美國 Microsoft 的研究人員發表論文，調查公司內數萬名軟體工程師使用命令列 AI 程式碼工具的情況及其對生產力的影響。研究對象為 Anthropic 的「Claude Code」和 GitHub 的「Copilot CLI」，調查期間約 4 個月，從 2026 年 1 月 5 日至 4 月 29 日。研究指出，在導入首週使用工具的工程師，合併的拉取請求數量平均增加 24％，相較之下，未使用工具者的數量較少。
光是提供工具還不夠普及，第一步從「隔壁座位」開始
不少企業經營者和經理人或許會想像，只要公司向全體員工提供 AI 工具，大家隔天就會開始使用。然而，這項調查顯示，決定員工是否率先嘗試的關鍵，與其說是功能說明或公告，不如說是職場人際關係。
如果經常互相分享程式碼的同事或直屬主管正在使用，員工本人開始使用的機率也會提高。數據相當具體：如果與自己有共同上級主管的同事中，超過四分之一在最近兩週使用過工具，試用的勝算最高提高 216％。直屬主管使用時，勝算提高 82％；平時會互相進行程式碼審查的對象中，超過四分之一使用時，則提高 54％。
勝算提高與「機率提高」是兩回事
這裡要留意「勝算」一詞。勝算是以某件事「不會發生」的可能性為基準，表示該事件發生的可能性。聽到提高 216％，可能會讓人以為使用者增加到 3 倍多，但這並不代表使用者占比本身增加了 216％。原本使用率較低時，差異容易顯得很大，實際使用者人數的增幅會比這個數字小。
即便如此，主管和同事的行動會推人一把，這個趨勢相當明確。人們開始使用新工具，與其說是看了說明書，不如說是因為「那個人都在用了」。我個人認為，這不只是開發現場，在許多職場也都能找到類似例子。主管率先嘗試，並在程式碼審查時展示用法。這種不起眼的做法，或許比培訓資料更有效。
能否持續使用，取決於日常工作流程
嘗試使用後是否會繼續使用，是另一回事。調查發現，持續使用與使用者平時的程式碼撰寫量有關。平日撰寫大量程式碼、頻繁提交拉取請求的忙碌工程師，似乎更容易感受到 AI 帶來的好處，也更傾向讓工具融入日常工作。
拉取請求是指請求將修改過的程式碼合併到主程式碼庫。經常提交拉取請求的人，也可以說有許多工作能交由 AI 協助。動手寫程式的工作量越大，就越容易切身感受到工具的效果。
熟悉的環境，可能成為使用新工具的門檻
另一方面，調查也發現，過去已在其他開發介面使用既有 AI 工具的族群，雖然會試用新工具，卻比較難持續使用。這可能是因為許多人覺得熟悉的環境更自在。
這有點像更換智慧型手機。即使新手機功能更優秀，但如果已習慣原本的應用程式配置和操作方式，還是會想換回舊手機。導入新 AI 工具時，除了性能，也有必要考量如何融入使用者已建立的工作流程。
該如何解讀拉取請求數量增加 24％
研究以合併的拉取請求數量，也就是完成的工作數量，衡量對生產力的影響。研究報告指出，導入首週使用工具的工程師，平均提交的拉取請求比未使用工具時多 24％；這項效果並非導入後一時的新鮮感所致，而是在為期 4 個月的調查期間內維持穩定。
不過，此處所稱的生產力，僅以拉取請求數量這一項指標衡量。這些數字並不表示程式碼品質、每件工作的耗時或團隊負擔也以相同比例改善。數量增加這項事實，與整體工作變得更輕鬆的感受，應分開看待。
Claude Code 增加 11.4％，Copilot CLI 增加 24.9％
按工具來看，與未使用工具的週相比，Claude Code 使用者的拉取請求數量增加 11.4％，Copilot CLI 使用者則增加 24.9％。兩者差距約有 2 倍，但若直接將這些數字解讀為工具優劣，仍言之過早。Copilot CLI 是由 Microsoft 旗下的 GitHub 提供，兩種工具在公司內的使用方式和使用者族群未必相同。
即便如此，追蹤數萬名開發人員在真實開發現場中，長達四個月觀察工具如何普及及其成效的研究仍不多。在AI程式設計的討論往往偏重「哪個模型比較聰明」之際，這項研究呈現了導入現場的實際情況：哪些人開始使用，又有哪些人持續使用。如今，能否妥善規劃工具在職場中的普及方式，或許已和工具選擇同樣左右最終成效。
コメント