一段测试，确实能快好几倍。可一家公司里，写代码只占工程师百分之十几的工时，剩下的大头是开会、联调、等流水线、处理线上问题。把那百分之十几加快一倍，对整体交付的提升，远没有宣传里那么夸张。DX 的研究里有一句话点透了：更多人以为自己更快，测量却说没有。一个感觉，一个数字，你信哪个？
这背后有个被忽视的底层逻辑。写代码，从来不是软件开发的瓶颈。验证、评审、集成才是。AI 把生成这一段压到了极致，顺手把评审这一段顶成了新的瓶颈。DX 的研究负责人 Laura Tacho 讲得很直白：这个成绩不理想，本质上是个管理问题，不是工具问题。你把更顺滑的工具，塞进一条本来就有缺口的流水线，它不会补洞，只会把更多半成品冲过去。
还有个被忽略的现实：2026 年的团队，早就不用一个工具了。调研里工程师们在 Cursor、Claude Code、Copilot、Qwen Code 之间来回切，一个人平均同时用三个以上。问题跟着来了：这个工具的提示词里写了报错要重试，那个没写；这个模型的账单归市场部，那个归研发。工具越多，护栏越碎，成本越糊。能跑出来的团队，不是工具最多的，是标准最清楚的。
回到我自己的盘子。我手底下 11 个 AI 员工，加上每天在用的自动化脚本、配图生成、公众号定时发布，整套操盘系统几乎全是 coding agent 搭起来的。一个小团队，过去根本养不起的运维、脚本、中台，现在一个 agent 半天就能搓一个出来。
但我越用越清楚一件事：AI coding agent 最好的用途，不是替你写业务代码，是替你写工具。你让 AI 写一个会员代扣的计费函数，它分分钟给你，但你得自己确认那 4 折、5 折、7 折的价差逻辑没算错。你让 AI 写一个自动发布文章的脚本，它也能写，但你得亲手守住那个只发草稿箱、绝不误发正式的开关。
这个开关我印象太深。我们做公众号日更，链路是热点抓取、写文、生图、发布，全让 agent 串起来跑。第一次跑通那天，我盯着那个发布步骤看了十分钟，亲手把它从「直接群发」改成「只进草稿箱」。因为我知道，agent 不会累，也不会怕，它一旦拿到发送权限，半夜也能给你发一条错的东西出去。我见过同行把促销价标错一个零，一个下午退了三万块。这种开关，才是老板真正的价值，agent 永远替你兜不了。
这套思路放到我的 11 个 AI 员工身上也一样。小客管咨询转化，小影管视频，小数管数据，它们写不写代码不重要，重要的是我给每一条都画了边界：能读什么、能发什么、多少钱以内可以自己拍板。AI 越能干活，边界就越要画在前头，而不是出事之后再补。代码也好，AI 员工也好，本质是一回事：你松一寸，它进一丈。
数据也站在这一边。在资深工程师身上，AI 带来的增益大约是初级工程师的 5 倍。不是 AI 偏心，是 AI 放大的，本来就是你已有的判断力。你越懂行，它越像杠杆；你不懂，它就给你一堆看起来对、跑起来炸的东西。
还有一组对比很说明问题：在全新项目上，AI 能带来 40% 到 55% 的提速；在那些年头久、债务重的老系统上，增益几乎归零，甚至变负。我有个台州做模具的客户，核心系统跑了十几年，光字段命名就三套规矩。我试过让 agent 去改他一段报表逻辑，agent 写得飞快，结果把另一张财务表的数据口径带歪了，最后还是他带着我，花两天才把账对平。AI 擅长在干净的地里快跑，不擅长在泥里替你理清乱账。
所以我给正在观望 AI 编程的老板，三条实在建议。
第一，别追 10 倍，追哪一段流程被 AI 压扁了。提效不是均匀发生的，它集中在样板代码、测试、文档这种重复活上，能把这块从一周压到一天半，就够本了。
第二，把 AI 当工具制造机，别当码农。真正划算的，是让 AI 帮你造那些太小不值得雇人、太大你写不动的内部工具，这类工具的回报，远超让 AI 帮你写完一个需求。
第三，先把评审能力补上，再上量。AI 不会减少你要审的代码，只会成倍增加。代码评审、测试覆盖、权限边界，这三道闸不立起来，上得越猛，埋的雷越多。
AI 编程的红利是真的，但它不在那个被吹上天的 10 倍里。它在你重新看清自己的瓶颈之后，把 AI 精准架在那一点上。
我管的从来不是 11 个会写代码的 AI，是 11 个会干活的 AI。而让它们干得动的，不是又一个更聪明的模型，恰恰是我这个还在亲手审每一行代码、守每一个开关的人。
如果这篇文章对你有启发，点击上方蓝字「杨宗主」关注我。
每周持续更新AI操盘实战笔记，不吹不装，只说真话。
