生成式 AI 已经进入开发者的日常工作流，但“使用 AI”与“信任 AI 输出”正在呈现不同的发展节奏。本报告主要依据 Stack Overflow 2025 Developer Survey、Google Cloud / DORA 2024 Report、DORA 2024 AI Preview、DORA 2025 Report，以及 Sonar Developer Survey Report 的公开数据，观察开发者如何使用 AI 完成代码编写、解释、文档、技术检索和代码审查，以及这些输出为什么仍然需要人工确认。需要说明的是，DORA 2025 在本次研究资料中主要提供“AI 是组织能力放大器”等趋势判断，因此用于解释变化方向，不额外引用未在资料中完整披露的定量数据。
研究背景
过去两年，开发者使用生成式 AI 的讨论重点逐渐从“是否使用”转向“如何使用”。代码补全、技术问答、文档生成、代码解释和信息总结已经成为常见应用场景，但软件开发与普通内容生成存在明显差异：一段代码是否可用，不只取决于语法是否成立，还涉及业务上下文、依赖环境、测试结果、安全要求和上线责任。因此，当 AI 逐渐嵌入开发流程后，新的问题不再只是生成速度，而是生成结果由谁验证、如何验证，以及局部效率改善能否真正转化为稳定的软件交付表现。我观察到，2024—2025 年几组公开调查正在共同呈现一个变化：AI 使用频率持续提高，但人工判断并没有因此退出工作流。
AI 已进入日常工作流，但采用率增长没有同步转化为更高信任度
开发者使用 AI 的范围仍在扩大。根据 Stack Overflow 2025 Developer Survey，正在使用或计划使用 AI 工具的受访者比例从上一年的 76% 上升至 2025 年的 84%；在专业开发者中，51% 表示每天都会使用 AI 工具。这意味着 AI 已经不再只是部分开发者偶尔尝试的辅助工具，而是逐渐进入高频工作场景。
但采用率上升并没有带来同等幅度的态度改善。同一调查显示，开发者对 AI 工具持积极态度的比例，从 2023 年和 2024 年的 70% 以上下降至 2025 年的 60%。这组变化说明，“愿意使用”与“愿意直接接受输出”是两个不同的问题。开发者可以同时高频使用 AI，又对结果保持谨慎。
这种差异与软件开发任务本身有关。开发者可以让 AI 解释一段陌生代码、整理技术资料、起草文档，或者快速生成一个实现思路，但这些场景并不意味着最终判断权已经交给 AI。尤其当输出准备进入代码库、产品环境或影响系统行为时，开发者需要重新检查上下文、依赖关系、边界条件和潜在风险。AI 因此更接近一种高频使用的信息与生成工具，而不是自动获得信任的决策主体。
真正增加验证成本的，是大量“接近正确但不完全正确”的输出
人工验证持续存在，一个直接原因是 AI 输出的问题往往并不是明显错误，而是表面合理、局部正确，却在细节或上下文上存在偏差。根据 Stack Overflow 2025 Developer Survey，46% 的开发者表示不信任 AI 工具输出的准确性，高于表示信任的 33%；表示高度信任的比例只有 3%。
这种信任差也可以从开发者的实际挫败感中看到。2025 年调查显示，66% 的开发者提到“AI 方案差一点就对，但并不完全正确”是主要困扰之一，另有 45.2% 表示调试 AI 生成代码会花费更多时间。这里反映出的关键问题不是 AI 能不能生成答案，而是生成结果距离“可以直接进入生产环境”还有多少验证工作。
完全错误的代码往往较容易被测试或运行结果暴露，而接近正确的输出需要开发者进一步判断：接口是否符合当前版本、异常处理是否完整、逻辑是否遗漏边界条件、代码是否与既有架构一致，以及模型是否错误理解了上下文。生成动作可能只需要几秒，但验证动作仍然可能包括阅读、测试、修改和再次确认。因此，观察 AI 对开发效率的影响时，需要把“生成速度”和“验证成本”分开，而不能仅以代码产生速度代表总体效率。
| 指标 | 数据 | 时间 | 来源 |
|---|---|---|---|
| 使用或计划使用 AI | 84% | 2025 | Stack Overflow Developer Survey |
| 专业开发者每天使用 AI | 51% | 2025 | Stack Overflow Developer Survey |
