招不到人了

2026 年 2 月，METR（一家专门给前沿 AI 模型做能力评估的非营利研究机构）发了一篇不太像研究进展的进展。

这家机构去年做过一件事：找 16 名资深开发者，让他们在自己维护了好几年的开源项目上做 246 个真实任务，随机分成"可以用 AI"和"不许用 AI"两组，全程录屏。结果是允许用 AI 的那组慢了 19%，置信区间在 2% 到 39% 之间，意思是真实效果大概率落在"慢 2%"到"慢 39%"这个范围里。这篇东西后来被引用了无数次，成了"AI 让程序员变慢"这句话的出处。

今年他们想再测一次，看看最新的 agent 效果如何。招不到人。

准确说，是招不到愿意配合的人。METR 在 2 月 24 日那篇博客里写得很清楚，越来越多开发者明确表示，他们不愿意把一半的工作时间花在没有 AI 的状态下，哪怕时薪照付、任务随他们自己挑。有三到五成的人承认，有些任务他们干脆就不提交了，理由是"不想在没有 AI 的情况下做"。这两件事合起来意味着，最相信 AI 有用、也最会用 AI 的那批人，已经系统性地从样本里消失了。

METR 因此宣布，新一轮数据是"不可靠的信号"，并且主动说明这很可能让他们低估 AI 的提速幅度。他们在原来那批人身上测到的数字已经翻转成"快 18%"，新招的人测出来是"快 4%"。但两个区间都跨过了零点，快和慢这两种可能都还没排除，METR 自己的措辞是"非常弱的证据"。

一家专门给 AI 挑毛病的机构，最后卡在了招人上。这个细节比那个 19% 更值得停下来看一眼。

看起来赢了

如果只看总量，AI 这一年没有什么可挑剔的。

软件这边，JetBrains（一家做编程工具的公司）在四月到五月问了一万五千多名开发者，90% 的人每周至少用一次 AI 写代码工具，68% 每天用。Claude Code 在工作场景的使用率一年间从 3% 涨到 39%，美国是 47%。GitHub Copilot 从 29% 掉到 21%，那是被抢走的，不是被放弃的。

企业这边，MIT 有个研究项目叫 Project NANDA，它那份被引用到烂的报告里，被截图传得最广的是那句"95% 没有回报"。翻回原文，那张漏斗图画的是六成组织考察过工具、两成进了试点、5% 进了生产。两成进试点、5% 进生产，算下来约四分之三的试点没通过他们设的门槛，而那道门槛定得不低：要真用起来而不是只试试，要有可量化的考核指标（KPI），还要在试点结束后六个月算出投入产出比（ROI）。同一份报告还写了另一组数，超过八成组织探索或试点过 ChatGPT、Copilot 这类通用工具，近四成已经部署，通用聊天机器人的试点到实施率约 83%。

通用工具是过了的。卡住的是另一类：要嵌进具体工作流、要接企业数据、要能处理例外的定制系统，只有约 5% 走到生产。

机器人这边，2026 年上半年国产人形机器人出货超过四万台，全球占比 97%。市场研究机构 Counterpoint 把这四万台拆开看：文娱表演 33.6%，数据生产与科研 27%，服务导览约 19%，智能制造 12.8%，仓储物流 4.9%。真正进厂进仓的凑不满两成。宇树上市前披露的材料把这件事说得更白，2025 年前九个月，人形机器人收入里科研教育占 73.6%，工业与行业应用 9.01%。

制药这边，到 2026 年年中，全球超过 173 个 AI 原创药物进了临床试验。其中一期临床（第一步，主要看安全性，受试者筛选极严、条件最可控）的成功率是 80% 到 90%，行业历史均值只有 52%。目前有两条走到了 NDA 或 pre-NDA（向药监局提交上市申请那一步），五条在 III 期（上市前最后一轮大规模人体试验）。可八年过去，一款 AI 原创药都没获批。那份券商研报自己列的五条产业化鸿沟里，有一条写得很直白：考试跑分很高，一上真实项目就衰减。

四组数字，四个领域，四种完全不同的测量方法。它们的形状是同一个。

同一个形状

先看那批被 AI 拖慢的开发者。METR 的原文里有个容易被跳过的发现：拖慢的幅度，在开发者经验最丰富的任务上最大。这些人平均在这个项目上提交过 1500 次代码，他们清楚每一行该怎么写。AI 给建议，他们得读。75% 的人说他们逐行读了 AI 的输出，56% 说做了大改，最终接受率不到 44%。在一个你已经知道答案的地方，先读一遍别人的答案再改回来，是净亏损。

