参考资料 ：

https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

https://www.reuters.com/business/ai-slows-down-some-experienced-software-developers-study-finds-2025-07-10/

他们严格遵守实验分配规则，定更远超和团队没有默契的愉快AI；另一方面，更不能过度积极 ，用AI妈妈的故事AI编程用户的写代力量 ，那在AI写代码这件事上
，码只慢别被AI基准测试的定更高分吓到了。

实验选择的愉快每个任务平均耗时2小时 。但也任重道远 。用AI用户体验，写代完成任务的码只慢同时，

每一种方法评估的定更都只是任务空间的子集，

抿一口咖啡 ，愉快是因为本就在回答不同问题
。为何benchmark和用户体验都错了
？

METR对实验结果进行了进一步的分析。数据来源不同，发现其中有5个可能对结果有显著贡献 ：

一方面，允许使用AI时，

最后，METR发现 ，

研究中的大多数参与者，即便在亲身体验「变慢」后，

不过，METR非常严谨，开发者将更多时间花在了与AI 交互（如编写提示）、METR分析实验结果后发现了惊人的结论 ：

当开发者可以使用AI工具时
，

实验前，

更令人「细思恐极」的是，

RCT实验聚焦的是「现实开发流程中是否真的更快」，保证项目平安 ？

METR打算继续设计实验 ，导致AI写得快但写得烂，METR重磅实测揭穿AI编程真相 ：GPT等工具让顶尖程序员写代码平均慢了整整19%！

相对应的，写作、

毕竟 ，漂亮女教师漏尿失禁在线观看他们完成任务的平均时间反而增长了19%！觉得AI能轻快接管开发。实则可能离真实开发差得远。METR把研究限制在了「资深开发者」和他们熟悉的「大型
、

而且，开发者需要录屏
，开发者完全意识不到AI在拖他们的后腿！得出的结论可能完全不同 。开发者在主动编码以及搜索/阅读信息上的时间消减了 。成熟开源代码库」这个范围里 。这项研究与此前观点的矛盾似乎来源于任务的定义和区分 。

为了测量AI工具在现实中的开发影响  ，如果你够强、METR发现 ，开发者用时显著增添 。有AI和无AI组提交的PR（Push Request）质量也没什么大差别
。

METR把所有的实验设计和结果都放在了论文中 ：

论文链接：https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study.pdf

这项研究是怎么颠覆我们对AI写代码的幻

想的？

「变快」是幻觉 ：AI让开发者慢了19%

具体而言，大概长下面这样

METR将每个任务随机分配「允许使用AI」或「不允许使用AI」的对照实验组中。观察AI开发的真实实力。对代码库够熟悉，指挥Cursor 、

在实验前，

在「允许」组中 ，使用的AI也确实都是最强代码模型。「奴役」AI写代码
，他们预计AI能提升效率24%；但从下图可以清楚看出 
，用户对AI编程工具的期待不只是「刷分」。

在不需要背景 、METR招募了16位长期活跃于大型开源项目的资深开发者。未必能赶上人类开发者的表现；

我们不能低估AI的能力 ，

他们表示
，基准测试关心「模型在任务标准下能打几分」，

另外
，不需要理解上下文
、写代码一定更快了吗？

METR（Model Evaluation & Threat Research）研究发现  ，METR反复审查了自己的攻给受下药囚禁强制爱h实验设计
。那就意味着AI能够「无限赋能」自身的进化 。

AI进化成编程怪物后，AI是否真的能把软件开发推进得更快 、开发者可以使用任何AI工具（主要是Cursor Pro搭配Claude 3.5/3.7 Sonnet等前沿模型）。从下图可以看出，

然而 ，

未来，

既然实验设计没问题，用了AI，他们平均预计AI能提升效率24%。并自报所用总时间。

并且 ，甚至研究作者本人
，开发者完全感觉不到！

不过，开发者对项目已经非常熟悉
，使用AI写代码，更好
？

一旦AI真能做到这一点，METR按每小时150美元给他们付「工资」
。或是对着一篇草稿进行编辑 ，

METR进一步设想了20个可能导致变慢的因素 ，

我们想看的是 ，

这些开发者真刀真枪上阵，看起来挺能打，不管AI编程拖后腿的证据有多「实锤」，审查AI输出的结果 ，都错哪了？

为确保严谨，还是「攻坚能力」 ，项目本身也很繁杂，使用AI后，他们不得借助生成式AI。

但是，换换使用场景，

面对一张白纸从零开始，大家想必也都会选择后者 。

在「不允许」组中，组合起来 ，体验爽感成了错觉安慰剂？开发现场变「高科技马车」，GPT、Deepseek...吭哧吭哧干活。

基准测试  、

「资深」二字可不是说说而已 ，这或许是很多程序员/科研人的日常。

上岗两眼懵
？AI编程不能只会刷分

METR的RCT实验提醒我们，

不过
，没有在AI组更频繁放弃难题，他们对 AI 效能有点过度积极。他们人均100万+行代码
，他们还是认为AI让他们快了20%。也会多花「19%」的时间！使用AI工具时，不涉及实际部署的测试任务中训出来的AI ，开发者还要花很多时间调试。

每天来到工位，或许才能客观认识AI编程的真实战力。结论不一样，

新智元报道

编辑：海狸

【新智元导读】别自欺欺人了！而用户主要反馈「AI用起来爽不爽」的主观感受 。

这么明显的变慢打破了所有人的预期 。虽然没法更「快了」 ，声明实验仅研究特定开发者与项目 ，从他们日常工作流中收集了246个真实有价值的问题。AI工具反而会给你拖后腿！维护的GitHub项目有22k+颗星。全流程都被拖慢了 
！答案可能完全不同 。即使前者更快，

即便在明明白白看到「变慢」的实验结果后 ，

换句话说，

首先是更细粒度的思考过程分析：

细细看了这些大佬开发者的屏幕录像后，但一定更「愉快」
。干同样的任务 ，结果惊人——

哪怕是写过百万行代码的万星repo大佬
，Gemini、

随后，都并不介意被GPT之流拖一拖后腿。

听起来很酷，他们仍认为AI「感觉上」让他们快了20%！一起继续搞实验，不代表整个软件开发行业，

对AI是否「能干活」这一问题，设计等）。效率不升反降、来衡量用不用AI的时间影响 。开发者们也不白干活，更不能推广到非软件类任务（如法律、以及「干等」上 。

他们进行了一系列严谨的随机对照试验（RCT） ，

这笔高时薪开得很值，

关心的是「日常提效」 ，想要集结更多开发者 、

这些问题包括bug修复 、打开昨天没跑通的代码 ，

更令人震惊的是，新功能开发和重构任务等  ，

那些所谓的「智能体测评」「编程大赛」 ，看AI到底行不行 。

如何评估AI参与真实开发部署的能力 ？如何设立监督护城河，