生成式 AI 改變寫程式模式 研究揭示軟體開發者受益出現分化
生成式人工智慧正快速滲透軟體開發流程，成為工程師的重要輔助工具。然而，最新研究指出，生成式 AI 並未平均提升所有開發者的生產力，其實際效益高度集中於資深族群，反而可能擴大不同經驗層級之間的差距。
※ 圖片為示意畫面，僅用於新聞報導與合理使用
生成式 AI 快速擴散，成為開發流程常態工具
近年來，隨著 GitHub Copilot、ChatGPT、GPT-4 等生成式 AI 工具陸續推出，AI 協助撰寫程式碼的比例顯著上升。2026 年發表於《Science》期刊的研究顯示，生成式 AI 已從實驗性技術，逐步轉變為軟體開發流程中的常態化輔助工具。
研究團隊分析 2019 年至 2024 年間超過 3,000 萬筆 GitHub Python 程式碼提交紀錄，透過神經網絡模型辨識 AI 生成內容，描繪全球生成式 AI 的實際採用情況。
各國採用率差異，地理與政策因素成關鍵
從全球分布來看，美國在生成式 AI 程式碼的採用上持續領先。至 2024 年底，美國開發者提交的 Python 程式碼中，約有 29% 為 AI 生成。德國與法國等歐洲國家緊追在後，採用率約落在 23% 至 24% 之間，印度則快速成長至約 20%。
相較之下，中國與俄羅斯的採用率相對偏低。研究指出，這與生成式 AI 工具的存取限制，以及在地平台與開發習慣差異密切相關，顯示即便是通用技術，其擴散速度仍深受地緣政治與制度環境影響。
新手使用更頻繁，生產力提升卻未同步出現
在人口特徵分析中，研究未發現性別與 AI 使用比例存在顯著差異，但開發經驗成為關鍵分化因素。數據顯示，剛加入 GitHub 的初階開發者，其程式碼中平均有 37% 由 AI 生成，明顯高於資深開發者約 27% 的比例。
然而，當研究進一步檢視生產力變化時，結果卻呈現落差。整體而言，生成式 AI 的導入使開發者平均生產力提升約 3.6%，但這些增益幾乎完全集中於資深開發者，其生產力提升幅度達 6.2%；初階開發者則未觀察到具統計顯著性的成長。
審核能力成關鍵，人機協作效果不一
研究指出，資深開發者通常具備較成熟的程式碼審核直覺與系統理解能力，能迅速辨識並修正 AI 產出的錯誤，將其轉化為高品質成果，真正實踐人機協作。相對而言，初階開發者因缺乏足夠判斷基礎，可能需花費更多時間修補 AI 生成內容，抵銷自動化帶來的效率提升。
此外，使用生成式 AI 的開發者更傾向於引入新的程式庫與技術組合，顯示 AI 有助於擴展技術探索範圍，但這類創新效益同樣主要集中於資深族群。
效率提升背後，技能差距可能擴大
從經濟面估算，在 2024 年底的採用水準下，生成式 AI 每年可為美國程式編碼活動創造約 230 億至 380 億美元的額外價值。然而，研究也提醒，這項龐大效益的分配呈現高度不均，可能加劇不同開發者之間的技能與職涯差距。
研究團隊指出，生成式 AI 的關鍵不在於是否導入，而在於如何透過培訓與制度設計，引導開發者理解並駕馭 AI，而非僅止於使用 AI。唯有如此，才能避免技術進步最終演變為新的結構性不平等。
資料來源：Science、TechXplore
