据 Ars Technica 资深编辑 Kyle Orland 10 月 9 日报道，哈佛大学研究者 Fiona Chen 与 James Stratton 分析数百家公司的真实编码实践后认为：人工代码审查构成明显瓶颈，编码阶段因 AI 提高的效率会被下游生产环节“吸收”。研究写到，几乎看不到企业因使用这些工具而提高软件产出或减少用工的证据；代码审查明显变长，拉取请求（PR）更常被要求修改，审查者留下的评论也更多。
Orland 介绍，两位研究者使用工程分析平台 Jellyfish 的汇总数据。数据覆盖 2021 年至 2026 年 3 月、700 多家软件公司、70 多万名员工，包括约 3 亿条“工作事件”（例如提交与 PR），以及工单管理软件中的记录。
他们结合直接测得的 AI 使用情况，并分析 GitHub 活动，判断各公司何时开始引入两类工具：主要由人编写、负责自动补全的 AI 编码助手，以及主要按提示自主编写并提交代码的 AI 编码 agent。随后用双重差分回归，比较不同公司在引入这些工具前后的关键变量。
研究者写道，公司引入 AI 编码 agent 后，代码总行数平均增加 30%，提交数增加 20%，PR 数平均增加 23%。这些多出来的代码并没有直接变成企业层面更高的软件产出。以 Jira 等工具追踪的 Issue 和 Epic（即成块的软件功能）为例，解决率在引入 AI 工具后没有统计上显著的变化；这些事项的规模和复杂度也没有出现研究者所说的“组成性变化”。
差异主要落在代码审查。引入 AI 编码 agent 后，PR 从提交到合并进代码库的平均“审查流程”时间增加 49%。更细的数据显示，被要求修改的 PR 所占比例几乎翻倍，每个 PR 的评论数增加 35%。与此相应，参与代码审查的员工比例上升 14%。研究者对照 Jellyfish 统计的活跃员工总数，并交叉核对这些公司的 LinkedIn 数据后写道，无法把显著的就业变化归因于 AI。
审查环节理论上也可以交给 AI，但研究者认为截至数据期末，这方面的影响仍然有限。到 2026 年 3 月，80% 的样本公司使用了某种形式的 AI 代码审查，但 AI agent 只贡献了全部审查评论的 23.3% 和全部 PR 的 10.8%，绝大部分审查工作仍由人完成。
Orland 在文中指出，AI 编码 agent 仍相对较新，自研究数据截止的 2026 年 3 月以来，其输出又有显著更新和升级。研究样本中已有 95% 的公司引入 AI 编码 agent，其中许多公司仍在学习何时、以何种方式使用。他认为，随着工程团队积累经验，这种“编码时间对审查时间”的权衡有可能改善。报道同时把眼下的情形概括为：编码速度上去了，人工审查所需的时间和精力也上去了。
