麻省理工學院（MIT）1 項涵蓋逾 100,000 名開發者研究發現，AI 編程工具雖令程式碼產量大幅上升約 180%，但真正部署至生產環境軟件僅增加約 30%。數字背後揭示 1 個關鍵問題：AI 寫得多，不代表企業交付能力同步提升。
投資以 10 億計，換來甚麼？
近年 AI 編程工具吸引大量資金湧入，各大初創公司爭相開發所謂「程式代理」（Coding Agent）。這股熱潮背後，是各類基準測試（Benchmark）亮麗成績——AI 由早期僅能應付部分任務，到短時間內大幅躍進，令不少投資者深信軟件開發已進入全自動化時代。
然而 MIT 研究數據卻為市場熱情降溫。程式碼產量固然大幅上升，但實際可用軟件增幅與之相差甚遠，顯示市場對 AI 編程能力期望存在明顯落差。
測試拿高分，實戰卻是另一回事
AI 工具在基準測試中表現理想，背後有其結構性原因：編譯器（Compiler）能直接判斷程式碼是否通過，測試套件亦可即時反映對錯，令模型可以不斷按指標調校。這種環境天然有利 AI 發揮。
現實企業系統卻截然不同。難點從來不只是「能否寫出可執行程式碼」，更在於判斷 1 項改動是否適合某個文件殘缺、結構複雜既有系統。這類判斷無法靠排行榜分數衡量，往往需要系統在真實負載下長時間運作才能驗證。換言之 AI 擅長處理部分，正是企業開發流程中相對容易一環。
真正價值在於深度整合
業界逐漸意識到，AI 商業價值不在於回答通用問題，而在於能否配合企業專屬數據、內部工作流程及權限架構作出準確判斷。1 個能理解特定公司業務邏輯 AI，實際效益遠高於只懂生成通用程式碼工具。這亦意味數據存取權限與企業系統整合深度，往往比模型本身參數規模更能決定最終成效。
部分 AI 公司已據此調整商業模式，採用「成功才收費」（Pay-for-outcome）機制——即代理程式真正解決問題才計費，而非按使用量收費。這類模式前提是業者須取得足夠系統權限，以核實任務是否切實完成。法律科技界亦出現類似趨勢，部分公司以自身實測結果反向定義合格 AI 輸出，令行業標準愈來愈由市場實踐主導，而非單靠實驗室訓練數據決定。
快寫不快交，壓力轉移至下游
MIT 研究核心啟示在於：AI 編程工具並非讓整條開發流程等比加速，而是把瓶頸從「寫程式」推向「交付」。程式碼生成速度提升後，審查、測試、整合與最終部署等環節壓力隨之倍增。若企業內部流程未能同步跟上，整體效益自然大打折扣。
對投資市場而言，這項研究提出 1 個更務實評估框架：比起關注 AI 工具在基準測試分數，更應審視相關工具能否真正嵌入企業日常運作，並在複雜真實環境中持續交付可用成果。能做到這點公司，才是 AI 編程浪潮中值得長線關注對象。
來源: Forbes
