AI 寫碼快咗，交付未必快：review 樽頸同責任問題點樣拆
產碼速度升得快，團隊要補返驗證、追溯同問責機制
AI coding 工具最吸引嘅地方好直接：同 Copilot、Claude Code 或 Codex 講幾句，幾分鐘已經有成段功能。不過程式碼出得快，唔代表產品一樣咁快交到用家手上。review、整合、測試、安全檢查同部署仍然要逐關過，而且 AI 一次交出嘅改動愈大，後面嗰班人就愈難睇清楚。
慳咗寫碼時間，review 隊伍未必受惠
Sonar 2026 年向逾 1,100 名專業開發者做嘅調查顯示，38% 受訪者覺得審查 AI 程式碼辛苦過睇同事寫嘅 code；96% 唔完全相信 AI 產出功能正確，但只有 48% 話自己每次提交前都會檢查。呢啲係受訪者自陳，亦要留意 Sonar 本身有賣程式碼檢查產品，不過數字至少點出一個幾常見嘅情況：生成成本跌得太快，驗證能力追唔上。
問題唔止係 AI 會寫錯。人寫 code 通常會記得點解揀呢個做法，reviewer 有問題亦可以沿住設計思路追問。AI 就可能一口氣改十幾個檔案，加入額外 abstraction，再順手處理幾個冇人要求嘅情況。表面睇幾完整，但提交者如果未理解每個決定，reviewer 就要由頭考古，估段 code 想解決咩、邊啲改動有必要。
Code ownership 唔可以交畀個 prompt
TechNews 科技新報報道將情況形容成當責危機，呢個講法有道理，但責任唔會因為開發者用咗 AI 就自動消失。最實際嘅界線係：邊個開 PR，邊個就要有能力解釋、測試同維護入面所有改動。「AI 生成，所以我唔肯定」唔應該成為 reviewer 接手研究嘅理由，仲唔應該等到 production 出事先搵人認頭。
公司亦唔適合只用「有冇用 AI」做標籤。Harvard Business Review 整理嘅研究曾安排 1,026 名工程師評價一段聲稱由同事撰寫嘅 Python code，參加者會因為得知作者用過 AI 而改變對佢能力嘅判斷。呢個只係受控實驗，最多反映標示用過 AI 可能影響其他人嘅評價，未足以斷言每間公司長期都會出現同一種「AI 罰則」。不過管理層一面催人採用，一面將 AI 使用者睇低，員工自然會選擇收埋用法，最後連風險都睇唔到。
PR 要交代風險，唔使計 AI 寫咗幾多行
較穩陣嘅做法係喺 PR 標明 AI 有冇參與、用喺咩範圍，同埋邊啲部分要 reviewer 特別留神，例如 authentication、付款、資料庫 migration 或權限設定。團隊唔使追求一個貌似精準嘅「AI 生成百分比」；程式碼經人手修改幾次之後，呢個比例本身已經好難定義。標明 AI 參與範圍，主要係方便 reviewer 掌握改動脈絡同風險。
提交門檻就應該一致：編譯同 lint 要過，單元及整合測試要覆蓋改動，dependency、secret 同靜態安全掃描要過關，高風險模組要由熟悉系統嘅人批核。AI 產出量大時，PR 更要拆細，每次只處理一個清楚問題。咁 reviewer 先有條件理解改動，而提交者亦冇咁容易將一大包未消化嘅 code 推畀其他人。
Commits 多咗，同正式交付有一段距離
一份 2026 年 NBER working paper 將超過 10 萬名 GitHub 開發者嘅 AI 使用資料，同 commits、項目及 releases 對照。研究發現，自主 coding agent 帶來嘅累積 commit 增幅達 180%，去到項目數量只剩 50%，實際 release 增幅再收窄至 30%。呢份研究仍屬 working paper，而且 GitHub 活動唔等同每間企業嘅內部開發，不過佢清楚提醒管理層：寫出更多 code，同交到更多可用軟件係兩套數。
GitLab 委託 Harris Poll 訪問六個國家共 1,528 名開發者及科技採購者，80% 話公司引入 AI 工具快過制定管治政策。GitLab 本身亦係 DevSecOps 供應商，報告自然帶有產品立場，唔應單獨當成中立證據；但當佢同 Sonar 調查及 NBER 結果放埋一齊睇，方向幾一致：產碼加速之後，壓力會移去 review、保安、合規同發佈。
公司衡量成效時，可以睇由需求確認到 production 嘅 lead time、PR 等候時間、返工比例、事故數量、漏洞修復時間同 release 頻率。開發者用 AI 寫快咗幾多行，只適合當局部訊號。對團隊最有用嘅規矩其實好簡單：提交者要明白自己交出咩，系統要有自動門檻，管理層就睇最終有幾多可靠功能真正交到用家手上。
參考來源
- TechNews 科技新報 — 效率狂飆的副作用，AI 生成程式碼引爆「當責危機」與職場「AI 罰則」 — original report
- GitLab 2026 AI Accountability Report — 官方報告頁，交代 1,528 名受訪者、六國調查範圍同 AI 管治主題
- Research: The Hidden Penalty of Using AI at Work — 研究作者解釋 1,026 名工程師評價 AI 輔助程式碼嘅實驗
- Sonar 2026 State of Code Developer Survey — 完整調查報告，提供信任、驗證同 review 負擔數據及樣本資料
- Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools — 以逾 10 萬名 GitHub 開發者資料比較 commits、項目、releases 同實際使用嘅工作論文
本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。
