你大概听过这样的说法：AI 正在让程序员变成“10 倍工程师”。但一份来自 ACM Queue 的研究却先问了另一个问题——程序员的时间，到底有多少在写代码？答案是，不到 14%。

2025 年，微软研究团队追踪了 450 多名工程师后发现，开发者平均每天花在写代码上的时间只有 14%。早前研究里，状态较好的工作日编码占比约 18%，状态差的工作日则跌到 11%。读文档、开会、理解旧系统、调试、测试、配置环境、做设计，才是占据他们日程的大头。

这个数字本身并不新鲜。新鲜的是，生成式 AI 铺天盖地宣传“自动写代码”时，恰好暴露了行业里长期被忽略的一个事实：把写代码速度翻倍，整体效率的提升也到不了 15%。因为写代码从来不是瓶颈。

02 微软团队总结的八大误区

这篇题为 *Eight Myths on Software Engineering and GenAI* 的论文由 Jenna Butler、Brian Houck、Margaret-Anne Storey 等微软与高校研究者共同撰写，逐条拆解了围绕生成式 AI 与软件工程的主流误解。

误区一：开发者大部分时间都在写代码。 如上所述，14% 的数字已经否定了这一点。

误区二：写代码是项目瓶颈。 如果编码只占 15%，即使 AI 把编码速度翻倍，对整体进度的推动也小于 15%。更麻烦的是，快速产出未经验证的代码会把压力转移到下游的代码审查、测试和集成，反而可能拖慢交付。

误区三：AI 生成的代码行数是衡量生产力的好指标。 比尔·盖茨曾把“用代码行数衡量软件生产力”比作“用飞机重量衡量飞行进度”。2014 年的一篇统计研究也指出，代码行数并未通过效度检验，作为指标用途有限。微软 CEO 在 2025 年 4 月提到公司“最多 30% 的代码由 AI 编写”，但这仍不能说明质量、速度或商业价值。

误区四：AI 对所有工程师的帮助都一样。 研究结果并不一致。有研究发现 GitHub Copilot 带来明显提升，也有研究显示开源资深开发者使用 AI 后完成任务的时间反而平均增加了 18%。有经验的开发者在熟悉任务上获益更大，但专业年限与提示词信心反而呈负相关。

误区五：AI 能把普通开发者变成 10 倍开发者。 很多研究基于孤立的小型任务得出“55% 生产力提升”的结论，但真实团队环境复杂得多。开发者之间的表现差异主要来自任务本身，而非恒定个人能力。

误区六：用好 AI 是开发者个人的事。 文章指出，真正改变生产力的是组织层面的系统工程，而不是每个人自己摸索提示词。

误区七：好用的 AI 工具自然会被采用。 Stack Overflow 2025 年调查显示，80% 的开发者用过 AI 工具，但只有 29% 相信其准确性。能力惩罚、伦理担忧、对“去技能化”的恐惧都会拖慢采用。

误区八：有了 GenAI，大企业就能以小团队速度创新。 初创公司依赖公开框架和代码，正是大模型训练数据的主要来源；而企业依赖专有遗留系统，AI 没见过这些代码，还要面对合规、安全、隐私和向后兼容的约束。

03 这对企业和团队意味着什么

研究者认为，当前围绕 AI 写代码的叙事，本质上是在优化一个本来就不够大的工作切片。如果组织真正想提升软件交付效率，重点应该放在：减少会议和上下文切换、改善遗留系统可理解性、把代码审查和测试流程做得更轻更快，以及建立可信的 AI 使用规范。

换言之，AI 可以是杠杆，但它撬动的支点不是键盘，而是整个工程系统的设计。

来源：ACM Queue / *Eight Myths on Software Engineering and GenAI*（2026 年 5 月）