Studie visar att AI-kodningsagenter ökar kodproduktionen men inte den totala mjukvaruproduktiviteten

Bild: Ars Technica · Källa

Forskning visar att AI-assistenter för kodning genererar mer kod men orsakar längre mänskliga granskningar, vilket begränsar vinster i mjukvaruleverans och anställningsförändringar.

Moderna AI-assistenter och agenter för kodning har visat sig skickliga på att snabbt generera stora volymer funktionell kod, men en ny studie indikerar att denna ökade kodproduktion inte direkt leder till högre total mjukvaruproduktion. Forskare vid Harvard University, Fiona Chen och James Stratton, analyserade omfattande data från över 700 mjukvaruutvecklingsföretag med mer än 700 000 anställda för att förstå hur AI-kodningsverktyg påverkar mjukvaruutvecklingsarbetsflöden mellan 2021 och början av 2026.

Genom att använda data från Jellyfish, en plattform som spårar detaljerade aktiviteter i ingenjörsteam, observerade forskarna att efter att företag infört AI-kodningsagenter – autonoma system som skriver och skickar kod baserat på uppmaningar – ökade antalet producerade kodrader med 30 procent, samtidigt som commits ökade med 20 procent och pull requests med 23 procent. Trots denna ökning förblev mått på mjukvaruutdata, såsom lösning av problem och funktioner, statistiskt oförändrade.

Studien tillskriver denna diskrepans en betydande flaskhals i den mänskliga kodgranskningsfasen. Efter AI-antagande ökade tiden från inlämning av pull request till sammanslagning med 49 procent. Dessutom nästan fördubblades önskemål om ändringar och kommentarer per pull request ökade med 35 procent, vilket tyder på en mer intensiv granskning av AI-genererad kod. Denna ökade granskningsinsats ledde till en 14-procentig ökning av personal involverade i kodgranskningar, utan observerbara förändringar i den totala anställningsnivån.

Medan AI-verktyg också har börjat användas för att assistera vid kodgranskning är deras påverkan begränsad; i mars 2026 bidrog AI-agenter till ungefär en fjärdedel av granskningskommentarerna och en ännu mindre andel av pull requests. Mänskliga granskare fortsätter att bära den största delen av valideringsansvaret.

Dessa resultat belyser en aktuell avvägning: AI-kodningsagenter påskyndar kodskapande men kräver avsevärt mer mänsklig granskningstid, vilket upphäver förväntade produktivitetsvinster. Eftersom AI-kodningsanvändning är relativt ny och under utveckling kan ytterligare förbättringar i integrationsstrategier optimera denna balans. Men för närvarande måste företag överväga om investeringar i AI-kodningsverktyg motiverar den ökade granskningsbelastning de innebär.