80%的人说AI提效,只有37%的公司认它带来利润:先分清「这一步快了」和「这件事快了」

源自35位全网作者

08:30

先看一个不太符合体感的实验。METR 找来 16 名资深开发者,在各自的大型开源项目里做 246 个真实任务,一半用 Cursor 加 Claude,一半纯手写,每个任务限时两小时。

开发者事先估计,AI 能让自己快 24%;做完再问,还是觉得快了 20%。秒表一掐,整体慢了 19%。

差的这 40 个百分点,主要不在生成,在验证。AI 几秒给出新代码,人要用成倍的时间读懂、跑测试、发现边界情况、再描述回去改。写的那一步缩了,看的那一步长了。知乎

80%的人说AI提效,只有37%的公司认它带来利润:先分清「这一步快了」和「这件事快了」

这不是程序员独有的账。麦肯锡今年 8 月的全球调研里,80% 的受访者说 AI 提升了自己的生产效率,只有 37% 认可 AI 对公司的营业利润有贡献,比例和一年前差不多。36氪

亚特兰大联储的一份工作论文更直接:90% 的高管说,公司在 AI 上的投入还没变成生产力提升。36氪神译局

个人快、组织没快,原因不神秘。

微软的凯瑟琳·霍根复盘自家落地时写了两句话:往一个坏掉的流程里加智能体,得到的还是坏掉的流程;把某一步单独提速,只会让下一步排起更长的队。

沃尔玛的门店员工大概最有体会。派活、排班、考核都交给 AI 之后,拣货路线绕、安全警报乱弹、班表脱离实际,一线为了赶进度只能走捷径。省下的时间,转头变成收拾错误的时间。

这套剧本,工业时代已经演过一遍。

19 世纪 90 年代,新英格兰的纺织厂把蒸汽机换成更快的电动机,产出却在三十年里几乎没涨。直到 20 世纪 20 年代,工厂按流水线重新设计,每台设备配独立电机,人和机器重新分工,电才真正变成效率。36氪神译局

AI 现在就卡在这一步。我们换了电机,还没改厂房。

日常算账,我们量的都是“这一步”:写稿几分钟、出图几秒、代码生成多快。可交付是一条链:需求、生成、评审、修改、联调、上线。最慢的那一环没动,前面再快,也只是把活堆到下一站。

还有一层:生成变便宜,需求就会变多。领导一句“反正快,再出两版看看”,省下的半小时就没了。改一份方案,AI 十分钟出三版,你花一小时挑、拼、核对,最后用了第一版。活是干完了,那一小时没人看见。

要把账算对,先量整条链。从接活到交付,把等待、评审、返工都算进去,别只掐生成那一下。净收益 = 省下的时间 - 多花的审核和返工时间。算下来是负的,先别怪提示词,换任务。

第二,把 AI 放在最堵的那环。有个小团队最卡的是需求返工:开发写完才发现理解跑偏。他们没有继续催代码,而是让 AI 按测试用例的思路先挑需求里的歧义,开发和测试过一遍再开工。返工少了,整条链才快。知乎

第三,重复、边界清楚的活优先交出去。比如把散在各处的日报汇总成月报,规则固定,AI 能从整理跑到成稿,人只看结果。这类任务省下的是实打实的时间。

80%的人说AI提效,只有37%的公司认它带来利润:先分清「这一步快了」和「这件事快了」

但关键产出要留一个慢的检查点。核心代码、对外文档、要签字的材料,必须有人完整看一遍。METR 那 16 个人里有 4 个确实变快,共同点是都有 50 小时以上的使用经验;真正拉开差距的,是知道哪些活不该交给 AI。

AI 当然有用。它把重复的整理、初稿、查漏补缺接过去,省下的是心力。但心力不等于工时,单步也不等于交付。

这两笔账分开记,省下来的时间才不会变成更多的版本、更长的队。效率的终点,应该是这件事真的结束了,而不是这一天被塞得更满。

内容由AI生成
0
扫一下,分享更方便,购买更轻松
0评论

当前文章无评论,是时候发表评论了
提示信息

取消
确认
评论举报

最新文章 热门文章