一项由哈佛大学开展、基于Jellyfish分析平台数据的研究对718家企业进行了调查，结果显示AI编程助手和智能体虽然提升了代码产出量，但并未带来已完成工作量的相应增长。
研究指出，这一现象部分源于AI生成代码在开发下游环节造成的瓶颈。具体而言，AI生成的代码增加了后期开发阶段的工作负担，代码审查环节受到的影响尤为明显。这意味着开发者使用AI工具节省的时间，可能被后续审查与修正AI产出所消耗的精力所抵消。
该研究覆盖718家企业的数据，是目前针对AI编程工具实际生产力影响规模较大的实证分析之一。近年来，GitHub Copilot、Cursor等AI编程助手以及各类编程智能体快速普及，企业普遍将其视为提升研发效率的关键工具。然而此次研究结果表明，代码生成速度的提升并不等同于端到端交付效率的改善，开发流程中的审查、测试与集成环节可能成为新的制约因素。
对于企业服务与开发者工具市场而言，这一发现具有直接参考意义。当前多数AI编程产品的价值主张集中于代码生成速度与补全准确率，但研究提示，衡量此类工具的投资回报需要关注完整开发链路的生产力变化，而非单一环节的产出指标。代码审查工具、自动化测试平台以及AI生成代码的质量治理方案，可能成为企业弥补下游瓶颈的补充投入方向。
随着AI编程工具在企业研发体系中的渗透率持续上升，如何将代码生成能力转化为可交付成果，仍是工具厂商与企业技术团队需要共同解决的问题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
