- “Tokenmaxxing”（代币最大化）趋势使程序员追求消耗更多 AI Token（处理资源），而非关注输出质量。
- Claude Code、Cursor 和 Codex 等工具虽能生成更多代码，但大部分需要事后修改，降低了实际效率。
- 初始代码采纳率虽达 80%–90%，但在修改后，真实的采纳率仅剩 10%–30%。
- Waydev 对 10,000 多名工程师的数据分析显示，错误的衡量指标（如基于 Token 的输入）导致了对生产力的误解。
- GitClear 的报告指出，AI 使用者的“代码变动率”（code churn）比非使用者高出 9.4 倍。
- Faros AI 记录显示，在高强度应用 AI 时，代码变动率激增了 861%。
- Jellyfish 显示，消耗 Token 最多的程序员产出的拉取请求（pull request）虽然翻倍，但成本却高达 10 倍，即增加了产量却未增加价值。
- 初级程序员更容易采纳 AI 代码，但同时也需要更多修改，从而增加了技术债。
📌 结论： AI 在编程中的巨大悖论：虽然生成的代码更多，但质量和效率并不相符。80%–90% 的初始采纳率造成了生产力错觉，但实际上只有 10%–30% 具有长期价值。随着变动率增长 9.4 倍甚至 861%，企业正在支付更高的成本（10 倍的 Token）来换取产量而非价值。这表明需要改变衡量 AI 效率的方式。
