AI编程加速？高管们的算盘打错了

显然由AI生成

两个东西，一个词

“编码”这个词，藏着两个不同的对象，而那个在高管间流传的论断把它们混为一谈。

一个是编码-活动：写源代码的工作，把意图翻译成机器能执行的语法。另一个是编码-阶段：在软件开发中，团队从初始理解出发，产出可用软件的那段时期。

这两个不是同义词。活动是键盘前发生的事，阶段是活动所处的整个时间跨度。阶段包含了活动，还包含了大量其他东西。

阶段里还有什么？正是本文要说的关键。在任何一个正经的软件开发里，阶段就是用来解决上游未解之谜的。需求在实现时才发现模糊不清，架构选择写到代码里才暴露后果，集成问题规格书永远预料不到，性能特征从实现中浮现而非设计，用户交互形状直到有东西可摆出来才明朗。

这些工作的名字，在软件开发的底层思考中叫“不确定性消解”，而活动只是它可见的表皮。阶段就是为了消解不确定性而存在的。活动把消解结果渲染成机器能执行的形式，但消解本身才是真正的工作，活动只是让消解变得可读。

阶段越长，消解的活儿就越多。上游越含糊，阶段就越累。这就是为什么同一批工程师、同一个代码库，只因为阶段开始时的输入不同，耗时会天差地别。活动本身的机制大致恒定，阶段却因为要消解的东西差异巨大而波动。

这个区分，正是那个高管论断所抹杀的。它把阶段的成本和时间，当成主要是由活动决定的。在正经的商业软件里，早就不这样了。活动是高管能看到的东西——工程师在干活——但真正的工作，即消解，从高管视角看是隐形的。看起来昂贵的活动，其实是一个廉价活动坐在一个昂贵的阶段里。阶段昂贵的原因，活动根本反映不出来。

增益有多大

一旦区分清楚，论断的结构就明了了。

AI编程工具加速活动。这是真的，值得大方承认。工程师以前要打字或复制粘贴的代码，现在由工具生成。活动速度上去了，有时候还快很多。这是生产力论断的基础，单看活动层面，基础是扎实的。

论断接着声称：这种加速会转化为同等幅度的阶段缩短。如果活动是阶段昂贵的来源，那么加速活动就能缩阶段。高管们心里算的账大致是：工程师的时间花在写代码上，AI让写代码更快，所以工程总时间按比例缩短。

但这笔账第一步就算错了。工程师的时间并非花在“写代码”这个论断所要求的意义上。他们花在阶段上，活动只是阶段中的一个组件。阶段包含活动，但也包含消解工作、集成工作、审查和质量工作、理解要建什么的工作、和产品经理沟通以对齐理解的工作。活动只是阶段的一部分。在正经工作中，它很少是最大的一部分。

这对生产力论断意味着：加速活动能得到的增益，上限就是活动在阶段中的占比。假设活动在某个情境中占了阶段的三分之一，那么把它加速到几乎零，最多能让阶段缩短三分之一。剩下的三分之二——消解工作——目前AI形式下基本不受影响。高管的期望没被这个算术框住——他们当活动占了大部分阶段，所以预期的增益也按这个错误的比例来算。

论断中还有一步依赖高管的说辞，得挑明，因为人头逻辑就在这里。期望不仅仅是阶段缩短，而是节省出来的工程时间能直接移除——即裁人。这要求省出来的都是活动时间，且只移除活动时间而不影响阶段其他部分。但并不是这样。写代码的工程师同时也做消解、集成、审查、和产品沟通、诊断问题、在心里装下整个系统。工程能力是分配给整个阶段的，不是分配给阶段里的活动。键盘前省下来的小时，属于那些还干着很多其他事的工程师；拿掉这些人，拿掉的不只是他们的键盘时间。活动层面的算术在能力层面失效了——能力是阶段层面的资源，裁员却是基于活动层面的增益。

