AI 让程序员效率翻倍？数据说：并没有
Answer.AI 最近发了一篇数据驱动的文章，标题很直白：So where are all the AI apps?
问题很简单 —— 如果 AI 编程工具真的让开发者效率提升了 2 倍、10 倍甚至 100 倍，那这些多出来的产出去哪了？
PyPI 的数据不说谎
他们选了 PyPI（Python 包仓库）作为观测指标。逻辑很清晰：如果软件生产力真的爆发了，最大的公共代码仓库应该能看到明显的拐点。
结果呢？
PyPI 新包数量变化 —— ChatGPT 发布后并没有出现明显拐点
ChatGPT 发布前后，新包创建速度几乎没有变化。 那些偶尔的尖峰？是垃圾包和恶意软件造成的，不是真正的生产力爆发。
更有意思的是包更新频率的分析。他们追踪了 PyPI 下载量前 15000 的「真实」包，按出生年份分组看更新节奏。确实，近年出生的包更新更频繁 —— 但这个趋势从 2019 年就开始了，早于任何 AI 编码工具。更可能的原因是 GitHub Actions 等 CI 工具的普及。
AI 产出的其实是……更多 AI 项目
当他们把数据按「是否跟 AI 相关」切分后，真相浮出水面：
AI 相关的包发布激增，而非 AI 包几乎没有变化
非 AI 包的更新节奏跟 ChatGPT 之前几乎一样。 真正爆发的只有 AI 相关的包 —— AI wrapper、agent 框架、模型工具链。
换句话说，AI 生产力工具带来的不是「更多软件」，而是「更多 AI 软件」。这个市场在自己给自己造轮子。
我的看法
这篇文章的数据很扎实，但结论需要加一个上下文：PyPI 包数量不等于软件产出量。
AI 编码工具改变的不是「新建项目」的频率，而是「在现有项目里写代码」的效率。用 Cursor 或 Claude Code 写一个功能，以前要一天，现在可能半天。这种效率提升不会反映在 PyPI 的新包数量上。
另一个被忽略的维度是 —— AI 编程降低了门槛。很多 vibecoding 产出根本不是 PyPI 包，而是一次性的脚本、小工具、个人项目、内部系统。这些东西永远不会出现在公共统计里。
但文章的核心观察我是认同的：AI 生产力的溢出效应，目前主要还在 AI 自身的生态内循环。 真正的 killer app —— 那个让普通人觉得「没有 AI 之前做不到」的应用 —— 还没出现。
至少，PyPI 是这么说的。
如果你在多个 AI 模型之间频繁切换做开发，推荐试试 OfoxAI（ofox.ai）— 一个账号搞定 Claude、GPT、Gemini 等主流模型。