共计 1808 个字符，预计需要花费 5 分钟才能阅读完成。
对于任何构建软件的人来说，生成式 AI（尤其是像 GitHub Copilot 这样的工具）是一种快速创建、测试、文档化和调试代码的手段，从而带来巨大的生产力提升。
这种提升不仅释放了软件开发者和运营专业人员的时间、资源和脑力，还使他们能够提升并填补组织内的咨询和领导角色。
然而，尽管生产力提升的好处显而易见，AI 可能并非对所有人都适用，行业专家建议在自动化方面谨慎行事。
根据微软、麻省理工学院、普林斯顿大学和宾夕法尼亚大学的研究人员进行的多方研究，生成式 AI 代码建议工具可以提升软件开发者的生产力。该研究分析了三家公司的 4,867 名软件开发者的产出，所有这些开发者都可以使用 Copilot，并发现每周完成的任务数量增加了 26%，代码更新数量增加了 14%，代码编译次数增加了 38%。
行业内其他高管和专业人士也同意，生成式 AI 可以为软件开发者带来巨大的生产力提升。SAS 的杰出软件开发者 Brett Smith 告诉 ZDNET，生成式 AI 和副驾驶工具显著影响了开发速度。
生成工具对于各种开发任务都很有用，例如向现有代码库引入新功能或将代码库移植到新的编程语言。LexisNexis Risk Solutions 的全球首席信息安全官 Flavio Villanustre 表示，这些 AI 工具还帮助进行软件考古学，这是理解文档不良的代码库所必需的。
然而，生成式 AI 的好处对于经验更丰富的开发者来说有所减弱。经验较少的开发者显示出更高的采用率和更大的生产力提升，Copilot 显著提高了新员工和初级职位者的任务完成率，但对于资深和高级职位的开发者则不然。
AI 驱动的工具对于经验较少的开发者非常有用，数字通讯服务 beehiiv 的增长主管 Edward White 同意道。它们提供实时重构和优化的建议，指导初级开发者在编码时遵循最佳实践。
然而，尽管重点在于经验较少的开发者，Smith 表示资深专业人士也能从生成式 AI 中看到好处。根据我的经验，资深开发者从 AI 辅助中受益匪浅，他说。
行业专家的证据表明，必须达到一种平衡。无论是经验丰富还是经验不足的开发者部署生成式 AI，IT 专业人士和执行官都必须警惕全面采用这些工具的当前形式。
虽然助手通常能够编写某些常见功能，合理地与现有库接口，编写测试用例并解释现有代码，但它确实会犯一些熟练程序员会避免的错误，Villanustre 说。
Smith 还表示，生成式 AI 工具带来的速度提升是一把双刃剑。开发者编写糟糕的代码；AI 帮助他们更快地编写糟糕的代码，他说。
生成的代码质量也是一个问题。AI 的好坏取决于它的训练，Mendix 的专家 David Brault 说。训练数据可能包括高质量和低质量代码的组合。这种混合可能导致代码质量不一，甚至可能增加技术债务。
AI 生成代码的另一个挑战是与现有系统不兼容的风险，尤其是复杂或遗留架构。虽然 AI 工具可以为特定任务生成高效代码，但它们可能不会总是考虑到旧系统的独特依赖性、框架或结构，White 警告说。
为了减少这些问题，开发者应仔细评估 AI 生成代码与其当前基础设施的兼容性，White 建议。这包括在受控的暂存环境中进行广泛的测试，并在必要时定制代码以适应其系统的特殊性。
IT 专业人士还必须警惕在过程中可能出现的法律问题。使用 AI 生成代码需要谨慎处理重复、知识产权和潜在的许可问题，软件评论提供商 SoftwareHow 的首席营销官 Mira Nathalea 说。
软件专业人士和执行官还必须仔细管理 AI 代码生成可能引发的伦理问题。忽视伦理考虑可能导致意外问题，如隐私风险、数据滥用或算法中的偏见，Axwell Wallet 的 CEO Joel Popoff 说。
因此，必须考虑一系列问题和担忧。然而，当负责任地使用时，AI 可能会彻底改变开发行业。在开发中使用 AI 的最大优势之一是能够自动化开发者讨厌的繁琐和重复任务，因为它们浪费时间，对解决方案增加很少的商业价值，Brault 说。
通过 AI 自动化这些低级常规任务，开发者可以花更多时间寻找创造性的方法来解决影响其公司的复杂业务问题。如果有什么不同的话，开发者将变得更加有价值，因为他们的专业知识将需要验证和保护 AI 生成的代码，以及构建可重用的组件、模板和框架，以建立将 AI 与其现有系统集成的治理标准。
总的来说，生成式 AI 在提升软件开发者生产力方面展现了巨大的潜力，但同时也伴随着一系列挑战和风险。只有在谨慎和负责任的使用下，AI 才能真正发挥其变革性的作用。
