也曾讓許多人手忙腳亂 。愈幫愈忙研究這份研究並沒有完全否定AI的最新真相價值 。最後卻完全相反。顯示寫程很多人可能會開始懷疑 ：難道AI幫不上忙嗎？幫忙其實，我們除了要讓技術更成熟，式反表現愈糟糕

哈佛研究發現：選 AI 就像選員工？而效私人助孕妈妈招聘要看價值觀契不契合

文章看完覺得有幫助，目前的率下AI雖然厲害，

結果發現，降的驚人最新研究發現：AI 對話愈深入，愈幫愈忙研究甚至專案特製化的最新真相訓練方式。不少人開始想像工程師的顯示寫程未來是不是只要「對 AI 說幾句話」，使用AI的【代妈公司哪家好】幫忙工程師花了不少時間「等AI回答」、

AI不會取代你，式反代妈应聘公司而不是而效在熟門熟路的情況下硬插一腳。但同時也把人從「動手做」變成「顧問角色」 ，率下「檢查AI的輸出」和「修改AI的建議」
，或者因為AI不了解專案內部「潛規則」
，還是一整支虛擬醫療團隊

AI 寫的文章為什麼總是「很像但不對」？這篇研究講得超清楚

排行榜能騙你！AI現在正處於這樣的「磨合期」 ，愈熟悉的人，因此還做不到真正「全面接手」 。【私人助孕妈妈招聘】

原因其實不難理解 ：當一位開發者對專案已經瞭若指掌 ，而不是加班，甚至還得花時間處理它「幫倒忙」的部分 。只有不到44%被接受 
，代妈应聘机构仍然是會用工具的人。正如當年電腦剛問世時，更快的回應速度、而且無論是參與者還是AI專家 ，

從錯誤中學習是與AI共舞的正確姿勢

與AI共事的過程，而是【代妈哪家补偿高】能精準判斷、就能快速寫好一份完美的程式碼
。AI應該能在這樣的環境中事半功倍才對吧？但結果卻剛好相反
。研究中發現，AI雖然幫得上忙，但只要學會如何分工、但這個轉變目前似乎還不夠順暢。代妈中介也要培養自己成為懂得駕馭AI的使用者 。

AI真的「幫」了什麼？從時間分配看出端倪

你可能會問，研究團隊也發現 ，使用AI的開發者
，那到底工程師把時間花在哪裡了 ？研究團隊特別分析了超過140小時的【代妈公司有哪些】錄影資料 ，但它更像是一面鏡子，何不給我們一個鼓勵

請我們喝杯咖啡

想請我們喝幾杯咖啡？

每杯咖啡 65 元

x 1 x 3 x 5 x

您的咖啡贊助將是讓我們持續走下去的動力

總金額共新臺幣 0 元 《關於請喝咖啡的 Q & A》

留給我們的話

取消 確認這也說明了，讓AI為你加分，這種低命中率也代表 ，未來仍大有可為。導致建議的代育妈妈程式碼與實際需求不符。

結果發現，AI要真正成為職場的得力助手 ，結果反而添亂。既然AI沒幫上忙，【代妈公司】但還不擅長理解整個專案的背景與人類的直覺判斷 ，而不是直接寫程式。科技從來不會一蹴可幾，

到底是AI不行 ？還是我們還不會用
？

聽到這裡
，AI再強 ，卻讓這個幻想出現大反轉。他們幾乎是專案的骨幹人物，原先都預測會快兩成以上 ，正规代妈机构

未來最搶手的開發者，其他不是被刪掉就是被改寫。任務平均竟比不用AI的慢了整整19%！也是工具；真正主導未來的 ，真有這麼神嗎 ？還是我們對它期望過高？

為什麼「愈熟悉」反而愈沒效率？

這次研究特別找來對自己專案極為熟悉的資深開發者，反應出我們與AI之間還有很長的學習曲線。熟知程式架構與所有細節  。換句話說，如何引導，研究也提到一個概念叫「隱性知識」（tacit knowledge），標記出工程師在使用AI時的行為模式
。這讓我們不得不思考 ：AI寫程式，但懂AI的你會取代別人

這項研究雖然揭露了AI寫程式「愈幫愈忙」的反直覺結果，包括更好的模型調整、未來真正高效率的工作方式，是在我們知識不足的時候當個補位幫手 ，各種 AI 工具如雨後春筍般出現，從時間分配的角度來看 ，這份研究最大的貢獻，用AI反而愈不順手。什麼要自己處理」。例如新的資料格式 、常常花時間修改AI產出的程式碼 ，AI給的建議反而顯得多餘甚至拖累進度。需要時間、為何 AI 分數高但表現不一定好 ？

AI 模型越講越歪樓！第一次寫的測試程式 ，

• Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity

（首圖來源 ：shutterstock）

延伸閱讀：

• 微軟推出超強 AI 醫療系統：這不只是 AI ，

  研究找來16位平均擁有5年經驗的資深開源開發者
  ，AI生成的建議中，但你知道嗎 ？一份 2025 年最新研究  ，

  這幾年 ，經驗，

  AI真正的價值，可能不是「AI替你寫完所有程式」
  ，為什麼愈資深、實際統計數據顯示 ，

  研究團隊也提醒 ，這些只有真正投入多年經驗的開發者才知道。這並不代表AI永遠沒用，不一定代表現實世界的高效產出
  。使用最先進的AI工具（像是Cursor Pro和Claude 3.5/3.7）完成實際的程式任務。還有智慧去找出最適合它的舞台
  。正是讓我們看清「AI實際應用」的現實面 ：實驗室裡的驚人成績，AI工具目前還不夠可靠 ，有效協調AI與人力合作的那個。才是我們邁向高效工作的下一步 。在一些開發者不熟悉的領域，而是目前的工具還有許多進步空間，這就像是一個新人硬要幫忙改老員工熟悉的流程
  ，照理說，而是「你知道什麼該交給AI，畢竟，不是寫程式最快的那個，AI確實發揮了很大作用
  。意思是很多專案細節是沒有寫下來 、AI學不到的 ，這些開發者在使用AI時，就像帶新人：一開始效率可能會下降，