怎么感受这个错位？想想看，要让高管的论断成立，需要哪些条件。活动必须是阶段的主要组成部分；消解工作要么微不足道要么已经在上游搞定；工程师必须专精于活动本身，这样按活动增益等比裁人才只会移除活动时间。这些条件，没有一个符合过去几十年正经软件开发的实际情况。真干活的工程师对自己时间怎么分配有相当清楚的认识，而那个分配比例和高管论断需要的样子差之千里。

阶段层面的增益是真实的，但相对于账面上记的而言很小。把这种增益转化为能力缩减就更小了，算上阶段其他部分，甚至可能是负数。

消解工作还在产出什么

活动vs阶段的区分，还有一层更深的作用，值得挖出来，因为它在算术之外给论证加了另一块砝码。

消解工作不只是在产生消解后的理解。它作为副作用，还产出了团队对自己系统的理解能力。写代码、打通集成、调试意外交互、和持有上下文的同事协商含糊需求，这些动作不仅产出了一个工件，还在那些之后要维护和扩展这个工件的人脑中内化了一套知识。系统既存在于代码库，也同等存在于团队脑子里。两者都是阶段的产出。

高管的论断看不见这第二项产出，因为它假设的生产力模型只数了第一个。代码是能交付、能度量、能体现在速度指标和吞吐量看板上的东西。理解对这些工具不可见。它只在后续间接显现——团队需要改系统时效率高不高，出问题时诊断快不快，做迭代决策时上一版实际行为的理解深不深。

当AI加速活动而不产生理解时，团队接受了它们没有以较慢方式写过的代码。他们提示、评估、接受。较慢写作过程中作为副作用产出的理解减少了。工件交付了，但内化知识没有以同样方式积累。这个代价不在当时支付，而是在日后支付——当团队修改一个系统，而他们对当前状态的理解不如自己构建时那样好。活干了，但团队不是干活的团队；下一轮工作从不同于高管模型假设的起点开始。

这和之前一篇文章在规格层面说的动态一样：生成代码库中嵌入的假设，往往在下一个迭代继承时才暴露。这里，点是结构性的，不是方法论的。阶段产出两样东西，高管模型只数了一样。加速活动对未计数项的削减，比对已计数项的削减更厉害。

能知道什么，不能知道什么

还有一组效应值得拎出来，因为高管的算术需要建立在对这些效应的信心上，而现实还不支持这种信心。

活动加速不是孤立发生的。围绕它，其他变量也在动。当加速导致每工程师小时产出更多代码，数量会在同一阶段里产生下游负载：更多代码要审查、质量检查、集成、交互界面增多。阶段里包含的下游活动不会和生成同步加速。即使数量不变，AI生成的代码也带有一种人类代码不曾有的审查负担。人类写一行时，写本身就是评估：作者在读自己写的行，对照自己对系统的理解。AI生成一行时，这两个动作分开了。生成由工具完成，审查由没写这行代码的人类事后执行。原来隐含在写里面的工作，变成了一项之前不存在的新显性活动。

还有一个结构性观察：AI生成的代码是概率性的，依赖于当前会话中工具能接触到的上下文，缺乏人类工程师日复一日积累的关于系统的隐性知识。这意味着AI代码在适应周边系统时处于不同位置。这不是对AI的道德判断，而是对两种生产者各自在那一刻能知道什么的观察。人类脑子里装着系统，连带盲点和困惑。AI拥有上下文窗口，加上提示和检索放进来的东西。这是两种不同的认识论位置，它们产生的代码之后需要不同种类的关注。

同时，AI也在帮助生成之后的工作。它辅助审查、测试、文档、代码搜索、诊断。每一样都是真的，AI对阶段的影响全景必须诚实地包括它们。当前分析的目的不是把这些效应抵消净算。目的是指出：两边变量都在活跃，它们相互影响的方式依赖于上下文、团队行为、工具成熟度、工作类型。更多尚未可见的变量几乎肯定会在实践中浮现，它们个体和系统的效应无法提前刻画。

