一个代码代理十分钟生成五个文件，并不意味着团队获得了十分钟的交付。有人仍要确认需求没有误解、依赖没有引入风险、边界条件得到处理、测试没有只证明理想路径，上线后也不会破坏既有数据。
代码生成把“得到一个可运行候选方案”变得很便宜，却没有同比例压缩其余工作。上一篇说明，大型软件早已依靠局部理解运行。本篇要定位 AI 带来的新增压力：不是软件第一次超出个体认知，而是实现吞吐量可能开始持续超过保证吞吐量。
代码产量不是软件生产率
软件工作的产出不是代码文本，而是被用户使用、能够维护并承担后果的系统变化。新增行数甚至未必是正向指标：更短的实现可能更好，删除不必要代码也可能比增加功能更有价值。
因此，“模型每秒生成多少行”无法直接与“工程师每小时写多少行”比较。模型可以快速制造候选实现，工程师则还在完成问题建模、取舍、集成和验证。两者不是同一种计量单位。
更合适的链条是：
需求澄清 → 候选生成 → 人工审查 → 自动验证 → 系统整合 → 渐进发布 → 运行反馈
AI 主要压缩其中一部分，有时也能帮助测试和解释，但任何未被压缩的环节都可能成为新瓶颈。候选代码越便宜，团队越容易把瓶颈从“写不出来”转移到“看不完、接不上、无法放心上线”。
现有证据不支持一个整齐的全球拐点
截至 2026 年，AI 编程的使用率和效果都在快速变化，但研究结果仍取决于任务与人群。
2025 年 Stack Overflow 开发者调查显示，很多开发者已经使用 AI 工具，但 72% 的相关受访者表示 vibe coding 不是其专业工作方式；对 AI 准确性持不信任态度的人多于信任者。高责任的部署与监控任务也最少被计划交给 AI。这说明“广泛辅助”不能直接改写成“AI 已是主要代码生产者”。
METR 在 2025 年对熟悉自己大型开源仓库的资深开发者进行随机实验，观察到允许使用当时 AI 工具的任务平均耗时反而增加。2026 年的后续说明认为较新的工具可能已经带来加速，却也指出不愿在无 AI 条件下工作的参与者造成了样本选择问题，无法给出稳定总体估计。
DORA 2025 的结论更适合这组复杂证据：AI 像一个放大器。它可以提高个人效率和交付吞吐，也可能同时增加交付不稳定性；平台质量、内部开发体验、小批量变更和清晰的组织政策会显著影响结果。
所以，本系列不把 2026 年某一天宣布为统一的“生成拐点”。拐点发生在具体团队内，而且需要用实际交付数据识别。
真正的落差发生在哪里
生成—验证落差至少有四种来源。
需求落差
模型可以忠实实现一条错误或不完整的需求。代码越快出现，团队越可能把“已有实现”误当作“问题已经被定义”。需求中的权限、失败处理、兼容性和非功能约束若没有先说清，后续审查只能在成品中反向猜测。
意图落差
人手编写也可能缺少设计理由，但 AI 会让这种情况更容易规模化。一个实现可能来自几轮对话、临时上下文和模型默认选择；仓库只保存最终 diff，没有保存哪些方案被排除、哪些假设仍不确定。
审查落差
生成工具可以一次交付大批变化，而审查者的注意力仍有限。大批量 diff 会降低逐项质疑的概率，“测试是绿的”很容易成为替代性判断。此时问题不一定是代码不可读，而是组织没有为阅读支付足够时间。
整合落差
模型擅长局部任务，不代表它掌握组织特有的部署约束、历史兼容负担和隐性业务规则。一段局部合理的实现，可能扩大依赖、破坏性能预算或绕过已有治理流程。真正昂贵的工作常发生在模块边界。
怎样判断团队是否越过了自己的拐点
不要只统计生成代码占比。更有用的是同时观察流量、质量和理解。
| 维度 | 可观察指标 | 危险信号 |
|---|---|---|
| 变更流量 | PR 大小、并行变更数、审查等待时间 | 生成量上升，审查队列持续增长 |
| 返工质量 | 首次通过率、回退率、缺陷逃逸率 | 合并更快，返工与事故同步增加 |
| 系统整合 | 构建失败、兼容问题、依赖增长 | 局部测试通过，集成频繁失败 |
| 团队理解 | 设计理由覆盖、模块接手时间、事故定位时间 | 只有生成者会操作，没人能解释边界 |
| 运行结果 | 变更失败率、恢复时间、用户影响 | 吞吐增加，稳定性下降 |
当候选实现增长快于审查与运行保证，并且返工、恢复和接手成本持续上升，团队才真正越过了自己的生成拐点。
缩小落差，而不是限制一切生成
解决办法不是给 AI 设置一个统一代码配额，而是让生成批量与保证能力匹配。
- 先写成功条件、禁止行为和非功能约束，再请求实现。
- 把任务拆成能被独立审查的小变化，限制一次跨越的模块和权限。
- 要求每次生成同时提供测试主张、未覆盖边界和关键设计取舍。
- 对高风险代码保留更强人工审查、静态分析和独立验证。
- 用团队交付结果评估工具，而不是只看补全接受率或生成行数。
- 发现审查队列和认知债上升时，优先删除、合并和澄清，而非继续堆积实现。
AI 有时也能缩小验证成本，例如生成性质测试、解释陌生模块或帮助定位依赖。但这些输出同样需要核验。工具能够参与保证流程，不等于它可以为自己的结果签发可信证明。
结语：拐点是一条反馈曲线
生成式 AI 最重要的变化，不是把源代码变成神秘物体，而是解除实现产量原有的人力摩擦。这个变化可能释放创造力，也可能让组织更快地积累未经充分验证的系统。
真正的分水岭，不在于模型一次写了多少行，而在于团队能否让问题定义、审查证据、运行反馈和责任容量跟上。生成快于验证只是风险条件；是否滑向黑箱，要看组织怎样响应这条落差。