---
id: "mb-20261012-5e727f"
kind: "deep"
title: "微软四个月万名工程师实测：终端 AI 编程的真实产出与瓶颈"
topic: "微软四个月万名工程师实测：终端 AI 编程的真实产出与瓶颈"
source_type: "generated"
status: "published"
generated_at: "2026-10-12 16:13:04"
frame_type: ["机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# 微软四个月万名工程师实测：终端 AI 编程的真实产出与瓶颈

如果真把终端 AI 扔给几万名工程师用上四个月，到底能省多少事？

AI 厂商在宣传片里，动不动就说效率能翻好几倍、一个人顶一个团队。
微软最近做了一次真正的硬核实测。
他们把自家几万名工程师拉进测试池，在 2026 年初跟踪了整整四个月。
测的不是那种只在旁边补全代码的小插件，是能自己翻项目、改文件、跑测试的命令行智能体。
一边是 Anthropic 的 Claude Code，另一边是微软自己的 Copilot CLI。
这次不搞满意度问卷，也不听工程师自己怎么吹。
三位研究员 Emerson Murphy-Hill、Jenna Butler 和 Alexandra Savelieva 盯紧了后台的硬指标：
最后真正合并进主分支的代码合并请求（PR）。
测出来的数字，两家供应商大概都不会想印在自家的宣传幻灯片上。

整体算下来，用了智能体的工程师，合并的 PR 数量只增加了 24% 左右。
不是翻倍，也不是三倍，就是 24%。
有人可能觉得，在几万人的工程组织里，整体产出提升 24% 已经很了不起了。
但按时间把数据拆开，更有意思。
2 月份刚装上的时候，大家觉得新鲜，热情最高，PR 数量猛增了 29.4%。
到了 3 月和 4 月，热潮一退，数字马上回落到了 20.0%。
新鲜感一过，产出增幅就缩水了将近三分之一。

那是不是大家都不爱用？
也不是。
那些每周用 5 天以上的高频用户，合并的 PR 涨了 50.1%，提升非常直观。
而且两款工具干活的风格完全不同。
Claude Code 每次跑起来，改动的文件数量是 Copilot CLI 的 2.3 倍。
它更喜欢大开大合，一口气跨文件重构。

但最耐人寻味的，是这套工具到底怎么在几万人里传开的。
是管理层发全员邮件强制推行吗？
不是。
是组织了什么全员培训吗？
也不是。
全靠人传人。
研究员拉出内部协同关系网，发现了一个现象：
只要隔壁团队或者同级同事里，有超过四分之一的人在用终端智能体，其他人去试用的概率就会暴涨 216%。
程序员不信领导在全员会上的口号。
但只要看到隔壁工位上的同事几分钟搞定一个复杂任务，立刻就会回去照着装一个。

那试用完之后，谁留下来了？
很多人以为是老员工保守、新员工更愿意拥抱新技术。
数据拉出来一看，工龄、年龄、职级对长期留存率几乎没有任何影响。
刚入职一年的新人，试用概率也就稍微高了 11%，后续留存毫无差别。
决定一个人能不能用满两周的，只有一件事：
他手里的真实代码任务到底多不多。
如果一个人每天都在一线写业务、改代码，智能体在终端里就能实打实替他省时间。
如果他的主要工作是开会、画架构、协调需求，新鲜两天之后就会直接扔在一边。

既然高频用户能提升 50%，为什么整体产出就卡在 24% 这一档，翻不上去？
因为写代码从来只是软件工程里的一部分。
智能体在终端里噼里啪啦改了十几个文件，跑通了单元测试，但代码不能直接推向线上。
接下来呢？
同事得去读代码，得做代码审查，得评估架构风险，得测试会不会跟上下游系统冲突。
AI 把敲代码的机械时间压缩到了极致。
但人类团队互相验证、审查和沟通的吞吐量，存在物理上限。
写代码快了一倍，等同事审查代码的时间还是那么长。

更现实的制约在算力账单上。
终端智能体为了理清上下文，每次都要读一堆工程文件、反复调用大模型试错。
几万人规模的企业用下来，一年的代币消耗账单能冲到几百万美元。
三位研究员在论文里特别提醒了一句：
合并的 PR 变多了，只证明代码产出量增加了。
产出的代码变多，不等于给公司带来的真实业务价值变多。
工程师可能只是顺手把原本一个大任务拆成了好几个小 PR，或者顺手修了一堆以前懒得管的小缺陷。

当工具从演示视频走进几万人的真实工作流，决定上限的从来不是大模型能写多快，是人类团队消化代码的速度究竟有多快。

_Rendered by mubei-terminal._