生成式 AI 已進入開發者的日常工作流程，但「使用 AI」與「信任 AI 輸出」正以不同步調發展。本報告主要引用 Stack Overflow 2025 開發者調查、Google Cloud / DORA 2024 報告、DORA 2024 AI 預覽、DORA 2025 報告，以及 Sonar 開發者調查報告的公開數據，觀察開發者如何利用 AI 進行編碼、解釋、撰寫文件、技術搜尋及程式碼審查，並探討為何這些輸出仍需人工確認。需要說明的是，本研究中 DORA 2025 主要用於「AI 作為組織能力倍增器」等趨勢判斷，因此用以解釋變革方向，並未額外引用審閱材料中未完整披露的量化數據。
研究背景
過去兩年，開發者使用生成式 AI 的討論已從「是否使用」逐漸轉向「如何使用」。程式碼補全、技術問答、文件生成、程式碼解釋及資訊摘要已成為常見應用場景。然而，軟件開發與一般內容生成有顯著差異：一段程式碼是否可用，不僅取決於語法正確性，還涉及業務情境、依賴環境、測試結果、安全需求及部署責任。因此，隨著 AI 日益融入開發流程，新的問題不再只是生成速度，而是由誰核實生成結果、如何核實，以及局部效率提升能否真正轉化為穩定的軟件交付表現。我觀察到，2024 至 2025 年間的多項公開調查正共同揭示一個變化：AI 使用頻率持續上升，但人工判斷並未因此退出工作流程。
AI 已融入日常工作流程，但採用率增長並未轉化為更高信任
開發者使用 AI 的範圍持續擴大。根據 Stack Overflow 2025 開發者調查，目前使用或計劃使用 AI 工具的受訪者比例，由上年的 76% 升至 2025 年的 84%；在專業開發者中，51% 表示每日使用 AI 工具。這表明 AI 不再只是少數開發者偶爾嘗試的輔助工具，而是越來越融入高頻工作場景。
然而，採用率上升並未帶來態度上的相應改善。同一調查顯示，對 AI 工具持正面態度的開發者比例，已從 2023 年及 2024 年的逾 70%，降至 2025 年的 60%。這組變化說明，「使用意願」與「直接接受輸出意願」是兩個不同問題。開發者可以頻繁使用 AI，同時對其結果保持審慎。
這種落差與軟件開發任務的性質有關。開發者可能要求 AI 解釋不熟悉的程式碼、整理技術資料、草擬文件，或快速生成實作方案，但這些場景並不意味著最終判斷權已交由 AI。尤其當輸出將應用於程式碼庫、生產環境，或影響系統行為時，開發者需要重新審視情境、依賴關係、邊界情況及潛在風險。因此，AI 更像是一個高頻的資訊與生成工具，而非能自動獲得信任的決策主體。
真正增加核實成本的，是眾多「看似正確、實則有誤」的輸出
人工核實持續存在的直接原因，在於 AI 輸出的問題往往並非明顯錯誤，而是表面合理、局部正確，但在細節或情境上有所偏差的內容。根據 Stack Overflow 2025 開發者調查，46% 的開發者不信任 AI 工具輸出的準確性，高於表示信任的 33%；僅有 3% 表示高度信任。
這種信任落差亦反映在開發者實際遇到的困擾上。2025 年調查顯示，66% 的開發者將「AI 解決方案看似正確、實則有誤」列為主要困擾，另有 45.2% 表示除錯 AI 生成的程式碼需要更多時間。這裡反映的關鍵問題，不是 AI 能否生成答案，而是生成結果在「可供生產使用」之前，仍需多少核實工作。
完全錯誤的程式碼往往容易透過測試或執行結果被發現；但「看似正確」的輸出則需要開發者進一步判斷：介面是否符合當前版本、例外處理是否完整、邏輯是否遺漏邊界情況、程式碼是否與現有架構一致，以及模型是否誤解了情境。生成動作可能只需數秒，但核實動作可能仍涉及閱讀、測試、修改及重新確認。因此，在觀察 AI 對開發效率的影響時，必須區分「生成速度」與「核實成本」，不能將程式碼生產速度等同於整體效率。
| 指標 | 數據 | 年份 | 來源 |
|---|---|---|---|
| 使用或計劃使用 AI | 84% | 2025 | Stack Overflow 開發者調查 |
| 每日使用 AI 的專業開發者 | 51% | 2025 | Stack Overflow 開發者調查 |
| 對 AI 持正面態度 | 60% | 2025 | Stack Overflow 開發者調查 |
