Accenture 和德国人工智能研究中心(DFKI)2025 年联合发布的论文《Generative AI in Software Engineering》基于 220 多篇文献,系统回答 AI 在软件开发中能做什么、效果如何、开发者未来在哪里。
实证结论是:GitHub Copilot 用户平均接受 30% 的代码建议,90% 的开发者提交过 Copilot 生成的代码,AI 辅助使任务完成速度平均提升 55.8%。
从辅助工具到自主代理
研究指出,AI 已经从简单的代码补全工具,沿着”补全—对话—代理”的轨迹,进化到能独立处理整个开发生命周期的自主系统。这条演进线意味着工具的边界不再是编辑器里的一段代码,而是横跨需求、设计、编码、测试、部署的整条流水线。生产力数据支撑明确:任务完成速度平均提升 55.8%(从 2.7 小时降至 1.2 小时);中级开发者性能提升可达 20%-40%;代码审查和纠正工作流改进 30%-40%,调试时间减少高达 37%;75.9% 的开发者已在至少一项日常任务中使用 AI 工具。研究还提出 Software 3.0 的范式框架:Software 1.0 手工编写代码,Software 2.0 用数据训练模型,Software 3.0 让自然语言成为新的编程接口,AI 模型处理其余部分。
人机分工重新定义
研究给出清晰的分工框架:AI 擅长形式化任务、技术性任务、重复性任务、易出错任务、耗费精力的任务;人类专注明确的问题表述、创造性解决方案的结构设计、编排和监督、对 AI 生成建议的批判性验证。研究最具启发性的发现是上下文工程超越提示工程:过去关注如何把单次提示词写得更巧,现在更重要的是让 AI 持续感知足够的项目背景、业务规则、技术栈约束等上下文——提示工程解决的是”怎么说清楚这一句”,上下文工程解决的是”让模型始终知道我们在做什么”。前者是一次性技巧,后者是可积累的工程资产。代理式 AI(Agentic AI,能规划、执行、调试整个项目的 AI 系统)正在崛起,Devin AI、Manus AI 等工具已经证明 AI 的能力边界不再限于写代码本身,而是延伸到拆解任务、调用工具、验证结果的完整闭环。这也解释了为什么研究把人类角色重新定位到问题定义与批判性验证:执行环节交出去之后,判断力成了人唯一不可外包的产出。
产业启示
生成式 AI 对软件工程的改造是端到端转型而非单点优化:企业不能只靠采购一个补全工具就期待生产力提升,需要重新思考工作流程、重新定义人机分工、重新设计团队结构、重新评估技能要求,采用渐进、受控的实施方式。对开发者而言,AI 接管样板代码、低级错误调试、重复测试用例等枯燥工作,人类的核心价值——提出正确的问题、判断方案的适用性、创造性地解决问题——仍是 AI 无法替代的。同类话题可参阅站内《生成式 AI 变革软件开发流程》。