代码成本骤降，交付为何仍贵？深度解析

2026-06-12阅读 0热度 0

其他

Sarah Guo 在《The Untrainable》一文中分享了一个关键数据：MIT Mert Demirer 团队对超过10万名开发者的追踪显示，最新一代编码智能体使代码生成量提升约180%，但最终投入生产环境的代码仅增加约30%。

换言之，AI 显著降低了代码编写的成本与时间，然而从“生成代码”到“可靠交付”之间，仍存在显著的鸿沟。

实际开发体验同样验证了这一现象

模型能力的迭代毫无争议。当前编码智能体远不止代码补全，它们能解析需求、读取项目结构、修改文件、执行测试、诊断错误，甚至独立处理中等规模任务。在个人开发、快速原型、脚手架搭建及重复性重构等场景中，效率提升立竿见影。

但一旦进入企业级代码环境，情况骤然复杂。

企业代码并非算法题或干净Demo仓库。它包含历史债务、隐式约定、组织流程、权限边界、灰度策略、兼容性约束，以及那些无人敢轻易重构的遗留模块。模型能迅速生成“看似正确”的代码，却天然缺乏对十年历史系统中实际影响的理解。

测试通过不等于业务逻辑正确；编译通过不意味可安全上线；PR 合并不代表用户可实际使用。

因此，AI 对软件工程的影响不应被简化为“替代程序员”或“不能替代程序员”两个极端。更准确的判断是：AI 正在快速吞噬那些可描述、可验证、可复现的开发工作；而越是贴近真实业务、复杂系统与最终责任的环节，人类的作用并未消失，反而更集中于定义问题、组织上下文、评估风险与做出取舍。

这是 Sarah Guo 文中值得深思的一点：真正有价值的东西往往不在公开基准测试可量化的范围内。任何能被清晰度量、公开验证的任务，模型都会越来越擅长，成本持续下降。真正的挑战在于“私有正确性”——正确答案存在于特定公司的数据、流程、客户场景、历史决策与组织判断之中。

文中还有个生动比喻：挡在模型面前的门上不仅有锁，还有插销。锁是访问权限——再聪明的模型也需通过安全审查并完成集成才能进入真实系统；插销是责任——模型没有执照，不会在交付物上签字，问题发生后也无法代你面对法律后果。最终，必须有人为结果署名。这揭示出瓶颈已非智能本身，而是信任、准入与担责。

这一判断也凸显了 FDE（前部署工程师）等角色的价值。如果模型本身越来越强，那么连接模型与业务的中间层的重要性只会上升。

并非所有领域都能直接将问题抛给模型并等待完美答案。很多时候，需要有人将混乱的业务现实转化为模型可理解的上下文：清理数据、拆解流程、打通权限与工具、显式化业务规则、建立反馈闭环。模型负责推理与生成，但前提是它能看到正确的信息、使用正确的工具并在正确的边界内行动。

这类工作看似不炫目，却至关重要。它不是单纯的编码或咨询，而是在客户现场、业务系统与 AI 能力之间搭建桥梁。未来许多 AI 应用的壁垒，可能并非“模型稍微强一点”，而是谁能更深入地理解特定行业的真实工作流，谁能将脏数据、遗留系统、人工判断与模型能力整合为稳定可用的产品。

因此，对 AI 编程的看法可以是乐观的，但需基于现实。

它将极大加速开发速度，这几乎是既定事实。它将改变工程师的工作方式，同样毋庸置疑。但它能否立即、完整、低风险地替代企业中的软件工程师？恐怕仍需时日。因为软件交付从来不只是“代码生成”，而是需求、上下文、协作、验证、上线与长期维护的总和。

代码会越来越廉价。但能将代码转化为可靠产品的人、系统与组织能力，短期内依然昂贵。