关键词
AI 盛行之下,程序员得到了什么,又正在失去什么

AI 盛行之下,程序员得到了什么,又正在失去什么

本文内容由 AI 辅助生成,已经人工审核和编辑。

过去两年,AI 编程工具完成了一次静默但彻底的“基础设施化”。JetBrains 2026 年的调查覆盖全球 1.5 万名专业开发者,其中约 90% 的人每周至少使用一次 AI 编程 Agent,68% 已经日用。Sonar 的报告则显示,AI 生成或辅助的代码已经占到总代码量的 42%,而 2023 年这个数字还只有 6%。无论个体程序员对 AI 持什么态度,它都已经嵌入了日常工作的底层流程。

但“用得多”不等于“用得好”,更不等于“对程序员好”。Stack Overflow 2025 年的数据呈现出一条耐人寻味的裂痕:84% 的开发者在使用或计划使用 AI 工具,但对 AI 的正面好感度却从过去两年的 70% 以上滑落到了 60%,对 AI 输出准确性的信任从 40% 降到了 29%。普及率在涨,信任度在跌。这个剪刀差,恰恰是理解 AI 对程序员真实影响的关键入口。

好处是真实的,但它有特定的形状

AI 对程序员的帮助,最直观地体现在那些“不值得人做”的事情上。Sonar 的报告指出,AI 在文档生成、代码解释等低复杂度任务中表现最好,88% 的开发者用它做原型开发。LLM 能够快速生成样板代码、修复语法错误、提供即时反馈,帮助开发者减少中断,维持“心流”状态。对于一个需要快速验证想法的场景,或者一个刚接手陌生代码库的新人,这种加速是实打实的。

更有价值的收益出现在学习层面。69% 的开发者过去一年花时间学习了新的编程技术或语言,其中 44% 借助了 AI 工具,比 2024 年的 37% 有明显上升。AI 充当了一个随时在线、不怕被问“蠢问题”的陪练,降低了探索陌生领域的心理门槛。莫纳什大学等团队访谈 22 名开发者后也发现,LLM 能提供心理支持,让开发者“敢于提问,不怕暴露自己的无知”。

还有一个容易被忽视的好处:AI 正在把程序员从“单打独斗”中部分解放出来。当新手可以先借助 LLM 解决基础问题、再向同事求助时,团队的协作干扰减少了,资深工程师的时间可以被释放到更值得他们介入的问题上。DORA 2025 的报告用了一个准确的词来概括 AI 的角色:放大器。它放大的是已有的能力、流程和文化,而不是凭空创造一种新的能力。

坏处是结构性的,而且往往被低估

如果好处是“效率的增量”,坏处就是“债务的存量”。AI 编程最核心的挫败感,Stack Overflow 用一句话精确地捕捉到了:66% 的开发者表示,他们花在修复 AI 生成的“几乎正确但并不完全正确”的代码上的时间,比自己从头写还要多;45% 的人把“处理似是而非的 AI 方案”列为使用 AI 的头号困扰。问题不在于 AI 写不出能跑的代码,而在于它写出的代码看起来对,但边界条件、错误处理和隐含假设往往经不起推敲。调试这种代码需要的认知负荷,有时比直接实现一个功能更高,因为你必须先逆向理解 AI 的“意图”,再判断它在哪里走偏。

安全层面,这种“表面正确”的代价更为隐蔽。佐治亚理工学院的研究追踪了可归因于 AI 生成代码的 CVE 漏洞,截至 2026 年 3 月,Claude Code 贡献了 49 个,GitHub Copilot 15 个;一项更早的研究发现约 48% 的 AI 生成代码片段包含可被标记为不安全的问题。研究人员特别指出,已检测到的 CVE 数量应当被视为“下限值”,真实数字可能是检测到的 5 到 10 倍,因为大量 AI 痕迹在代码进入公共库时已经被清除。AI 模型迭代后写出的代码“能跑得更好”,但并没有“更安全”。对于处理关键业务系统的程序员来说,这不是一个可以靠“多留个心眼”就消解的偏差。

更深层的代价发生在程序员自己身上。莫纳什大学的访谈研究记录了开发者们的坦诚:长期使用 LLM 可能导致懒惰和冷漠,削弱代码理解力与学习动力;新手尤其容易陷入“让 AI 替我思考”的陷阱,导致技能停滞。Martin Fowler 在讨论“氛围编程”时提出了一个更尖锐的观察:快速生成代码的过程剥离了“学习循环”——先构思、再验证、在反复试错中建立理解的那个过程。当一个程序员跳过这个循环直接获得可运行的结果时,他得到的是产品,失去的是在下一个更难的问题面前独立推理的能力。

就业结构的变化则把上述个体风险汇聚成了系统性的张力。严弘在博鳌的发言给出了一个刺眼的例子:原本 10 人完成的 APP 开发,借助 AI,2 人即可实现。Anthropic 技术岗位新增招聘中,初级岗位占比从 2024 年 3 月的 27% 降到了 2025 年 5 月的 9%。与此同时,AI 生成代码的速度已经超过了审查和测试所能跟上的速度:98% 的 Java 开发者用 AI 写代码,但只有 54% 用 AI 做审查和测试。代码在加速堆积,而消化这些代码所需要的判断力、架构能力和系统级理解,恰恰是 AI 最不擅长、也最难替代的部分。卡内基梅隆大学的研究者对此的区分是精准的:“coder”在给定的边界内工作,容易被替代;“software engineer”在模糊中定义边界、判断什么值得做、什么不能做,这个角色反而变得更加关键。

真正的分水岭不在“用不用 AI”,而在“把 AI 放在什么位置”

把好处和坏处并列来看,会发现它们共享同一个根源:AI 是一个高吞吐、低置信度的产出系统。它能以极低的边际成本生成大量代码,但它不承担判断的责任,不感知上下文的重量,不为“这行代码三年后会不会成为灾难”负责。程序员从 AI 那里得到的是速度,需要用自己的判断力去支付的,是验证、审查和纠偏的成本。

DORA 2025 的报告把这一点说得毫不含糊:AI 并不能自动提升软件交付效能,它放大的是组织已有的强弱。一个验证体系成熟、代码审查严格、架构边界清晰的团队,用 AI 会如虎添翼;一个流程松散、测试薄弱、靠“能跑就行”运转的团队,用 AI 只会更快地堆积技术债务。对个体程序员而言,道理是相通的:AI 放大的是你已有的工程素养,而不是替代你缺失的那一部分。

这并不意味着悲观。Stack Overflow 的数据里还有一个值得留意的信号:64% 的开发者仍然不认为 AI 是对工作的威胁,尽管这个比例比前一年略有下降。大多数程序员的本能判断是清醒的——威胁不在于“AI 会写代码”,而在于“只会写代码”这件事本身正在失去稀缺性。当编码的实现成本趋近于零,稀缺的就不再是语法和框架的熟练度,而是定义问题的能力、判断方案优劣的能力、在模糊中做出取舍的能力,以及为决策承担后果的意愿。这些能力没有一个能靠向 AI 提问获得,它们只能在真实的工程摩擦中被训练出来。

AI 给了程序员一件前所未有的工具,但它同时也提出了一道考题:当你不再需要亲手敲下每一行代码的时候,你还能不能理解系统在发生什么,还能不能在 AI 说“完成了”的时候,有底气说“不,这里不对”。能回答这道题的人,不会被 AI 取代;回答不了的人,AI 用得再熟练,也只是在加速自己可被替代的进程。