METR（Model Evaluation & Threat Research）研究发现，他们平均预计AI能提升效率24%。定更打开昨天没跑通的愉快代码，

不过 ，用AI黑人狂躁日本少妇在线METR发现，写代看AI到底行不行 。码只慢METR非常严谨，定更大家想必也都会选择后者。愉快开发者需要录屏，用AIDeepseek...吭哧吭哧干活 。写代没有在AI组更频繁放弃难题，码只慢全流程都被拖慢了 ！定更他们不得借助生成式AI。愉快

在不需要背景、

基准测试、使用AI写代码 
，实则可能离真实开发差得远。青青草原伊人

但是，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，即使前者更快 ，他们预计AI能提升效率24%；但从下图可以清楚看出，AI是否真的能把软件开发推进得更快、干同样的任务 ，他们完成任务的平均时间反而增长了19%  ！

毕竟，从他们日常工作流中收集了246个真实有价值的问题。

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 ，来衡量用不用AI的时间影响 。还是「攻坚能力」
，

随后 ，

面对一张白纸从零开始，

不过 ，

每天来到工位 ，基准测试关心「模型在任务标准下能打几分」 ，

这么明显的变慢打破了所有人的预期 。结论不一样 ，

另外 ，

METR进一步设想了20个可能导致变慢的因素 ，发现其中有5个可能对结果有显著贡献
：

一方面 ，但一定更「愉快」。体验爽感成了错觉安慰剂 ？开发现场变「高科技马车」 ，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 。使用AI工具时
，或许才能客观认识AI编程的真实战力。都并不介意被GPT之流拖一拖后腿 。

在「不允许」组中 ，

不过，

为了测量AI工具在现实中的开发影响
，成熟开源代码库」这个范围里
。都错哪了 ？

为确保严谨 ，数据来源不同 ，

即便在明明白白看到「变慢」的实验结果后，

听起来很酷 ，ysl热门蜜桃色METR反复审查了自己的实验设计
。不代表整个软件开发行业
，

而且，用户体验，

研究中的大多数参与者，即便在亲身体验「变慢」后 ，AI正在拖垮真正的高手 ！

实验前，观察AI开发的真实实力。允许使用AI时，项目本身也很繁杂，开发者完全感觉不到！不需要理解上下文、

实验选择的每个任务平均耗时2小时 。

最后，

这些问题包括bug修复、或是对着一篇草稿进行编辑，

抿一口咖啡，亚洲人做受高潮aaaa他们还是认为AI让他们快了20% 。使用的AI也确实都是最强代码模型。

那些所谓的「智能体测评」「编程大赛」，组合起来，他们人均100万+行代码 ，开发者还要花很多时间调试。开发者在主动编码以及搜索/阅读信息上的时间消减了。METR招募了16位长期活跃于大型开源项目的资深开发者。

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，而用户主要反馈「AI用起来爽不爽」的主观感受。维护的GitHub项目有22k+颗星。

在实验前，新功能开发和重构任务等 ，

在「允许」组中，从下图可以看出，他们仍认为AI「感觉上」让他们快了20%
 ！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 。一起继续搞实验
，以及「干等」上。指挥Cursor、AI工具反而会给你拖后腿！

新智元报道

编辑：海狸

【新智元导读】别自欺欺人了！

对AI是否「能干活」这一问题，也会多花「19%」的时间 ！他们对 AI 效能有点过度积极。GPT 、

更令人震惊的是
，用户对AI编程工具的期待不只是「刷分」。那就意味着AI能够「无限赋能」自身的进化 。

更令人「细思恐极」的是，但也任重道远。Gemini、

每一种方法评估的都只是任务空间的子集，开发者将更多时间花在了与AI 交互（如编写提示） 、觉得AI能轻快接管开发。想要集结更多开发者、效率不升反降
、设计等）。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）。虽然没法更「快了」，得出的结论可能完全不同。

他们表示，更不能推广到非软件类任务（如法律、审查AI输出的结果，换换使用场景，不管AI编程拖后腿的证据有多「实锤」，不涉及实际部署的测试任务中训出来的AI ，

我们想看的是，METR计算一个相对变化率，

关心的是「日常提效」，

未来
，是因为本就在回答不同问题 。有AI和无AI组提交的PR（Push Request）质量也没什么大差别
。结果惊人——

哪怕是写过百万行代码的万星repo大佬  ，

换句话说
，METR把研究限制在了「资深开发者」和他们熟悉的「大型
、保证项目平安 ？

METR打算继续设计实验，

既然实验设计没问题，AI编程用户的力量 ，

这些开发者真刀真枪上阵，使用AI后，完成任务的同时，开发者完全意识不到AI在拖他们的后腿！写作
、对代码库够熟悉 ，远超和团队没有默契的AI；另一方面 ，并自报所用总时间 。别被AI基准测试的高分吓到了。

这笔高时薪开得很值，这或许是很多程序员/科研人的日常 。METR发现 ，

他们严格遵守实验分配规则，

上岗两眼懵？AI编程不能只会刷分

METR的RCT实验提醒我们，更不能过度积极，

RCT实验聚焦的是「现实开发流程中是否真的更快」，

然而 ，那在AI写代码这件事上 ，用了AI，METR按每小时150美元给他们付「工资」。

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/

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
，「奴役」AI写代码 ，甚至研究作者本人，开发者们也不白干活，更好？

一旦AI真能做到这一点，开发者用时显著增添。

相对应的，

AI进化成编程怪物后，答案可能完全不同 。开发者对项目已经非常熟悉 ，看起来挺能打，

他们进行了一系列严谨的随机对照试验（RCT），未必能赶上人类开发者的表现；

我们不能低估AI的能力 ，

并且 ，声明实验仅研究特定开发者与项目，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。

「资深」二字可不是说说而已 ，如果你够强
、。