| 不信任 AI 輸出準確性 | 46% | 2025 | Stack Overflow 開發者調查 |
| 信任 AI 輸出準確性 | 33% | 2025 | Stack Overflow 開發者調查 |
| 以「看似正確」為主要困擾 | 66% | 2025 | Stack Overflow 開發者調查 |
AI 能改善部分個人工作指標，但局部生產力提升不會自動轉化為交付系統改善
另一組值得區分的數據來自 Google Cloud 2024 DORA 報告。該報告顯示，超過 75% 的受訪者已在日常工作依賴 AI，應用場景包括編寫程式碼、解釋程式碼及資訊摘要。隨著 AI 使用增加，部分局部工作指標呈現正向關聯：AI 採用率每增加 25%，文件品質約提升 7.5%，程式碼品質約提升 3.4%，程式碼審查速度約提升 3.1%。
然而，同一研究亦觀察到，軟件交付吞吐量下降約 1.5%，交付穩定性下降約 7.2%。這組數據不一定代表 AI 本身導致軟件交付惡化，而是突顯了個人任務層面的改善與組織軟件交付表現屬於不同層級，不能直接劃上等號。
DORA 的觀察聚焦於完整的軟件交付環境，其中還包括測試能力、版本控制、團隊協作、小批量交付、平台工程及工作流程穩定性。即使 AI 能協助開發者更快產生程式碼，但如果新程式碼進入系統的速度超過測試、審查或發布流程的承載能力，組織的整體交付表現未必能相應提升。2024 年 DORA 數據亦顯示，39% 的受訪者對 AI 生成的程式碼信任度低或極低，進一步說明增強生成能力並不會自動消除品質控制的需求。
DORA 2025 公開摘要持續沿此方向闡述：AI 更像是一個組織既有能力的放大器。當基礎工程能力穩健時，AI 能放大效率提升；當流程、測試或協作出現問題時，AI 亦可能讓既有問題更快地傳播至下游階段。因此，研究開發者使用 AI 的狀況，需要同時觀察個人效率與組織系統，而非僅比較「人手編寫程式碼」與「AI 編寫程式碼」的速度。
越接近高問責性任務，開發者越傾向保留人工決策，但核實流程仍未完全標準化
開發者對 AI 的接受程度亦會隨任務問責性而變化。根據 Stack Overflow 2025 開發者調查，76% 的開發者不計劃使用 AI 進行部署和監控，69% 不計劃用於項目規劃。這些任務通常與系統穩定性、資源分配、事故應對及長期技術決策直接相關，因此開發者對準確性、問責性、安全性及私隱有更高要求。
人工角色在資訊確認方面同樣突出。當開發者不信任 AI 答案時，75.3% 表示仍會向人類求助。這表明即使 AI 已成為技術資訊檢索的入口，人類同事、專家判斷及既有核實機制仍承擔著確認角色。
然而，「知道需要核實」並不代表核實流程已標準化。Sonar 對全球 1,149 名在過去一年於工作中使用 AI 的科技及軟件工程專業人士進行的調查發現，少於一半的開發者會在將 AI 生成的程式碼提交至程式碼庫前進行核實。換言之，風險意識與實際執行之間仍存在落差。
這進一步將研究問題聚焦：重點不再只是「開發者是否使用 AI」，而是誰負責在 AI 輸出進入程式碼庫、測試環境及生產環境前進行確認、組織是否規定核實步驟，以及核實結果是否可追溯。對於高問責性任務，AI 目前仍較接近輔助生成與資訊支援的角色，而非獨立承擔決策責任。
| 情境／指標 | 數據 | 觀察意義 | 來源 |
|---|---|---|---|
| 不計劃使用 AI 進行部署和監控 | 76% | 高問責性階段的接受度較低 | Stack Overflow 2025 |
| 不計劃使用 AI 進行項目規劃 | 69% | 系統層級決策仍傾向人工參與 | Stack Overflow 2025 |
| 不信任 AI 時會尋求人類協助 | 75.3% | 人類仍扮演關鍵確認角色 | Stack Overflow 2025 |
| 提交前總會核實 AI 程式碼 | 少於一半 | 核實意識與流程執行存在落差 | Sonar 開發者調查 |
趨勢觀察／行業啟示
