开发者拒绝在没有 AI 的环境下写代码，但研究者警告隐患正在积累
斯坦福大学的一项研究为这场争论提供了量化数据：使用 AI 编程助手的开发者在完成日常编码任务时效率提升了约 55%，但在代码调试和架构设计任务上没有显著改善，甚至在某些情况下表现更差。这个数据说明 AI 工具确实改变了编程工作的分配方式，但并没有提升所有类型编程任务的效率。
行业资深人士对此有不同的看法。一些技术主管认为，关键不在于是否使用 AI 工具，而在于如何建立相应的代码质量保障体系。如果团队能够在 AI 生成代码后增加额外的审查环节、编写更全面的测试用例、定期进行代码重构，那么 AI 工具带来的效率提升是可持续的。问题出在很多团队只享受了效率提升，却没有同步升级质量保障流程。
越来越多的程序员表示不愿意在没有 AI 辅助工具的环境下工作，但研究人员警告说，过度依赖 AI 编程助手可能正在制造看不见的技术债务。这场关于 AI 与编程效率的争论正在重塑软件工程行业的工作方式。
据 TechCrunch 报道，"tokenmaxxing"这个新词汇正在开发者社区流行，用来形容那些最大限度利用 AI 工具来提升产出的程序员。部分开发者已经将 AI 编程助手视为工作流程中不可或缺的组成部分，甚至有人表示如果公司不提供 AI 工具就会考虑跳槽。这种态度在初级开发者中尤为普遍。
但研究者的担忧并非杞人忧天。多项独立研究发现，使用 AI 编程助手的开发者虽然在编写代码的速度上有所提升，但在代码审查、错误检测和架构设计等能力上可能出现退化。一个典型案例是，AI 生成的代码往往在表面上看起来正确，但在边界条件处理和安全性方面存在隐蔽缺陷，而过度依赖 AI 的开发者可能缺乏识别这些问题的能力。
从软件工程的角度看，AI 编程工具引入了一个新的风险维度：当整个团队都在使用 AI 生成代码时，代码库中可能积累大量同质化的模式和相似的潜在缺陷。传统的人工审查流程是基于不同开发者有不同的编码习惯和思维模式来发现错误的，但当 AI 成为主要代码来源时，这种多样性的审查优势就消失了。
更深层的问题在于，编程能力的培养需要大量的实践和犯错经验。如果初级开发者从一开始就跳过这些基础训练，长期来看可能影响整个行业的技术人才储备质量。这不是说 AI 工具不应该被使用，而是行业需要找到一种平衡——既利用 AI 提升效率，又不牺牲开发者自身能力的成长。