数据显示，AI 助手使软件开发变得更快、更容易，从而促使公司处理更多的软件项目，并雇用更多的开发人员。

现在是时候正式埋葬 AI 意味着我们不需要软件开发人员的想法了。多年来，我们一直听说生成式 AI 和大型语言模型 （LLMs） 正在取代我们的工作。在软件开发中，这应该意味着编写代码的人更少。数据并非如此。GitHub Copilot 等 AI 编码工具并没有将开发人员推到一边，而是激励组织更快地构建更多软件——这是杰文斯悖论的经典案例。在经济学中，杰文斯悖论描述了效率的提高如何导致资源消耗的增加，而不是减少。在这里，该 “资源” 是开发人员的时间和精力。

随着 AI 工具使编码成本更低、更轻松，对代码的需求呈爆炸式增长，对熟练开发人员的需求也呈爆炸式增长。事实上，这是唯一剩下的真正问题：初级开发人员将在 AI 驱动的软件开发中扮演什么角色？

更快的编码，更大的输出

考虑 GitHub Copilot。 一项内部研究将 95 名工程师分为两组：使用 GitHub Copilot 的工程师和没有 GitHub Copilot 的工程师。在 GitHub Copilot 的协助下，开发人员完成编码任务的速度提高了 55%，总体成功率更高（78% 对 70%）。对 Microsoft 和 Accenture 的近 2,000 名开发人员进行的单独实验发现，AI 辅助团队的每周拉取请求增加了 13% 到 22%。这些不是微不足道的改进。

超越小测试，您会发现一个一致的故事。GitHub 表示，2023 年，Copilot 在启用它的文件中生成了近 46% 的代码 ，有时甚至超过 60%，具体取决于语言。这包括 Java，这是世界上使用最广泛的企业语言之一。几乎可以肯定，这个数字在过去两年中有所攀升。事实上，Microsoft、ZoomInfo 和其他公司最近报告称， 在编码任务上节省了 40% 到 50% 的时间 ，包括通常会占用开发人员宝贵时间的更棘手的项目。

结果如何？工程师可以完成更多工作，减少挫败感，并且可以承担以前在积压炼狱中苦苦挣扎的项目。研究表明，AI 辅助团队的准确率也更高：在某些测试中，与手动编写的代码相比，自动化代码在单元测试中的成功率高出 53%。 软件开发不再是乏味的实现，而是解决问题。

更多的 AI，更多的人

这种生产力意外之财导致了一个迷人的后果。当一个团队突然在一半的时间内完成他们的待办事项清单时，他们不会告诉他们的工程师在今年的剩余时间里休假。相反，他们开始构建下一波功能。他们专注于新的商业理念。公司不是雇佣一半的开发人员，而是建造两倍的东西。这正是杰文斯悖论效应：提高编码效率会推动组织进行扩展 —— 处理更大、更多样化的软件计划。

以下是我们将看到熟练的开发人员在 AI 方面变得更加重要而不是不那么重要的几个原因：

• 生产力： 每家公司都有积压的所需功能、内部工具、自动化项目和应用程序创意，由于时间和资源限制，这些想法仍未构建。LLMs 降低启动这些项目所需的成本。那个“最好有”的内部仪表板？突然变得可行。那个面向客户的实验性功能？现在，原型设计速度更快，值得一试。LLM 援助使解决这些积压工作在经济上是可行的。
• 保养： 编写的软件越多，需要测试、调试、保护、维护、更新和集成的软件就越多。LLM 生成的代码并非神奇地没有 bug 或自我维护 。如果有的话，生成速度最初可能会导致更多代码需要仔细审查、重构和持续支持。熟练的人类开发人员对于保持所有这些新代码可靠、安全地运行多年至关重要。
• 复杂性：LLMs 根据从大量数据集中学习的模式，擅长于定义明确的本地化任务。他们在统计上是出色的模仿者。他们努力应对大规模系统架构、新颖的问题解决方式、对业务环境的深刻理解、复杂的安全考虑因素、异常负载下的性能优化以及细致入微的用户体验设计。这些从根本上仍然是人类领域，需要创造力、批判性思维和战略监督。
• 质量管理： LLM生成看起来合理的代码，但它是否安全？它有效吗？它是否正确处理了边缘情况 ？它是否与整体系统架构和业务目标保持一致？人类开发人员是必不可少的验证者、编辑者和质量控制者。它们弥合了生成的代码与生产就绪的可靠软件之间的差距。