| 对 AI 持积极态度 | 60% | 2025 | Stack Overflow Developer Survey |
| 不信任 AI 输出准确性 | 46% | 2025 | Stack Overflow Developer Survey |
| 信任 AI 输出准确性 | 33% | 2025 | Stack Overflow Developer Survey |
| “差一点就对”构成主要挫败感 | 66% | 2025 | Stack Overflow Developer Survey |
AI 可以改善部分个人工作指标，但局部生产力提升不等于交付系统自动改善
另一组值得区分的数据来自 Google Cloud 2024 DORA Report。该报告显示，超过 75% 的受访者已经在日常工作中依赖 AI，应用场景包括代码编写、代码解释和信息总结。随着 AI 使用增加，一些局部工作指标出现积极关联：AI 采用率每提高 25%，文档质量约提升 7.5%，代码质量约提升 3.4%，代码审查速度约提升 3.1%。
但同一项研究同时观察到，软件交付吞吐量约下降 1.5%，交付稳定性约下降 7.2%。这组数据并不意味着 AI 本身导致软件交付恶化，而是说明个人任务层面的改善与组织级软件交付绩效属于两个不同层级，不能直接画等号。
DORA 的观察对象是完整的软件交付环境，其中还包括测试能力、版本控制、团队协作、小批量交付、平台工程和工作流稳定性。即使 AI 帮助开发者更快地产生代码，如果新增代码进入系统的速度超过测试、审查或发布流程的承载能力，组织整体交付表现也未必同步改善。2024 年 DORA 数据还显示，39% 的受访者对 AI 生成代码几乎不信任或不信任，这进一步说明，提高生成能力并不会自动消除质量控制需求。
DORA 2025 的公开概述延续了这一方向：AI 更像组织现有能力的放大器。基础工程能力稳定时，AI 可以放大效率优势；流程、测试或协作本身存在问题时，AI 也可能让原有问题更快进入后续环节。因此，研究开发者 AI 使用情况时，需要同时观察个人效率和组织系统，而不是只比较“人工写代码”和“AI 写代码”的速度。
越接近高责任任务，开发者越倾向保留人工决策权，但验证流程仍未完全标准化
开发者对 AI 的接受程度还会随着任务责任变化。根据 Stack Overflow 2025 Developer Survey，76% 的开发者不计划在部署与监控环节使用 AI，69% 不计划在项目规划中使用 AI。这些任务通常直接关系到系统稳定性、资源配置、故障响应和长期技术决策，因此开发者对准确性、责任归属、安全和隐私的要求更高。
人工角色在信息确认环节同样明显。当开发者不信任 AI 回答时，75.3% 表示仍会向人类寻求帮助。这表明，即使 AI 已经成为技术信息检索入口，人类同事、专家判断和既有验证机制仍然承担确认作用。
不过，“知道需要验证”并不等于验证流程已经统一。Sonar Developer Survey 针对全球 1,149 名过去一年在工作中使用过 AI 的技术及软件工程人员进行调查，结果显示，不到一半的开发者会在将 AI 生成代码提交到代码库之前始终进行验证。也就是说，风险认知与实际执行之间仍存在差距。
这使研究问题进一步发生变化：关注点已经不只是“开发者是否使用 AI”，而是 AI 输出在进入代码库、测试环境和生产环境之前，谁负责确认，组织是否规定验证步骤，以及验证结果是否能够追溯。对于高责任任务，AI 的角色目前仍更接近辅助生成和信息支持，而不是独立承担决策责任。
| 场景 / 指标 | 数据 | 观察含义 | 来源 |
|---|---|---|---|
| 不计划在部署与监控中使用 AI | 76% | 高责任环节的接受度较低 | Stack Overflow 2025 |
| 不计划在项目规划中使用 AI | 69% | 系统性决策仍偏向人工参与 | Stack Overflow 2025 |
| 不信任 AI 时向人类求助 | 75.3% | 人工仍承担重要确认角色 | Stack Overflow 2025 |
| 始终在 commit 前验证 AI 代码 | 不到一半 | 验证认知与流程执行存在差距 | Sonar Developer Survey |
