OpenAI 于 2026 年 11 月 12 日发布客户案例称，创意工作者平台 Gondola 自 2026 年初引入 Codex 与 ChatGPT 后，在不增加工程师编制、薪资成本或管理开销的前提下，团队月度工程产出提升约 25%，首席工程师产出提升约 50%，年度营收同比翻倍以上。把这份光鲜的供应商战报放进学术界随机对照试验的显微镜下审视就会发现，AI 编程工具最大的价值并非帮资深程序员更快地改老代码，而是让懂业务的外部人员跨过工程排期直接交付可用原型；至于程序员自己感觉到的开发神速，很大一部分可能只是主观感知幻觉。
商务经理直接向主库合并代码，Codex 真正砍掉的是排期等待
Gondola 由创意制作机构 Fresh Tape Media 创始人兼 CEO Jared Kleinstein 创立，主要帮社交媒体创作者展示作品署名并对接商业机会。这家小公司长期卡在研发排期上。Gondola 官网目前提供免费版、14.99 美元/月（或 120 美元/年）的 PRO 版及需联系销售的商业版；公司曾在 2025 年 5 月 21 日推出过包含 Projects (beta) 和 Gondola Concierge 在内的作品集与招聘工具，但日常大量来自客户沟通的临时想法，依然因为挤不进核心工程排期而被搁置。
2026 年初引入 Codex 后，改变最大的不是程序员敲键盘的速度，而是需求的流转方式。过去业务团队发现痛点后，必须先写需求文档，再干等工程师腾出手开发初版；现在 Jared Kleinstein 和创作者与客户合作经理 Jojo Hesketh 直接使用 Codex Cloud 探索代码库、验证假设并搭建工作流原型，两人均完成了职业生涯首次向主代码库合并代码。
Jojo Hesketh 主导的两个新模块最能说明问题。一个是帮企业招募创作者、审阅申请并管理预算的 Programs 工具，团队先用 GPT-5.4 起步，主力开发阶段用 GPT-5.5，到了后期功能迭代、性能优化和修 Bug 时切到了 GPT-6.1；另一个是赶在夏季窗口期上线的 World Cup Creator Map，把公司已有数据快速做成可按世界杯主办城市查找摄影师的地图。这两个项目都由非技术背景的 Jojo 用 Codex 跑通完整原型，再交由工程师打磨上线。
工程团队则通过命令行（CLI）和编辑器调用 Codex，将其接入代码仓库、开发环境与 Slack，并在 GitHub 中辅助审查代码（PR），把精力留给架构、安全和生产环境把关。日常运营中，他们还用 ChatGPT 把 Google Workspace（含 Gmail、Calendar、Sheets、Drive）、Asana、Slack、QuickBooks 和天气信息整合成每日晨报，把原本要花数小时的信息搜集压缩到几分钟，最终帮品牌雇佣的创作者数量同比增长 2.5倍。
AI 编程最大的红利不在增快老匠手速，而在消灭排期死谷。
产出涨 50% 对撞实测慢 19%，谁在真正变快？
如果只看 OpenAI 的案例，这又是一出全员提速的爽文。但把外部财务披露和独立学术实验摆在一起，就会看到三处关键裂缝。
第一处裂缝在商业归因。OpenAI 强调 Gondola 年度营收同比翻倍以上，却未披露具体营收基数或 ARR，也没有公布 Programs 和 World Cup Creator Map 的独立定价与具体上线日期。外界无法从因果上证明营收翻倍是由 Codex 驱动，还是原本的业务自然增长。
第二处裂缝在人群与任务分化。Gondola 称首席工程师月度产出涨了 50%，非技术岗实现了从 0 到 1 写代码。学术界的实证研究却呈现出明显的撕裂：Peng 等人 2023 年针对 95 名专业程序员用 Copilot 编写标准化 JavaScript HTTP 服务器的随机实验显示，平均耗时从 160.9 分钟降至 71.2 分钟，缩短了 55.8%；Cui 等人 2025 年在微软、埃森哲和一家财富 100 强企业对 4,867 名开发者做的 3 项随机实地实验表明，完成的任务数增加 26.08%（标准误 10.3 个百分点），且经验越少的开发者采纳率越高、获益越大。
