发帖
雷达卡
资料名称： 《Artificial Intelligence in the Firm: Bottlenecks in Software Production》（可译「企业中的人工智能：软件生产的瓶颈」），Fiona Chen、James Stratton（哈佛大学）的工作论文（Job Market Paper），当前版本 2026-08-04（初版 2026-01-07）。
研究 AI 编程助手与 agent 对软件工程工作的影响。
帖内资料： 完整 PDF（78 页，作者网站 fion.ac 提供），含理论模型、实证方法与附录。企业微观数据属专有、不公开下载。
时间覆盖： 当前版本 2026-08-04（工作论文，随修订更新）；研究使用多家企业的历史工作事件，不是某个固定时间点的快照。
许可与引用： 作者网站提供完整 PDF，免费、无需付费账户；引用注明作者、标题与版本日期；企业数据为专有，不承诺可下载。
适用任务： AI 与生产率／劳动研究；软件工程经济学；组织瓶颈与 AI 落地案例；staggered 差分（staggered difference-in-differences）实证范例。
这份资料不是「AI 让软件产出翻倍」那种爽文，而是一篇把机制拆细的哈佛工作论文。它借一家工程分析平台（Jellyfish）的专有数据，看企业上了 AI 编程助手和 agent 之后，软件工程工作到底发生了什么变化，重点落在「为什么产能涨了、产出却没等量增加」这个问题上。
数据底子很硬：覆盖 718 家企业、约 3 亿条工作事件，里头有 GitHub 代码活动、Jira 工单、Google 日历事件等多种痕迹。方法上它用「各企业采纳 AI 的时点不同」做 staggered 差分（staggered difference-in-differences），比简单的前后对比更干净，能更稳地归因到 AI 采纳这件事上。
核心发现有两条。
第一，AI 编程助手和 agent 都提升了编码生产率。
第二，这些生产率增益没有完全传导到软件产出或就业的变化上。对 AI agent 来说，卡点出在代码审查这一环：审查时间变长、需要返工的更新占比更高、审查里的评论也更多——前面产能上去了，审查这道关却成了瓶颈，把增益堵在了中间环节。
作者还建了一个软件生产模型，把上面这些现象串起来：AI 同时影响中间产出的生产率和质量，于是可能制造出审查瓶颈、限制增益的传导。这个框架的价值在于，它把「AI 提升个人效率」和「组织层面产出没跟上」之间的落差，解释成了一个可定位的瓶颈，而不是一句模糊的「落地难」。
对做 AI 落地或组织设计的人来说，这篇把瓶颈定位到了审查环节——意味着光给工程师配 AI 不够，审查流程、返工机制这些下游环节也得跟着改，增益才传得到最终产出。这个视角比单纯比较「写代码快了多少」更有用。
怎么拿到：作者网站 fion.ac 上有完整 PDF，免费、不用注册账户；78 页里模型、实证、附录都在。论文由哈佛大学两位作者撰写，是一篇 Job Market Paper，结论由作者负责、与数据合作方 Jellyfish 无关（平台只做了不泄露专有信息的合规审核）。需要提醒的是，论文用的企业微观数据是专有、已经聚合且匿名化的，论文本身不提供原始数据下载，也不能把它当成一份可复现的数据包来用。
────────────────
下面把论文入口和引用写法列出来，回复一下就能看到。
京公网安备 11010802022788号