綜合 Stack Overflow、DORA 及 Sonar 的數據，2024 至 2025 年間開發者使用生成式 AI 的變化，並非從「不使用」直接走向「完全依賴」，而是逐步進入「高頻使用＋持續核實」的混合階段。開發者對 AI 的應用，正從「是否採用」轉向「如何核實」：採用率持續上升，但同時並未消除對準確性及問責性的疑慮。
早期對 AI 編碼工具的評估，較多聚焦於模型能否生成程式碼、回答技術問題或減少撰寫時間。隨著工具日益融入真實工作流程，評估維度正在擴展。來源是否清晰、答案能否追溯、程式碼是否經過測試、版本資訊是否正確，以及誰對生產結果負責——這些因素正與生成速度一同，開始影響 AI 輸出是否真正可用。
DORA 2024 數據進一步提醒企業，個人生產力與組織交付表現不能以相同指標解釋。開發者更快完成文件、程式碼解釋或程式碼審查，並不代表整個軟件系統的吞吐量或穩定性會按比例提升。組織仍需要測試、小批量交付、程式碼審查、穩定工作流程及清晰的問責機制，以吸納 AI 所產生的額外輸出。
對技術資訊檢索而言，這一變化同樣重要。開發者需要的，不僅是能「回答」的系統，更需要能協助他們判斷答案依據哪些資訊、是否適用於當前版本與環境，以及關鍵結論能否被獨立核實的系統。隨著 AI 成為更多技術問題的入口，可驗證性正成為資訊品質的一部分。
研究啟示
基於以上公開數據，企業在觀察生成式 AI 的使用時，不應僅統計員工是否使用 AI，更應審視 AI 輸出在進入業務流程後如何被核實。對於內容、數據及技術團隊，有三個關鍵方面值得重點檢視：資訊來源是否清晰、關鍵事實能否追溯，以及 AI 輸出在進入發布、程式碼庫或決策流程前，有否人工確認。
這對 GEO 亦有直接啟示。技術性、高度專業且高問責性的資訊，要持續成為 AI 系統的可靠來源，僅有內容覆蓋並不足夠。清晰的來源標註、穩定的數據定義、可驗證的事實及結構良好的資訊，更有助用戶在看到 AI 答案後確認內容依據。
從 AIPO 的內容策略與平台分發及數據分析角度而言，企業可以超越單純觀察品牌是否被 AI 提及。他們可以進一步分析：AI 答案引用了哪些資訊、不同平台如何詮釋同一品牌事實、關鍵數據點是否一致，以及用戶能否從答案追溯到清晰的資訊來源。這類觀察有助於將「AI 能見度」與「資訊可驗證性」置於同一分析框架內。
現時 AI 已成為搜尋、研究及內容獲取的入口，企業亦需要了解其品牌資訊是否出現在不同 AI 平台，以及哪些公開資訊支持這些答案。aipogeo 只需 1 分鐘，即可展示您在 6 大 AI 引擎中的真實能見度。
相關問題
為什麼開發者大量使用 AI，卻未完全信任 AI 生成的程式碼？
高頻使用與直接信任並非同一回事。Stack Overflow 2025 調查顯示，雖然 AI 使用率持續上升，但不信任準確性的開發者比例仍高於表示信任者，反映開發者更傾向將 AI 視為輔助工具，而非可免於核實的結果來源。
2025 年已有多少開發者在日常工作使用 AI？
根據 Stack Overflow 2025 開發者調查，84% 的受訪者目前使用或計劃使用 AI 工具，51% 的專業開發者表示每日使用 AI 工具。
開發者對 AI 編碼工具的常見困擾是什麼？
Stack Overflow 2025 調查顯示，66% 的開發者將「解決方案看似正確、實則有誤」列為主要困擾，另有 45.2% 表示除錯 AI 生成的程式碼需要更多時間。
AI 編碼工具能否真正提升軟件開發效率？
DORA 2024 觀察到 AI 使用增加與文件品質、程式碼品質及程式碼審查速度改善存在關聯，但同一研究並未觀察到組織層級軟件交付指標的同步改善。因此，個人任務效率與完整交付系統需要分開評估。
為何在部署和監控等任務上使用 AI 的意願明顯較低？
部署和監控直接影響系統穩定性、安全性及問責性。Stack Overflow 2025 調查顯示，76% 的開發者不計劃使用 AI 進行部署和監控，反映在高問責性任務中，人工參與的需求更強。
為何 AI 生成的程式碼仍需人工核實？
AI 輸出可能在語法上正確，但仍可能存在與情境、依賴關係、版本、邊界情況或安全相關的問題。Sonar 調查亦顯示，少於一半的受訪開發者會在提交前核實 AI 生成的程式碼，這表明建立一致的核實流程仍是當前工作流程中的重要課題。