AI 工具已大幅接管軟體開發流程中的程式碼撰寫工作，但這並不代表企業的整體生產力或組織架構會自動跟著轉型。以線上餐點與商品外送平台 DoorDash 為例，DoorDash 執行長 Tony Xu 表示：「我們現在從 AI 看到許多生產力提升，目前我們有超過一半、可能接近三分之二的程式碼是由 AI 所撰寫，但單憑這一點，並不足以說明工作流程與團隊配置應該如何改變。」
Tony Xu 在近期的財報會議上指出，儘管 AI 已顯著提高程式碼編寫效率，至今卻未改變 DoorDash 的組織結構。背後原因在於，對軟體工程師而言，寫程式只占一天工作中的一部分；即使 AI 模型大幅縮短撰寫程式碼所需的時間，工程師的其他工作環節仍未因此消失。這也讓企業面臨另一個問題：除了導入 AI 寫碼工具，其他工作流程是否也能同步改變。
AI 寫程式碼只是部分工作，DoorDash 還要重塑跨部門協作與實體營運
Tony Xu 表示，工程師每天除了寫程式，還會花費大量時間參與產品審查、設計會議，以及與不同業務團隊進行協調，這些工作環節同樣需要導入 AI。
「如果這些環節沒有一起改變並相互整合，可能無法獲得你所期望的生產力提升，」他指出，目前產業內許多公司正在摸索並建立正確的工作流程，目標不只是在程式碼開發上做到 AI 原生（AI-native），實際營運方式也必須走向 AI-native。
這項改變營運方式的挑戰，不僅體現在軟體開發與跨部門協作，也延伸到實體業務。Tony Xu 舉例，DoorDash 的營運還包含許多能透過實體 AI 改善的環節，例如食物製備機器人與自動駕駛配送車輛。正因為從軟體工作流程到實體業務都需要進一步整合，Tony Xu 對於 AI 改變 DoorDash 的程度採取較為審慎的態度。他強調，不能因為公司目前已有大量程式碼由 AI 生成，就斷言 AI 已經徹底重塑整個組織的結構與運作方式。
DoorDash 點出的問題是，寫程式只是工程師工作的一部分，同樣把 AI 導入範圍從程式碼擴大到完整工程流程的，還有 General Motors（GM）。
寫程式只占 15%：GM 把 Agent 導入完整工程迴圈
GM 自動駕駛部門副總裁 Rashed Haq 指出，該部門的軟體工程師只有約 15% 的時間用來寫程式，其餘約 85% 的時間則用於分析車輛資料、分類問題、執行實驗，以及測試可能的修正方案。
因此，GM 並未只把 AI 用於程式碼生成，而是先將自動駕駛工程工作拆分成數個迴圈，包括在模擬環境中開發與測試軟體、在公共道路上測試車輛，以及車輛交付後的持續監控。
GM 的具體做法，是找出每個迴圈中耗時最長的瓶頸，再利用 AI Agent 將相關工作自動化。GM 也透過客製化伺服器，讓 AI Agent 連接公司的內部工具與大量資料，使 Agent 能分析車輛遙測資料，同時建立需要工程師進一步調查的問題。
此外，GM 還使用背景 Agent 平行執行機器學習實驗。工程師先設定測試參數，再由 Agent 負責執行實驗並分析結果。為了讓這套工作方式持續擴大，GM 將內部 Agent 平台視為一項產品，安排專門的工程師與不同團隊合作，協助找出有效的工作流程，並推廣成功做法。導入這套以工程迴圈為核心的 Agent 工作方式後，GM 合併請求的數量提升至原來的三倍，新功能發布速度加快，錯誤與測試遺漏的問題也隨之減少。
不過，無論是大量生成程式碼，或是將 Agent 導入更多工程流程，企業仍需要回答另一個問題：增加的 AI 活動是否真正帶來生產力，以及每一美元 AI 支出究竟換回多少產出。這正是 Y Combinator 新創公司 Weave 試圖處理的問題。
流程重設之外，還要重算產出：Weave 追問每一美元 AI 支出的回報
近期，Weave 開發了一套軟體，專門用來追蹤 AI 程式碼工具是否真正提高開發者的生產力，並成功完成 1,350 萬美元募資。Weave 的系統會同時衡量人類工程師與 AI 程式碼工具的工作表現，再將結果整合成一項產出分數，藉此協助企業主管評估每一美元 AI 支出的實際回報。
Weave 認為，程式碼行數等傳統指標原本是為衡量人類產出而設計，並不適合直接用來衡量 AI，因為這些指標可能獎勵數量而非品質，進而形成人為膨脹。Weave 執行長 Adam Cohen 表示，若能確實衡量 AI 活動，就能降低「tokenmaxxing」的誘因，也就是避免員工把大量使用 AI 當成生產力指標。
2026 年初，許多公司曾透過遊戲化排行榜及其他獎勵機制，鼓勵員工進行 tokenmaxxing；但之後企業開始控制 AI 支出，並將注意力轉向投資回報。Weave 表示，其系統目前已衡量超過 500 家公司、約 2 萬名工程師的產出，客戶包括 Robinhood、Reducto 與 PostHog。Adam Cohen 提到：「現在每位工程與財務主管都在問同一個問題：『我們的 AI 支出實際上帶來了什麼回報？』」Weave 希望以一項涵蓋人類與 AI 真實產出的客觀指標，回答這個問題。
綜合 DoorDash、GM 與 Weave 的經驗，AI 寫碼工具帶來的效率提升，只是企業工程轉型的起點。Tony Xu 指出，若產品審查、設計會議與跨部門協作等環節沒有同步改變，程式碼生成速度提高，也不一定能轉化為企業期待的生產力。GM 的案例則顯示，企業必須先梳理完整工程流程，找出各個工作迴圈中最耗時的瓶頸，再將 AI Agent 導入資料分析、問題分類、實驗與測試等環節，而不是只加速寫程式。當 AI 開始介入更多流程後，企業還必須像 Weave 所主張的，放棄只看程式碼行數、token 或 AI 使用量，轉而衡量人類與 AI 的實際產出，以及每一美元 AI 支出所帶來的回報。這也代表，AI 工程生產力的關鍵，不在於產生更多程式碼，而在於企業能否重做工作流程，並以真正的成果驗證投資成效。
＊本文開放合作夥伴轉載，資料來源：《Business Insider》1、《Business Insider》2、《VentureBeat》，首圖來源：Unsplash
