编程智能体交付了什么,企业需要重新算账
麦肯锡与 Cognition 的新合作把重点放在可衡量的成果。企业真正需要解释的,是新增代码怎样变成被验收的工作。

11 月 16 日,麦肯锡与 Cognition 宣布合作,计划结合 Devin 编程智能体与企业转型服务,帮助客户扩大软件开发应用并衡量业务价值。合作公告
这是一项商业合作,不是双方已经证明所有企业都能获得相同回报的实验。它提出了值得讨论的问题:当生成代码越来越容易,企业如何判断自己买到的是更多活动,还是更多完成的工作?下文是 Open Market Notes 的分析,不是对 Devin 实际效果的独立测试。
一份合并请求还不是业务成果
编程工具很容易留下可计数的记录:生成的代码、创建的任务、提交的修改。它们适合描述使用量,却不能单独说明最终价值。一段代码可能通过检查后上线,也可能因为需求改变而被放弃。两者在生成阶段都产生工作记录,经济意义却不同。
可以把验收单位放在一项有明确边界的改动上,例如完成一处接口迁移,并满足约定的兼容性和测试要求。这是一个假设性管理示例,并非合作方披露的案例。计量时应包括任务说明、准备环境、人工检查、修改与发布后的返工。若只记录智能体运行时间,就把其他参与者的成本留在账外。
这个视角并不否定快速生成的价值。它只是要求把局部效率与整个流程联系起来。如果测试环境仍要等三天,编码节省两小时未必能让交付提前两小时。要判断实际改进,需要知道节省的时间发生在哪一段、后续环节是否能够接收新增工作。
既不能沿用旧结论,也不能忽略测量困难
METR 对早期 2025 年工具的随机实验发现,研究中的熟练开源开发者在允许使用 AI 时完成任务耗时增加 19%。这是特定人员、项目与时期的结果。原始研究
2026 年 2 月,METR 又说明后续实验受到参与选择与并行智能体计时问题影响,无法可靠估计当时的生产率效应。研究更新
这两项材料应放在一起读。把旧结果直接推广至今天的产品,是忽略工具变化;把开发者不愿放弃 AI 视为已经精确证明收益,也跨过了证据能够支持的范围。更稳妥的结论是:企业需要适合自身工作结构的观察方法,不能用一项外部数字替代本地评估。
并行工作尤其容易造成误读。一个工程师同时分派五项任务,不能简单把五个智能体的运行时间相加后当作节省的人力。人可能在等待、处理其他工作,也可能承担集中到达的检查需求。墙上时钟时间、人的实际投入和最终完成量,应分别记录。
试点首先需要保留失败的工作
企业可以在开始前选定一组边界清晰、风险可控的任务,保存原先的工作方式与验收要求。任务难度、代码库熟悉程度和依赖条件应尽量可比。无法严格随机分配时,应明确这是观察性的业务试点,不能把所有差异都归因于工具。
尤其需要保留未完成、返工和被放弃的任务。如果只有成功案例进入汇报,计量从一开始就偏向好结果。失败并不必然证明产品无用;它可能揭示某类任务不适合自动化、权限不足或测试不完整。分类记录这些原因,才可能改进后续任务选择。
DORA 的 2025 年研究把 AI 描述为组织既有优势与弱点的放大因素。研究报告 这不是每家公司必然发生某种结果的定律,但它提醒管理者,工具之外的流程条件不能从解释中消失。明确需求、稳定测试与可执行的审查规则,本身就是实验的一部分。
节省的工时需要有去向
假设一个团队通过工具节省了部分实现时间,财务回报仍有几种不同形式。它可以减少加班或外包,也可以交付过去无暇处理的工作,还可以留出更多时间改善质量。这些都可能有价值,但并非同一种收益,不能重复计算。
把节省工时乘以工资,得到的是一种容量估算,不自动等于现金成本下降。若人员与支出没有变化,企业可能获得了更大的产能,而不是账单上的节省。产能是否创造价值,还取决于后续做了什么、客户是否需要,以及是否增加维护负担。
评估也应纳入订阅、模型调用、环境运行、接入、培训和人工监督成本。并非每项成本都容易精确归属,但把不确定部分列出来,仍比把它们默认为零可靠。对于早期试点,可以给出区间与假设,再随运行数据修正,而非过早承诺一个稳定的回报倍数。
合作的检验发生在项目结束之后
这次联盟把产品能力与实施服务放在一起,提供了一条企业采购路径。它能否成立,需要客户项目给出答案。短期看,应检查完成的任务是否通过同样的质量标准;中期看,应观察新增产出是否增加故障、审查积压或维护工作。
编程智能体的商业验证不必等同于减少多少工程师。一个以前没有预算推进、现在可以可靠完成的项目,同样可能产生回报。但无论选择哪种目标,都需要事先定义验收、记录完整成本,并在一段时间后重新检查结果。代码生成能力是起点,企业购买的应当是能够解释的交付改善。
内容仅供参考,不构成投资、法律、税务或财务建议。