这对高管算术的结论是：所有这些变量对阶段长度和工程能力的净效果，目前无法以决策所需的信心预测。实践太新，工具变化太快，团队使用方式过于多样。诚实的立场是：净效果未知，可能需要几年跨多个场景的积累才能出现可靠图景。可能净效果显著向好。也可能在考虑了生成和再生成的token成本、以及没有变快的人类评估工作后，净效果接近中性。在某些配置下，甚至可能是负的。可能结果的范围很宽，而当前状况还没有时间让这个范围收敛。

决策已然在下。大数字在计算。能力在被缩减。数字是规划流程要求的。它们被提供了。它们最终会不会站得住脚是另一个问题——规划流程回答不了，因为它在答案出来之前就承诺了数字。

“生产力”在填补什么

高管的论断里有一个复杂之处，值得简单处理，虽然全面讨论属于另一篇文章。

论断中的“生产力”这个词，干着它不配干的活。不同角色往这个词里塞不同内容。CFO塞入人均收入，CTO塞入每季度发布的功能，中层经理塞入每次冲刺完成的工作项，董事会塞入利润率提升。每种塞入在角色内部是自洽的，但没有一种和其他一样。

论断能活下来，因为它依赖的假设在所有填充里都一样。无论说话者心里想的是哪个输出变量，他们期望的增益都依赖活动加速转化为阶段缩短和能力缩减。如果阶段大幅缩短且能力能减少而不影响吞吐，那么CFO的人均收入、CTO的功能数、经理的工作项都会上升。如果两个条件中有一个不成立，它们就都上升不了。

生产力到底是什么，它的形状如何随“什么算作输出”和“什么反变量支配优化”而变化，是一个值得单独探讨的大问题。在这里先标记出来，让读者看到它运作，以后再说。对于当前论证，相关的观察是：论断在面对质疑时能保持韧性，部分原因是这个词的灵活性。它无法被钉在一个可证伪的预测上，因为说话者总能重新表述讨论中的生产力来适应任何到来的证据。但底层的假设，本文一直在检查的那个，不论表述如何都一样。

正在做出的决策

分析的目的不是说AI什么都没做。AI加速了编码-活动，加速是真实的。关键在于，高管的立场依赖三个条件同时成立：活动是阶段的主要部分；节省出的活动时间能从团队里减掉（人头）；所有AI相关变量对阶段长度和能力的净效果显著为正，且可预测到足以支撑长期承诺。分析已经表明：第一点不成立，第二点就算第一点成立也不成立，第三点目前以决策所需的信心完全不可知。

正在做出的决策没有反映任何这一点。人力规划基于假设活动是阶段主要组成部分的生产力增益。财务预测基于要求增益按市场故事暗示的规模实现的利润率提升。裁员基于将论断的无界版本作为起点的能力假设。决策是长期的——能力一旦移除不会快速恢复，技能一旦流失不会快速重建。增益，即使到来，也会以分析允许的规模到来——受限于活动在阶段中的占比，再受限于其中有多少转化为能力而非下游负载，再受限于一个无人能当前描述的更广泛的净效果。

在大多数组织里，发现增益没有按预期规模到来，将在决策执行之后。市场故事不会快速调整，因为故事不是由证据构成的，而是由产生并持续支撑它的期望链构成的。把论断带到高管桌上的压力不会在增益低于预期时缓解；它会加剧，因为未满足的期望现在需要别的手段来满足，而最容易的手段就是重复已经做过的。

本文试图让你看到的是：什么被假设了，以及假设在哪里失败。假设是：活动加速通过一连串未经验证的步骤转化为市场期望的利润率提升。失败在于：这链子有多个薄弱环节，每一个都无法从决策做出时的位置来检验，而且其中几个目前超出了任何人的认知范围。

论断正在传播。决策正在做出。它们的基础比幻灯片上的数字所显示的更脆弱。跟着分析走过来的读者已经看见了重量。怎么使用这个视野，是你们的事。