两年来这一说法一直喧嚣且一致AI要来抢你的编程饭碗了。公司竞相采用AI工具开发者紧张地盯着自己的提交次数LinkedIn上充斥着关于软件工程职业已死的激烈言论。然后Uber的COO Andrew Macdonald说出了没有高管愿意大声说出来的话。“如果你实际上无法划出一条直接连线说明你向用户交付了多少有用的功能和功能那么这笔交易就越来越难以为继。”而且这并不是一家在AI上吝啬的公司。Uber在四个月内就烧完了2026年用于Claude Code和Cursor的全部AI预算。不是季度预算。是全年预算。他们的CTO此前已经披露过这一点然后COO公开了那个令人不安的后续我们不知道这是否有效。1、数字讲述了一个令人困惑的故事**95%**的Uber工程师每月使用AI工具**70%**的提交代码现在由AI生成9.51亿美元仅在2026年第一季度就花在了研发上同比增长17%0条清晰的支出与有用的面向消费者功能之间的关联高采用率。高成本。结果不明。这就是2026年企业AI的现状而Uber只是第一家大声说出来的公司。2、没有人解决的测量问题核心问题不在于AI工具不擅长写代码。它们在这方面确实令人印象深刻。问题在于写代码更快与交付更多价值不是一回事。以下是当今典型的企业AI记分卡的样子公司测量的每日代码行数AI工具采用率PR合并频率每位工程师的token花费实际上重要的每个sprint交付的功能发布后的bug率面向用户的改进收入影响这两个列表之间的差距就是数十亿美元AI支出正在悄然消失的地方。3、隐藏的成本架构采购团队忽略了一点AI工具对单个工程师来说几乎免费。公司承担了真正的账单而这些成本现在直接与人员预算竞争。// 采购批准时可见的 seats: 每位开发者每月$X subscriptions: Claude Code, Cursor, Copilot // 真正让预算爆炸的 tokenOverage: agentic任务使用10-100倍更多的token reviewTime: AI代码仍需要人工审查 debugging: 幻觉逻辑很微妙发现成本高昂 rework: 自信地错比明显地错更糟糕Gartner估计推理成本到2030年将下降90%但这救不了企业预算因为agentic工作流每个任务消耗的token要多得多。每个token更便宜。每个工作的token更多。4、真正的ROI框架是什么样的与其测量AI活动团队应该测量AI结果。链条看起来是这样的AI支出 (token 席位) ↓ 任务产出 (功能、bug修复、重构) ↓ 用户影响 (参与度、NPS、支持工单) ↓ 业务价值 (收入、留存、流失)大多数公司已经实现了第一步——AI支出。有些跟踪第二步——代码产出。几乎没有一个有可追溯的连线将AI辅助工作与第三步或第四步连接起来。那个缺失的链条正是Uber的COO所描述的。5、一个实用的起点你不需要复杂的系统来开始测量。你需要一个习惯// 用元数据标记AI辅助的PR prMetadata { aiAssisted: true, toolsUsed: [claude-code, cursor], estimatedTokenCost: $4.20, humanReviewMinutes: 12 } // 将其与功能开关和分析关联 featureFlag(checkout-redesign) .track({ prId: #4421, aiAssisted: true }) .onConversion(revenue { roi revenue / prMetadata.estimatedTokenCost // 现在你有一个数字了 })它不完美。但它是一个证据链——这正是像Uber这样的公司目前所缺失的。6、那么AI正在取代工程师吗不是像头条所暗示的那样。实际发生的情况更有趣。AI正在改变工程师花费时间的内容。样板代码更便宜了。函数的初稿更快了。这是真实的。但认知工作——理解问题、决定构建什么、判断什么值得保留——并没有被自动化。如果说有什么变化那就是随着生成代码量的增加有人必须做出判断这项工作变得更加重要了。安全角度加剧了这一点。npm生态系统、基础设施提供商和开发者工具链最近都面临重大漏洞。没有人完整阅读的AI生成代码引入了新的攻击面。信任必须通过工具赢得不能假设。能够蓬勃发展的工程师不是那些抵制AI工具的人——而是那些学会测量产出而不仅仅是活动的人。7、真实的故事Uber的承认不是一个失败的故事。这是行业终于问出了正确的问题。使用指标从来都很容易。你可以从第一天起就跟踪席位、采用率和提交量。结果指标更难——它们需要将工程工作与用户行为再到业务结果连接起来跨越那些从未设计为相互沟通的团队和工具。这就是真正的问题。不是AI。不是工程师。是测量差距。Macdonald的评论可能会推动整个行业的采购团队在续签AI工具合同之前要求提供与结果挂钩的理由。这是一个健康的发展。供应商需要帮助客户证明ROI而不仅仅是采用率。从测量AI使用到测量AI结果的转变正在到来。Uber只是给它起了个名字。原文链接AI替代软件工程师先算算ROI - 汇智网
