衡量2026年初AI对科技工作者生产力的自报影响

2026年2月至4月，METR开展了一项针对349名技术工作者（包括87名软件工程师、71名研究员、129名学者和博士生以及48名创始人和管理者）的调查，旨在了解AI工具对其生产力的影响。与以往研究相比，该调查是迄今最详细的技术工作者AI生产力增益自报研究之一。

调查试图捕捉AI带来的“价值”增益（即利用AI创造了多少额外价值），而非“速度”增益（即没有AI时完成任务所需的时间）。这一区分至关重要，因为AI可能改变工作任务的分布，例如研究人员可能利用AI快速构建数据仪表盘，虽节省时间但对项目核心价值贡献有限。研究团队认为，价值增益更贴近调查设计者通常关心的概念，而速度增益往往被高估。

结果显示，参与者自报的价值增益中位数为1.4-2倍，速度增益中位数为3倍。同一批受访者回顾性估计2025年3月的价值增益为1.3倍，当前（2026年3月）为2倍，并预测2027年3月将达到2.5倍。应答在内部一致性方面表现良好，仅3%的受访者因异常回答被剔除。

然而，研究团队对结果持谨慎态度。METR员工给出的价值增益在所有子组中最低，这可能因其熟知过往研究中感知与现实生产力的差距。此外，初步定性分析暗示，特别高的价值增益估计可能被夸大。更重要的是，调查结果未必反映现实——2025年初的类似研究发现，人们平均高估AI对任务时间的影响达40个百分点。

调查作为生产力证据的补充，与基准测试和随机对照试验（RCT）各有优劣。基准测试标准化且可重复，但外部效度存疑；RCT控制严格但成本高昂；调查成本低、范围广，但依赖自我报告，易受偏差影响。研究团队建议，对AI自动化潜力感兴趣的机构（如前沿AI公司）应基于此开展高质量调查，并优先调查管理者或生产力研究员而非个人贡献者。

调查方法论包括：通过多渠道（GitHub、学术机构、METR网络等）招募便利样本，约70%参与者获得平均200美元的报酬；参与者平均有12年编程经验、19个月AI编程经验和7个月AI代理工具使用经验；48%位于美国，37%为学者或博士生。调查设计了多个价值增益问题以交叉验证，并排除了极端不一致的应答。

总体而言，该调查为AI对技术工作者生产力的影响提供了宝贵自报数据，但结果需结合其他证据综合解读。未来研究应进一步细化度量指标，并探索实验数据与调查结果的差异。