周会上，研发负责人把两块屏并排放。左边是代码提交量，曲线几乎竖起来；右边是已交付需求，斜率没怎么变。他看了一会儿，问：那我们到底快在哪？
这不是错觉。Chen 和 Stratton 在 11 月 6 日的论文里，基于 655 家企业的数据估算：采用 AI 编程智能体 12 个月后，新增代码行数增幅约 44%，完成工单数约 14%。知乎
软件交付不是一段，是一串：确认需求、对齐口径、写代码、评审、联调、验收、上线。AI 加速的主要是中间那段。一个需求十天，编码三天；编码快一倍，总时间也只从十天变八天半。剩下七天，一天没少。
更麻烦的是，省下来的时间不会消失。研究里还有个细节：采用智能体后，代码等待评审的时间、进入评审后的处理时间，都增加了。 上游送得更快，评审还是那几个人；队列变长，半成品变多。知乎
不只代码。写方案、做纪要、整理数据，生成都变快了；但方案要人拍板，数据要财务确认，跨部门还要来回对齐。等待、确认、返工，一样没少。
麦肯锡 2026 年 8 月问了 97 个国家的 1719 位受访者：80% 的人说 AI 让自己更高效，但只有 6% 的公司从 AI 里拿到了显著的利润贡献。 个人效率是真的，组织回报是另一回事。知乎
同一份报告里，89% 的组织已经在至少一个业务职能中常态化使用 AI，实现企业级规模化部署的只有 44%。 用的人多，不等于用出了结果。TinTinLand
把镜头拉近到岗位，画面更复杂：大多数人确实觉得生产力提高了，也有一部分人觉得被 AI 的输出量压住了。产出变多，不等于事情变少。
一个做实体店的案例：她用 AI 搭了门店管理、引流系统，还做了会员硬件。系统一个接一个上线，复盘时一算，营收几乎没动。她真正的卡点不是没有工具，是获客。
工具做得再顺，也只是把“不解决获客”这件事做得更快。还有个做内容的人算过账：“这个工具一个月能给我创造的商业价值，差不多就是省下 700 块钱”。 可业务要放大十倍，卡的是选品，不是上传速度。知乎
过程指标却很容易变漂亮。有的团队把 AI 员工接进工作台：智能体数量、技能数、自动化流程、周产出，样样都能上墙。看板很满，但没有一栏叫“客户拿到了什么”。
所以，判断 AI 有没有提效，别先问“哪个环节还能再快一点”，先问“这件事从开始到结束，到底慢在哪”。把你提效的那一段从总周期里抠掉，再看总时间有没有变短。
如果没变，省下的功夫只是堆在了你这边：更多待评审的 PR、更多没人看的文档、更多上线后零访问的内部工具。它们不是产出，是库存。
要算账，就换几个口径：返工率有没有下降，等待时间有没有缩短，同样业务量需要多少人，端到端周期有没有变化。生成量、调用次数、员工使用率，都不算交付。
麦肯锡的报告里有个对比：75% 的高绩效企业因为 AI 重新设计了工作流程，其他企业只有 25%。 更常见的顺序是反过来：先改流程，再决定哪里需要 AI。TinTinLand
如果瓶颈在评审，就缩小每次改动，把目的、影响范围、验证结果写清楚，给评审留出真正的时间；如果卡在需求反复，就先把验收条件定下来；如果卡在跨部门，就别再给每个人多发一个 AI 助手，先改那条协作链路。
AI 最容易被看见的价值，是让“做”变便宜。但真正决定结果的，往往是那些不能加速的部分：判断、验收、担责、和人把事对齐。提效不是让每一段都变快，而是让最慢的那一段变短。