但到了真正熟悉自家复杂项目的老手那里，结果完全反转。独立评估机构 METR 于 2025 年 7 月 10 日发布的随机对照试验中，16 名经验丰富的开源维护者在自己熟悉的仓库里执行 246 项真实任务（主要使用 Cursor Pro 配合 Claude 3.5/3.7 Sonnet），使用 AI 反而让任务完成时间增加了 19%（置信区间为变慢 2% 至 39%）。
这种反差正好解释了 Gondola 为什么能在世界杯地图这类项目上吃到甜头。世界杯地图正如其 CEO 所言，边界小、独立自洽、有硬截止期，本质上更接近从 0 到 1 的独立原型，没有历史技术债包袱，最适合 AI 发挥。
实测变慢 19% 却自认变快 20%，警惕代码量指标盲区
Gondola 案例中，创始人估算 Codex 帮团队省下了数天甚至数周时间，且 Bug 更少。这类主观体感在工程效能评估中极不可靠。
METR 在 2025 年的研究中测出了一个惊人的感知落差。参与实验的资深开发者在动手前预测 AI 能帮自己省下 24% 的时间；等到实验结束，哪怕秒表实测他们的耗时增加了 19%，这群老手在事后问卷里依然笃定地认为 AI 帮自己节省了 20% 的时间。主客观之间横亘着近 40 个百分点的错觉，因为人们很容易记住 AI 一秒生成几百行代码的爽快，却自动忽略了反复写提示词、排查隐蔽逻辑错误和推翻重写消耗的漫长工时。
| 评估研究与发布方 | 样本规模与场景 | 测量指标与结果 | 证据效力与局限 |
|---|---|---|---|
| METR 首期试验 (2025-07-10) | 16 名资深维护者、246 项真实任务 | 实测耗时 +19%，主观自评耗时 -20% | 严格随机对照，揭露主观体感失真 |
| METR 扩展试验 (2026-02-24) | 57 名开发者、143 个仓库、800+ 任务 | 老参与者耗时 -18%，新参与者 -4% | 含零效应且存在拒参选择偏差，信号极弱 |
| Cursor 企业研究 (2026-04-15) | 500 家企业客户 | 调用量增加，任务更具野心 | 仅观察使用度，未测算节省工时或交付产出 |
| Codex 论文 (2026-06-25) | 《The Shift to Agentic AI》 | 分析并发智能体与工作流变化 | 观察性使用数据，缺乏生产力因果证明 |
到了 2026 年，要算清这笔账变得更难。METR 在 2026 年 2 月 24 日发布的扩展实验中（涵盖 57 名开发者、143 个仓库、800 多项任务），虽然测出老参与者耗时估计减少 18%、新参与者减少 4%，但两者的置信区间均包含零效应；由于不少开发者因为不愿放弃使用 AI 而拒绝参加对照组，甚至隐瞒任务，再加上后台并发运行的智能体让实际工时归因变得极度混乱，METR 直接声明这只是极弱的证据，信号并不可靠。同样，无论是 Cursor 在 2026 年 4 月 15 日发布的 500 家企业研究，还是 2026 年 6 月 25 日发布的论文《The Shift to Agentic AI: Evidence from Codex》，都只证明了并发智能体使用率上升和任务野心变大，没能拿出软件交付生产力提升的因果铁证。
回头看 Gondola 用来证明工程提效 25% 至 50% 的核心指标，其实是合并的代码更改（merged changes），同时强调代码膨胀后 PR 审查时间保持稳定。
- 提醒.把合并代码更改数当成核心产出指标，同时维持原有的 PR 审查时长，意味着工程师在单位时间内要扫过更多由 AI 和非技术人员生成的代码，长期来看极易把审查变成走过场，将隐蔽的架构隐患漏进生产环境。
对于正在为团队采购 AI 编程工具的技术负责人和中小企业老板来说，Gondola 的故事提供了一个足够务实的分工标尺。与其指望 AI 让核心架构师在祖传代码库里翻倍提速，不如立刻把 Codex Cloud 这类工具发给产品经理和业务主管，让他们自己把内部工具和独立小功能手搓成可用原型；至于核心工程团队，考核标准绝不能看合入代码行数，而要把提示词调试、代码审查和上线后的返工修复全算进总账里。