衡量2026年初AI對科技工作者生產力的自報影響

2026年2月至4月，METR開展了一項針對349名技術工作者（包括87名軟件工程師、71名研究員、129名學者和博士生以及48名創始人和管理者）的調查，旨在瞭解AI工具對其生產力的影響。與以往研究相比，該調查是迄今最詳細的技術工作者AI生產力增益自報研究之一。

調查試圖捕捉AI帶來的“價值”增益（即利用AI創造了多少額外價值），而非“速度”增益（即沒有AI時完成任務所需的時間）。這一區分至關重要，因為AI可能改變工作任務的分佈，例如研究人員可能利用AI快速構建數據儀表盤，雖節省時間但對項目核心價值貢獻有限。研究團隊認為，價值增益更貼近調查設計者通常關心的概念，而速度增益往往被高估。

結果顯示，參與者自報的價值增益中位數為1.4-2倍，速度增益中位數為3倍。同一批受訪者回顧性估計2025年3月的價值增益為1.3倍，當前（2026年3月）為2倍，並預測2027年3月將達到2.5倍。應答在內部一致性方面表現良好，僅3%的受訪者因異常回答被剔除。

然而，研究團隊對結果持謹慎態度。METR員工給出的價值增益在所有子組中最低，這可能因其熟知過往研究中感知與現實生產力的差距。此外，初步定性分析暗示，特別高的價值增益估計可能被誇大。更重要的是，調查結果未必反映現實——2025年初的類似研究發現，人們平均高估AI對任務時間的影響達40個百分點。

調查作為生產力證據的補充，與基準測試和隨機對照試驗（RCT）各有優劣。基準測試標準化且可重複，但外部效度存疑；RCT控制嚴格但成本高昂；調查成本低、範圍廣，但依賴自我報告，易受偏差影響。研究團隊建議，對AI自動化潛力感興趣的機構（如前沿AI公司）應基於此開展高質量調查，並優先調查管理者或生產力研究員而非個人貢獻者。

調查方法論包括：通過多渠道（GitHub、學術機構、METR網絡等）招募便利樣本，約70%參與者獲得平均200美元的報酬；參與者平均有12年編程經驗、19個月AI編程經驗和7個月AI代理工具使用經驗；48%位於美國，37%為學者或博士生。調查設計了多個價值增益問題以交叉驗證，並排除了極端不一致的應答。

總體而言，該調查為AI對技術工作者生產力的影響提供了寶貴自報數據，但結果需結合其他證據綜合解讀。未來研究應進一步細化度量指標，並探索實驗數據與調查結果的差異。