4867 名开发者的随机试验显示，使用 AI 代码补全后，任务完成数平均增加 26.08%；我们的判断是，AI 已把工程师的稀缺能力从“写得快”推向“定义正确、控制风险、证明结果”。
“AI 能写 80% 的代码了，公司为什么还需要你？”这道面试题的重点，不是争论这个比例采用什么口径，而是重新回答：当实现成本快速下降，一个人究竟还应该为团队交付什么？
这是什么
AI 编程正在从生成零散代码，升级为参与完整研发流程的执行系统。Codex、Claude Code、Gemini、GitHub Copilot 等产品已经能够研究代码仓库、拆解任务、修改代码、运行测试、审查变更并诊断故障；国内 DeepSeek、Qwen Code、Kimi Code 也在扩展类似能力。
这里的 Agent（能理解目标并分步骤调用工具执行任务的 AI 系统）正在吞并需求分析、编码、测试和代码审查之间原本由人接力完成的部分。不过，厂商演示和自测成绩不等于生产系统中的可靠交付，自动生成提交也不代表企业已经接受无人审查上线。
行业怎么看
积极的一方认为，AI 扩大了工程师的交付范围。2025 年 DORA 调查中，90% 的受访技术人员使用 AI，超过 80% 认为个人生产力得到提升，59% 认为代码质量改善。相关判断虽然带有主观性，但说明“AI 写的东西基本不能用”已不是行业共识。
我们更认同另一层变化：人的价值不应建立在 AI 暂时写不好代码上。工程师需要把组织里没有写进文档的约束变成明确规则，例如历史接口不能变更、财务流程必须人工签核、敏感数据不能进入第三方模型，并在自动化失败时设置可发现、可恢复的边界。
风险也很清楚。代码生成变快会放大需求模糊、权限失控和验证不足；企业若只按提交量考核，AI 可能制造更多难以维护的代码。行业真正需要的是可追踪的决策记录、测试证据、权限控制和回滚机制，而不是把“自动完成”误当作“可以上线”。
对普通人的影响
对企业 IT：团队会从招聘执行型开发者，转向采购能设计流程、审查结果和承担责任的技术负责人；同时需要建立代码、数据和模型调用权限，审查 AI 参与生成的关键系统。
对个人职场：会写代码仍是基础，但定义业务问题、拆解验收条件和判断技术取舍的价值正在上升。找工作时，展示 AI 工具使用经验之外，更重要的是能说明一次自动化交付如何被验证、失败后如何恢复。
对消费市场：软件交付速度提高后，用户更可能获得更频繁的小功能和更快的服务修复，但也会遇到更新速度超过质量保障的新问题。判断一款 AI 产品是否成熟，不能只看生成效果，还要看错误能否被发现、处理过程能否追溯。