所以这就是为什么我们仍然需要人。IBM 的研究表明，生成式 AI 可以转化为企业推出的产品或功能增加 15% 到 20%，上市时间缩短 10% 到 15%，这提醒我们为什么也需要更多的 AI。这是一个巨大的竞争优势。

Gartner 指出，随着 AI 驱动的编码成为标准，对软件的需求没有自然的上限 。简单来说，从移动应用程序到区块链平台（嗯，也许没有那么多区块链），世界需要代码，而且需求只会上升。美国劳工统计局仍预计，从 2022 年到 2032 年，软件开发人员的工作岗位将增长 25%， 远高于平均水平。一些角色可能会发生变化或合并，但开发人员的整体需求没有下降的迹象。如果有的话，我们需要更多技术娴熟的工程师来编排这些 AI 驱动的工作流程。

你一直使用“熟练”这个词

面对 AI，入门级软件开发将发生变化，但不会消失。随着LLMs越来越多地处理日常编码任务，入门级开发人员的传统职责（例如编写样板代码）正在减少。相反，他们的角色将演变为 AI 主管；他们将测试输出、管理数据标签，并将代码集成到更广泛的系统中。这需要对软件架构、业务逻辑和用户需求有更深入的了解。有效地做到这一点需要一定程度的经验，除此之外，还需要指导。

初级工程师和高级工程师之间的动态正在发生变化。老年人需要指导初级开发人员使用 AI 工具和代码评估。AI 辅助对编程等协作实践也将提供学习机会。团队越来越多地与 AI 共同创造；这需要跨经验水平的清晰沟通和共同责任。这种指导对于防止更多初级工程师过于依赖 AI 至关重要。

在所有技能水平上，公司都在争先恐后地提高开发人员在 AI 和机器学习方面的技能。2023 年底在美国和英国进行的一项调查显示，56% 的组织将 AI/ML 方面的实力列为来年的首要招聘重点。Gartner 预测，到 2027 年，大约 80% 的开发人员将至少需要一套基本的 AI 技能。这将如何发展？好吧，初级开发人员可能会使用 AI 工具开始他们的职业生涯，以处理日常编码任务（边走边学的建议），同时快速承担更复杂的任务。同时，高级工程师成为教练、审阅者和编排者，确保 AI 生成的代码符合业务需求并满足安全标准。

雇佣更多开发人员

AI 不会取代开发人员。 相反，它会让他们更高效，而这种效率可以激励公司承担更多（和更大）的项目。无论我们谈论的是编译器、 开源框架还是云平台。每当开发生产力得到提升时，市场就会抓住它来构建更多的软件。LLMs 只是这种模式的最新和最引人注目的迭代。

与其削减开发预算，公司更明智的举措是投资于技能提升。提供 AI 驱动型开发培训，并奖励那些学会有效指导 AI 的人。成功度过这一转型时期的关键在于调整培训和指导实践，使初级开发人员具备在 AI 驱动型环境中茁壮成长所需的基本技能。这包括对代码评估、问题解决和对持续学习的承诺。

这应该会减少“总有一天”项目的积压，并增加真正的、推动收入的功能的渠道。通过提高开发人员的效率，包括初级开发人员的效率，AI 应该会产生更多（和更好）的软件，并且对顶尖人才的需求永无止境。