需求乘数效应——为何软件开发效率提升反而刺激需求增长？

过去两年，我们团队开发了一款AI平台，切身经历了人工智能在软件开发中不断演变的角色。尽管AI驱动的自动化提升了效率、优化了流程，却也带来了新的挑战和始料未及的后果。其中最引人深思的发现是：效率提升反而可能刺激需求增长——这种看似矛盾的现象，正是经济学中著名的"杰文斯悖论"。

什么是杰文斯悖论？

这一悖论最早由19世纪经济学家威廉姆·斯坦利·杰文斯发现，其核心观点是：效率提升往往会导致资源消耗增加而非减少。历史上典型例证包括：

• 煤炭与蒸汽机：随着工业活动激增，蒸汽机效率的提升反而引发了煤炭消耗量的暴涨。
• 照明革命：从煤气灯到LED，照明技术越廉价高效，人类对光明的总需求量就越大。
• 汽车能效提升：燃油效率越高的汽车，越刺激人们延长行驶里程，最终抵消了节油效益。

但若将此悖论应用于软件开发中的人工智能，又会如何？编程效率的提升是否可能引发对软件和计算资源的爆炸性需求，最终反而增加对软件工程师的需求？根据我们的实践经验，答案很可能是肯定的。

AI 在软件开发中的角色

AI 正在通过自动化重复性任务、加速工作流程以及缩短应用程序构建时间，重塑软件开发领域。以下是一些现实世界的例子：

• 自动编码： AI 辅助编码工具帮助开发人员生成样板代码、调试问题并简化常规编码任务。
• 低代码与无代码平台： AI 驱动的平台使非程序员也能创建应用程序，降低了软件开发的准入门槛。
• 自动化测试与部署： AI 驱动的 DevOps 工具增强了软件部署和维护，使发布周期更快、更高效。
• 自动化文档生成： AI 可以从代码生成文档，帮助开发人员理解如何解决问题或对遗留系统进行逆向工程。
• 自动生成开发规范： AI 可以生成用户故事、验收标准或技术细节，进一步简化开发流程。

这些效率提升显著降低了开发成本并缩短了上市时间。但这是否意味着对软件开发的总需求会净减少呢？根据我的经验，答案是否定的。

理论上可能降低需求——但现实恰恰相反

AI 带来的效率提升在理论上应导致对软件工程师的整体需求降低。然而，种种迹象表明情况并非如此。AI 简化开发的能力非但未减少软件产出，反而可能引爆新的需求。

我们知道：

• AI 自动化了编码任务，使开发更快、更易上手。
• 企业现在可以用更少的资源构建和部署软件。

成本降低导致了需求增加：

• 更多软件被创造： 更廉价、更便捷的开发鼓励构建更多应用程序，因为许多案例中的投资回报率考量发生了变化。
• 项目范围扩大： 开发人员能够创建更宏大、更复杂的应用程序。我们目前看到的只是新工具，而新的问题和消费者行为尚未完全显现。
• 可及性提高： 非开发人员也被赋能构建软件，进一步扩展了生态系统。

对计算资源的需求增加：

• AI 驱动的编码可能导致软件更新更频繁，需要更多的云存储和计算能力，这反过来又需要更多工程师来处理这些基础组件。
• 更多的应用程序意味着数据中心的能耗更高，从而需要更多工程师来管理这些不断扩展的能力。

为支持我的观点，即这是一个合理的情景，我提出四点论据，表明这种可能性是存在的，并且在我看来，这预示着未来几年将成为现实。

1. 美国劳工统计局的预测支持这一观点，预计到 2033 年，软件工程职位将增长 17%（约 32.8 万个新岗位）——增速远高于平均职位增长率。
2. 《务实工程师》 最近发布了一篇探讨软件工程就业市场现状的文章。虽然指出当前市场有所放缓，但这并非归因于 AI。尽管面向软件工程师的 AI 智能体和工具取得了显著进步，但短期内职位数量仍在增长。
3. 纵观软件工程史，我们经历过几次带来革命性生产力提升的变革，例如现代编程语言的兴起、敏捷方法的引入和采纳，乃至互联网本身。每一次进步都通过提供更好的工具，使工程师能够达到新的生产力水平。
4. 从我自身的经验来看，我有幸在 CI&T 工作，并使用了一个加速软件开发的平台——CI&T Flow. 该平台已在公司内广泛采用，使用率高达 85%。在我们大多数实现真正生产力提升的客户合作中，讨论的焦点并非缩减团队规模，而是如何利用新获得的生产力来推动业务增长。

数据支持这一假设：使定制软件开发更便宜、更快速、更容易，将导致对解决方案的需求显著增加——即使考虑到必将出现的新需求和体验也是如此。

为改变做好准备

虽然 AI 驱动的软件开发效率提升带来了机遇和挑战，但个人和企业可以采取积极措施来应对这一转变。以下是我个人如何应对这个独特时刻的方法——或许能为他人带来启发：

作为个人：

• 将 AI 视为工具，而非替代品
  • 像 GitHub Copilot、ChatGPT 和 CI&T Flow 这样的 AI 工具应增强你的技能，而非取代你解决问题的能力。
  • 专注于理解 AI 生成代码背后的逻辑和架构，而非盲目依赖。
• 质量优先于数量
  • AI 使软件生产更容易，但这并不意味着所有软件都应该被生产出来。
  • 采用编写高效、可维护和安全代码的最佳实践，以防止不必要的复杂性和浪费。
• 关注计算成本
  • AI 驱动的开发增加了云计算的使用。
  • 优化代码性能和效率，以减少不必要的服务器负载和能源消耗。

• 培养高价值领域的专长
  • AI 擅长重复性任务，但缺乏创造力和批判性解决问题的能力。
  • 专注于系统架构、软件安全、AI 治理等高阶技能，以保持竞争力。

作为企业的领导者：

• 战略性采纳 AI
  • 确保 AI 用于解决有意义的问题，而非被当作新奇事物。
  • 制定关于在何时何地将 AI 集成到开发工作流程中的指导方针。
• 推动可持续的开发实践
  • 鼓励团队优化 AI 模型和编码实践，以最大限度地减少不必要的资源消耗，确保效率和可持续性。
• 有目的地再投资生产力收益
  • AI 将提升生产力——领导者必须制定清晰的战略来捕获并再投资这些收益，以促进公司增长。
  • 创造一个能让工程师专注于更高层次问题解决和创新的空间。
• 投资于技能提升与教育
  • 为工程师提供机会，扩展他们在 AI 集成、云优化和高级系统设计方面的专业知识。
  • 鼓励开展关于 AI 伦理、安全和可持续性的学习计划。
• 倡导审慎的 AI 治理
  • 积极参与 AI 治理讨论，以制定负责任的 AI 政策和伦理框架。
  • 确保公司政策与负责任的 AI 使用的行业最佳实践保持一致。

未来掌握在我们手中

AI 在软件开发中的应用已不再是科幻小说；它正驱动着显著的生产力提升，并从根本上重塑工作方式。我们正处在这场变革之中，对于如何利用这项技术（至少就目前而言），前方道路已然清晰。

---