AI支出激增与生产力提升的矛盾

Jellyfish平台基于行业最大的工程工作流数据与AI遥测数据，揭示了当前软件开发领域的核心矛盾：AI成本在过去一年飙升了60倍，与此同时，工程师合并的PR（Pull Request）数量也增长了43%。这种双重增长让管理层面临巨大的预算压力，难以判断支出是否合理。AI支出的增加与吞吐量的提升之间存在张力：虽然43%的生产力增长显著，但60倍的成本增幅同样惊人。许多公司面临CFO或董事会要求提供支出凭证的压力，却缺乏足够的数据来证明这些支出的必要性。如果限制AI使用以控制成本，可能会阻碍进一步效率提升；如果不加节制地增加预算，又担心资源浪费。这种不确定性使得企业难以制定精准的AI采购策略。

重新定义“智能成本”：薪资才是大头

要解决上述矛盾，必须改变对AI成本的认知方式。传统的观点往往将AI支出视为独立的 overhead（间接费用），但Jellyfish提出应将开发者薪资与AI成本合并计算为“PR的智能成本”。数据显示，在2026年8月的统计中，AI支出仅占合并代码单位成本的约2.5%，而开发者薪资占据了剩余的97.5%。这一比例与其他报告一致，证实了Token是便宜的部分。尽管AI支出大幅上升，但过去一年内合并PR的美元成本下降了26%。这一降幅涵盖了所有质量关卡和审查时间，且具有普遍性：83%的研究对象公司都经历了单PR成本的下降。这表明AI带来的吞吐量增益正在稀释薪资成本，且其效果超过了AI自身成本的上升。

高Token投入带来更高的投资回报

为了量化不同支出水平的影响，Jellyfish将公司按每开发者每月Token使用量分为五等分。最轻度的支出组（约6000万Tokens/月）AI成本占PR成本的0.3%，而最重度的支出组（约25亿Tokens/月）AI成本占比达8.5%，两者相差两个数量级。数据表明，更高的Token投入带来了更显著的生产力提升。重度支出组的PR吞吐量增长了67%，远高于其他组别的约40%。相应地，重度支出组的单PR成本下降了32%，优于其他组别的约25%。虽然存在边际收益递减现象——即初期少量投入带来巨大回报，随后增速放缓——但Top 10%的公司通过支出中位数8倍的Token成本，实现了25%更低的单PR交付成本。对于大多数公司而言，尚未触及“Token不再便宜”的阈值。更多Tokens导致更多PRs，进而降低交付成本。

个体开发者层面的效率验证

这一宏观趋势在微观的个体层面同样成立。Jellyfish对同一开发者在不同周次的表现进行了对比，分析其使用重型AI技能（高Token消耗）与低Token消耗的周次差异。结果显示，当开发者每周的AI Token支出增加一倍时，其合并PR数量增加了27%。在将薪资和Token成本共同计入后，每个PR的综合成本降低了18%。这进一步证实了AI作为“智能”工具的本质：它不仅仅是辅助手段，而是极大地改变了单个开发者的产出能力。增加AI投入能够直接转化为个体效率的提升和综合成本的降低，为组织优化预算提供了坚实的数据支持。

质疑一：速度提升是否导致质量下降？

在探讨AI加速代码提交（PR）的过程中，业界常存在一种担忧：更快的生成速度是否意味着更粗糙的代码质量？为了验证这一假设，研究者引入了“回滚率”（Reverts）作为核心代理指标，即合并后又被撤销的PR比例。数据显示，在Token用量增长之前，回滚率最高的那部分群体其实处于最低水平；而在后续阶段，各组的回滚率均出现了轻微下降。尽管这种变化幅度略低于数据噪音范围，不足以构成统计学上的显著改进证据，但关键在于并未观察到任何令人担忧的质量恶化迹象。相反，随着Token投入增加和PR吞吐量提升，代码质量并未出现严重或泛滥的问题。这表明AI辅助编程在提速的同时，并没有以牺牲基本代码稳定性为代价。

质疑二：吞吐量增长源于PR变小了吗？

另一个常见的误解是，AI带来的效率提升是因为开发者将任务拆解得更小、更碎片化。然而事实恰恰相反，AI实际上推动了每个PR中生成的代码行数增加。开发者反馈显示，由于创建任务的门槛降低（仅需一两轮提示词即可处理边缘情况或组合元素），他们倾向于在一个PR中完成更多工作，从而减少需要管理的PR数量。这种现象导致了一些负面体验，如冗长且不必要的内联AI注释或包含大量无关测试的文件。此外，随着模型能力的提升，开发者变得更加大胆和雄心勃勃。PR吞吐量的增长并非来自更小的任务单元，而是源于单个PR内工作负载的增加。这一结论虽然符合直觉，但通过数据验证消除了疑虑。

核心指标重构：从Token账单到单PR成本

要评估AI投入的价值，不能孤立地看待“支出增加60%”与“产出增加43%”。必须将AI支出视为购买的一种智力资源，用于加速开发者工作。真正的衡量标准是将人力薪资与AI支出结合，计算“每PR成本”（Cost per PR）。数据显示，尽管总体账单上升，但单PR成本下降了26%。AI支出在总成本中占比极小，平均仅为2.5%，即使在高消费群体中也低于10%。正如演讲者所言：“Tokens are the cheap part.”（Token是便宜的部分）。对于重度用户而言，其PR吞吐量增益高达67%，远高于低投入群体的40%；同时，重度用户的单PR成本下降了32%，优于平均的25%。前10%的高Token使用量群体，虽然使用了中位数8倍的Tokens，但其单PR成本却比中位数低25%。

战略建议：追踪综合效率而非控制Token上限

AI不仅是工具，更是改变开发者产出规模的智力要素。因此，企业不应将AI支出视为侧面的开销进行严格控制，而应将其纳入每PR的总生产成本中。建议每月追踪“人类支出+人工智能支出”与“PR吞吐量”的比率，并监控回滚率等质量指标作为制衡。在预算规划时，应关注“单PR交付成本”而非单纯的Token账单。如果吞吐量持续改善且单位成本下降，则说明投资有效。对于大多数公司而言，当前的数据支持继续投资于AI赋能（如模型路由、微调等），以换取更高的吞吐量效率，而不是仅仅试图通过限制Token来节省微不足道的成本。Cost per PR tells you whether it worked.（单PR成本告诉你这是否奏效）。

结论

视频核心论证表明，AI支出激增与生产力提升并不矛盾。数据证实Token成本仅占单PR总成本的2.5%，薪资才是大头，因此“Tokens are the cheap part”。高Token投入显著降低单PR成本（重度用户降32%）并提升吞吐量，且未引发代码质量恶化或任务碎片化问题。

企业应摒弃单纯控制Token上限的策略，转而追踪“人力+AI”综合成本与PR吞吐量的比率。只要单PR交付成本下降且质量稳定，增加AI投资即为有效策略。当前多数公司尚未触及收益递减阈值，应继续通过优化模型路由等手段提升效率，以综合成本指标而非孤立账单评估AI价值。