最近聊到一个挺有意思的报告，叫LinearB发布的2026软件工程基准报告——AI生产力版。今天就给大家扒一扒这份英文版报告的干货，整整48页呢。 这份报告是LinearB的第五个年度报告了，这次可是做了个大调查。他们把42个国家的4800个团队的数据拉出来算，一共分析了810多万次的代码拉取请求（PR）。目的很明确，就是看AI到底给软件开发带来了什么影响。结果发现，AI在行业里的渗透确实很高，不过落地的时候还是遇到了不少问题。 他们把企业分成了精英、良好、一般和待改进这四个档次，还用了一种叫做P75的算法来保证数据准头。这次还加了定性分析和领导力调研，让数据更接地气。报告里最扎心的一点是，AI工具其实已经被工程师们用得很顺手了。到了2025年，大家每天用AI工具干活的比例已经高达63.5%，而整体的Adoption率也从2024年初的71.6%猛涨到了88.3%。 但是，问题也很明显：用AI帮忙写的代码量比人工写的多了2.6倍，等AI PR审核的时间更是翻了5.3倍；而且，30天内被合并的AI PR才只有32.7%，连人工PR的一半都不到。就算是用了这么多AI工具，最终价值也没怎么变高。不同的工具表现也大不相同，大家更爱用它来写新代码，对改旧代码没什么兴趣。 这次报告还专门测了验收率这一块儿。数据显示，精英级的AI PR验收率才71%，远低于人工PR的95%；超过一半的团队验收率都没超过60%。为啥这么难？主要是因为AI写的代码没啥上下文和解释性，审核的人不信任。代码看着没问题就行吧？不行！还是怕有潜在风险。 行业对AI的衡量和治理也挺不成熟的。有45%的公司压根没正式衡量过AI的影响。虽然有75%的管理者觉得AI提高了效率，但大多都是凭感觉。公司制定的AI政策也是两极分化严重；最大的麻烦还是数据质量不行，64.5%的企业内部数据根本跟不上AI工作流的需求。 不同规模的公司表现也不一样：小公司在合并频率和部署速度上更强；大公司则在流程规范上更胜一筹。总的来说，企业的日常工程实践水平挺高的；但支撑AI的基础架构、数据体系和治理政策落后了不少。 所以说啊，AI现在已经是软件工程的常规工具了；但流程、工具和组织架构还没跟上步伐。想要充分发挥AI的价值，得赶紧把政策捋顺、数据质量提上来、审核流程完善一下、再弄个科学的衡量体系出来才行。不然的话，AI就成了单纯的工具叠加了！