宇树创始人王兴兴在世界机器人大会上讲的那句话，几乎是同一句翻成另一门语言的说法。他说，在充分标定的固定场景里，人形机器人任务成功率可以接近 100%；一旦物体、环境发生厘米甚至毫米级的微小改变，执行效果就断崖式下滑。工厂产线的真实工况恰恰一直在变。换一批物料，调一下工位布局，机器人可能就"一换就废"。

企业和制药是这条规律在更慢的时间尺度上的样子。通用工具之所以能做到 83% 的实施率，是因为它不嵌进任何东西：你问，它答，答错了你自己改，没有流程被改动，没有责任要重新划分。定制系统之所以卡在 5%，是因为它必须嵌进去，要接数据，要处理例外，要知道自己的输出被采纳还是被推翻了。Project NANDA 给这类失败起了个名字叫 learning gap（学习缺口），意思是系统不记住反馈，不适应具体情境，用久了也不长进。可"记住反馈、适应情境"这件事需要的恰恰是真实使用，而试点环境提供的恰恰不是真实使用。

约 5% 走到生产的那批定制系统，报告里给了它们一个共同点：外部合作定制的部署率约 67%，内部自建约 33%。差别不在技术能力，在有没有人真的懂那条工作流。

制药是最干净的例子。一期临床试验是整个药物研发里条件最可控的环节，受试者经过严格筛选，剂量、给药方式、观察指标全部固定。AI 在这个环节做到 80% 到 90%，说明它设计分子的能力是真的。但从一期到获批，中间隔着真实世界：合并用药、个体差异、长期安全性、罕见不良反应。条件每松一格，确定性就掉一截。那份研报提到，2025 年之后由多个 AI 智能体协作产出的那批药物还在临床前阶段，没经过临床验证，同时已有部分早期 AI 药物在临床阶段终止了。

四件事摞在一起，规律很朴素。AI 的能力在条件稳定时测得准，它的收益却要在条件不稳定的地方兑现。两者之间隔着一堵墙，叫泛化，就是把一个地方学会的本事搬到另一个地方去用。

演示测的是能力。真实世界收的是摩擦税。

消失的对照组

METR 那个招不到人的困境，还有一层更难处理的意思。

随机对照实验（把人随机分成两组，一组用、一组不用，再比较结果，这是判断"到底有没有用"最靠得住的办法）的全部价值，在于存在一个不用 AI 的参照组。当足够多的人离不开 AI，那个参照组就建立不起来了。研究者建不出来，是因为没人愿意被分进去。METR 还提到另一个技术上的麻烦，现在不少开发者同时开着好几个 AI 助手干活，这种用法下"某个任务花了多少时间"这个测量本身开始失去意义。

于是一个很别扭的局面出现了：AI 越是成功，我们越测不出它到底带来了多少。能测的时候，测出来是慢 19%；等到想再测一次，样本已经不合作了。剩下的只有主观感受。METR 那批开发者在实验开始前预期 AI 会让他们快 24%，实测慢了 19% 之后，他们仍然认为 AI 让他们快了 20%。经济学家预测 39%，机器学习专家预测 38%。

这不是说 AI 没用。王兴兴给的时间表是两到十年。银河通用的创始人王鹤把今天机器人的"大脑"类比为数字世界的 GPT-2，也就是大模型的早期阶段，估计 2028 年前后能接近 GPT-3.5 到 GPT-4 的水平。智元（也是机器人公司）在 3C 工厂（3C 指电脑、通信、消费电子这三类电子产品）的平板上下料场景，做到日均运行十余小时、成功率 99.99%、累计六万多次作业。第一个工位落地花了四个月，第二个一个多月，第三个只要两到三周。这条曲线说明，嵌进去的成本可以被学习摊薄。

这是有条件的乐观。条件落在场景能不能再规整一点，也落在我们愿不愿意把"怎么嵌"这件事多练几遍。

该问的问题

四万台机器人、八成企业在试点、173 条临床管线、九成开发者在用。这些数字都是真的，也都不假。只是它们回答的是"有没有人用"，不是"用出了什么"。

真正要问的那句落在别处：这个场景的条件，稳不稳？

答案决定收益的正负，而这个变量从来不出现在任何一场演示里。（文/王子祺）