AI替代软件工程师？先算算ROI
两年来这一说法一直喧嚣且一致AI要来抢你的编程饭碗了。公司竞相采用AI工具开发者紧张地盯着自己的提交次数LinkedIn上充斥着关于软件工程职业已死的激烈言论。然后Uber的COO Andrew Macdonald说出了没有高管愿意大声说出来的话。“如果你实际上无法划出一条直接连线说明你向用户交付了多少有用的功能和功能那么这笔交易就越来越难以为继。”而且这并不是一家在AI上吝啬的公司。Uber在四个月内就烧完了2026年用于Claude Code和Cursor的全部AI预算。不是季度预算。是全年预算。他们的CTO此前已经披露过这一点然后COO公开了那个令人不安的后续我们不知道这是否有效。1、数字讲述了一个令人困惑的故事**95%**的Uber工程师每月使用AI工具**70%**的提交代码现在由AI生成9.51亿美元仅在2026年第一季度就花在了研发上同比增长17%0条清晰的支出与有用的面向消费者功能之间的关联高采用率。高成本。结果不明。这就是2026年企业AI的现状而Uber只是第一家大声说出来的公司。2、没有人解决的测量问题核心问题不在于AI工具不擅长写代码。它们在这方面确实令人印象深刻。问题在于写代码更快与交付更多价值不是一回事。以下是当今典型的企业AI记分卡的样子公司测量的每日代码行数AI工具采用率PR合并频率每位工程师的token花费实际上重要的每个sprint交付的功能发布后的bug率面向用户的改进收入影响这两个列表之间的差距就是数十亿美元AI支出正在悄然消失的地方。3、隐藏的成本架构采购团队忽略了一点AI工具对单个工程师来说几乎免费。公司承担了真正的账单而这些成本现在直接与人员预算竞争。// 采购批准时可见的 seats: 每位开发者每月$X subscriptions: Claude Code, Cursor, Copilot // 真正让预算爆炸的 tokenOverage: agentic任务使用10-100倍更多的token reviewTime: AI代码仍需要人工审查 debugging: 幻觉逻辑很微妙发现成本高昂 rework: 自信地错比明显地错更糟糕Gartner估计推理成本到2030年将下降90%但这救不了企业预算因为agentic工作流每个任务消耗的token要多得多。每个token更便宜。每个工作的token更多。4、真正的ROI框架是什么样的与其测量AI活动团队应该测量AI结果。链条看起来是这样的AI支出 (token 席位) ↓ 任务产出 (功能、bug修复、重构) ↓ 用户影响 (参与度、NPS、支持工单) ↓ 业务价值 (收入、留存、流失)大多数公司已经实现了第一步——AI支出。有些跟踪第二步——代码产出。几乎没有一个有可追溯的连线将AI辅助工作与第三步或第四步连接起来。那个缺失的链条正是Uber的COO所描述的。5、一个实用的起点你不需要复杂的系统来开始测量。你需要一个习惯// 用元数据标记AI辅助的PR prMetadata { aiAssisted: true, toolsUsed: [claude-code, cursor], estimatedTokenCost: $4.20, humanReviewMinutes: 12 } // 将其与功能开关和分析关联 featureFlag(checkout-redesign) .track({ prId: #4421, aiAssisted: true }) .onConversion(revenue { roi revenue / prMetadata.estimatedTokenCost // 现在你有一个数字了 })它不完美。但它是一个证据链——这正是像Uber这样的公司目前所缺失的。6、那么AI正在取代工程师吗不是像头条所暗示的那样。实际发生的情况更有趣。AI正在改变工程师花费时间的内容。样板代码更便宜了。函数的初稿更快了。这是真实的。但认知工作——理解问题、决定构建什么、判断什么值得保留——并没有被自动化。如果说有什么变化那就是随着生成代码量的增加有人必须做出判断这项工作变得更加重要了。安全角度加剧了这一点。npm生态系统、基础设施提供商和开发者工具链最近都面临重大漏洞。没有人完整阅读的AI生成代码引入了新的攻击面。信任必须通过工具赢得不能假设。能够蓬勃发展的工程师不是那些抵制AI工具的人——而是那些学会测量产出而不仅仅是活动的人。7、真实的故事Uber的承认不是一个失败的故事。这是行业终于问出了正确的问题。使用指标从来都很容易。你可以从第一天起就跟踪席位、采用率和提交量。结果指标更难——它们需要将工程工作与用户行为再到业务结果连接起来跨越那些从未设计为相互沟通的团队和工具。这就是真正的问题。不是AI。不是工程师。是测量差距。Macdonald的评论可能会推动整个行业的采购团队在续签AI工具合同之前要求提供与结果挂钩的理由。这是一个健康的发展。供应商需要帮助客户证明ROI而不仅仅是采用率。从测量AI使用到测量AI结果的转变正在到来。Uber只是给它起了个名字。原文链接AI替代软件工程师先算算ROI - 汇智网