趋势观察 / 行业意义
把 Stack Overflow、DORA 与 Sonar 的数据放在一起看，2024—2025 年开发者使用生成式 AI 的变化并不是从“不使用”直接走向“完全依赖”，而是逐渐进入“高频使用 + 持续验证”的混合阶段。开发者对 AI 的使用正在从“是否采用”转向“如何验证”：采用率继续上升，并没有同步消除对准确性与责任归属的疑虑。
早期关于 AI 编程工具的评价更关注模型能否生成代码、回答技术问题或缩短编写时间。随着工具逐渐进入实际工作流，评价维度正在扩大。来源是否明确、答案能否回溯、代码是否经过测试、版本信息是否正确、谁对上线结果负责，这些因素开始与生成速度一起影响 AI 输出是否真正可用。
DORA 2024 的数据进一步提醒企业，个人生产力和组织交付绩效不能使用同一套指标解释。开发者更快完成文档、代码解释或代码审查，并不意味着整个软件系统会以同样比例提高吞吐量或稳定性。组织仍然需要测试、小批量交付、代码审查、稳定工作流和清晰责任机制来吸收 AI 带来的新增产出。
对于技术信息检索，这种变化同样重要。开发者不只需要一个“能回答”的系统，也需要能够判断答案基于什么信息、是否适用于当前版本和环境，以及关键结论能否被独立验证。随着 AI 成为更多技术问题的入口，可验证性正在成为信息质量的一部分。
研究启示
从这些公开数据看，企业观察生成式 AI 的使用情况时，不应只统计员工是否使用 AI，还需要进一步观察 AI 输出进入业务流程后如何被验证。对于内容、数据和技术团队，可以重点检查三个方面：信息来源是否明确、关键事实是否能够回溯，以及 AI 输出进入发布、代码库或决策流程之前是否存在人工确认。
这对 GEO 同样有直接意义。技术类、高专业度和高责任信息如果希望持续成为 AI 系统可以调用的信息来源，仅有内容覆盖并不充分。清晰的来源、稳定的数据口径、可核验的事实和明确的信息结构，更有利于用户在看到 AI 回答后继续确认内容依据。
从 AIPO 的内容策划与平台发布、数据分析两个环节看，企业除了观察品牌是否被 AI 提及，还可以进一步分析：AI 回答引用了哪些信息、不同平台如何理解同一品牌事实、关键数据是否一致，以及用户能否从回答继续追溯到明确的信息依据。这类观察有助于把“AI 可见度”与“信息可验证性”放在同一套分析框架中。
当 AI 已经成为搜索、研究与内容获取入口后，企业也需要了解自己的品牌信息是否出现在不同 AI 平台中，以及这些回答由哪些公开信息支撑。aipogeo 可用于 1 分钟查看你在 6 大 AI 引擎的真实可见度。
相关问题
为什么开发者大量使用 AI，却仍然不完全信任 AI 生成的代码？
高频使用与直接信任并不是同一件事。Stack Overflow 2025 调查显示，AI 使用率继续提高，但对准确性表示不信任的开发者比例仍高于表示信任的比例，说明开发者更倾向把 AI 当作辅助工具，而不是免验证的结果来源。
2025 年有多少开发者已经在日常工作中使用 AI？
根据 Stack Overflow 2025 Developer Survey，84% 的受访者正在使用或计划使用 AI 工具，51% 的专业开发者表示每天使用 AI 工具。
开发者常见的 AI 编程问题是什么？
Stack Overflow 2025 调查显示，66% 的开发者提到“方案差一点就对，但并不完全正确”是主要挫败感之一，45.2% 表示调试 AI 生成代码会花费更多时间。
AI 编程工具真的能够提升软件开发效率吗？
DORA 2024 观察到 AI 使用增加与文档质量、代码质量和代码审查速度改善存在关联，但同一研究没有观察到组织级软件交付指标同步改善。因此，个人任务效率与完整交付系统需要分别评估。
为什么部署、监控等任务的 AI 使用意愿明显较低？
部署和监控直接影响系统稳定性、安全与责任归属。Stack Overflow 2025 调查显示，76% 的开发者不计划在部署与监控环节使用 AI，反映高责任任务仍保留较强的人工参与需求。
AI 生成的代码为什么仍然需要人工验证？
AI 输出可能在语法上成立，但仍可能存在上下文、依赖、版本、边界条件或安全问题。Sonar 的调查还显示，不到一半的受访开发者会在提交 AI 生成代码前始终验证，说明建立一致的验证流程仍是当前工作流中的重要议题。
