Krótka wersja
wydanie 2026Kluczowe wnioski
Każde odniesienie prowadzi do jego kanonicznego wiersza danych. Zgłoszone liczby należą do ich cytowanego producenta; dane modelowane są oznaczone jako obliczenia.
- Eksperyment pisarski: krótszy czas zadania przy wsparciu AI: 40% (eksperyment z 2023 r.; opublikowany w lipcu 2023 r.).MIT / Noy i Zhang
- Eksperyment pisarski: wyższa oceniana jakość wyjściowa: 18% (eksperyment z 2023 r.; opublikowany w lipcu 2023 r.).MIT / Noy i Zhang
- Eksperyment doradczy: wzrost liczby ukończonych podzadań: 12,2% (Badanie pierwotnie opublikowane w 2023 r.; podsumowanie opublikowanego badania kwiecień 2026).Harvard Business School AI Institute / Dell’Acqua i współpracownicy
- Eksperyment doradczy: około wyższa jakość w ćwiczeniu innowacyjnym: 32% (Badanie pierwotnie opublikowane w 2023 r.; podsumowanie opublikowanego badania kwiecień 2026).Harvard Business School AI Institute / Dell’Acqua i współpracownicy
- Zadanie strategiczne: poprawne odpowiedzi bez AI: 84,5% (Badanie opublikowane po raz pierwszy w 2023 r.; podsumowanie opublikowanego badania kwiecień 2026).Harvard Business School AI Institute / Dell’Acqua i współpracownicy
- Zadanie strategiczne: poprawne odpowiedzi z dostępem do GPT-4: 70,6% (Badanie opublikowane po raz pierwszy w 2023 r.; podsumowanie opublikowanego badania kwiecień 2026).Harvard Business School AI Institute / Dell’Acqua i współpracownicy
- Zadanie strategiczne: poprawne odpowiedzi z GPT-4 i przeglądem promptów: 60% (Badanie opublikowane po raz pierwszy w 2023 r.; podsumowanie opublikowanego badania kwiecień 2026).Harvard Business School AI Institute / Dell’Acqua i współpracownicy
- Eksperyment Copilot: skrócenie czasu realizacji jednego zadania kodowania: 55,8% (15 maja–20 czerwca 2022).Peng, Kalliamvakou, Cihon i Demirer
- Eksperyment METR z początku 2025 r.: dłuższy czas ukończenia z dozwoloną AI: 19% (luty–czerwiec 2025).METR
- Uczestnicy METR: postrzegane przyspieszenie AI po eksperymencie: 20% (luty–czerwiec 2025).METR
Czy SI pomaga w krótkich zadaniach pisania zawodowego?
Eksperyment pisarski wykazał mniejszy nakład czasu i wyższą ocenianą jakość przy wsparciu. Jego zadania nie wymagały pełnej precyzji faktycznej ani kontekstu organizacyjnego wielu rzeczywistych dokumentów skierowanych do klientów.
| Wynik w porównaniu do kontroli | Zgłoszona zmiana |
|---|---|
| Redukcja czasu zadania | 40%Eksperyment losowy |
| Wzrost ocenianej jakości | 18%Eksperyment losowy |
Poprawa jakości i skrócenie czasu to różne wyniki i nie należy ich sumować.
Źródło pierwotne: MIT / Noy i Zhang — 14 lipca 2023
Czy SI może poprawić jedno zadanie doradcze i zaszkodzić innemu?
Tak. Badanie rozdziela zadania, które model mógł obsłużyć, od problemu strategicznego, w którym był zawodny. Produktywność w pierwszej grupie nie ustala dokładności w drugiej.
| Wynik i warunek | Zgłoszony procent |
|---|---|
| Więcej podzadań ukończonych w ramach ćwiczenia innowacyjnego | 12.2%Eksperyment losowy |
| Wyższa jakość w ćwiczeniu innowacyjnym, w przybliżeniu | 32%Eksperyment losowy |
| Prawidłowa odpowiedź strategiczna: brak SI | 84.5%Eksperyment losowy |
| Prawidłowa odpowiedź strategiczna: dostęp do GPT-4 | 70.6%Eksperyment losowy |
| Prawidłowa odpowiedź strategiczna: GPT-4 plus przegląd promptów | 60%Eksperyment losowy |
Szacunek jakości jest przybliżony. Są to historyczne dane GPT-4, a nie punkt odniesienia dla dzisiejszych modeli.
Źródło pierwotne: Harvard Business School AI Institute / Dell’Acqua i współpracownicy — 9 kwietnia 2026
Dlaczego badania nad kodowaniem zgłaszają różne efekty produktywności?
Samodzielne zadanie kodowania i utrzymanie w dojrzałym repozytorium to różne zadania. Badania wykorzystywały również różne generacje modeli i metody rekrutacji. Ich wyniki powinny pozostać oddzielne, zamiast być uśredniane.
| Badanie i wynik | Zgłoszona zmiana |
|---|---|
| Przypisanie Copilota: skrócenie czasu realizacji | 55.8%Eksperyment losowy |
| METR: wzrost rzeczywistego czasu ukończenia | 19%Eksperyment losowy |
| METR: przewidywane przyspieszenie przed pracą | 24%Percepcja uczestnika |
| METR: postrzegane przyspieszenie po pracy | 20%Percepcja uczestnika |
Późniejsze badanie METR zgłosiło poważne problemy z doborem próby i pomiarem czasu. Jego autorzy nie traktują tego badania jako wiarygodnego oszacowania obecnego wpływu; historyczne spowolnienie nie jest twierdzeniem dotyczącym wszystkich programistów w 2026 roku.
Źródła pierwotne: Peng, Kalliamvakou, Cihon i Demirer — 13 lutego 2023 · METR — 10 lipca 2025 · METR — 24 lutego 2026
Co oznacza każda zmierzona zmiana czasu w tej samej podstawie?
Indeks bazowy ułatwia czytanie arytmetyki bez łączenia badań. Każdy warunek kontrolny otrzymuje ten sam indeks początkowy; wynikowy indeks wspomagany nadal odnosi się tylko do własnego eksperymentu.
| Eksperyment | Indeks czasu wspomaganego; kontrola = 100 |
|---|---|
| Eksperyment pisarski | 60Normalizowane obliczenie |
| Przypisanie Copilota | 44.2Normalizowane obliczenie |
| Zadania repozytorium METR | 119Normalizowane obliczenie |
Normalizacja Workspace369, a nie nowy zaobserwowany wynik. Niższy oznacza mniej czasu. Redukcja czasu nie jest tym samym procentowym wzrostem przepustowości i nie twierdzi się żadnego szacunku przepustowości.
Źródła pierwotne: MIT / Noy i Zhang — 14 lipca 2023 · Peng, Kalliamvakou, Cihon i Demirer — 13 lutego 2023 · METR — 10 lipca 2025
Jak firma powinna testować oszczędności czasu dzięki SI?
Zdefiniuj powtarzalne zadanie i standard akceptacji przed porównaniem pracy wspomaganej i nie-wspomaganej. Uwzględnij przygotowanie promptów, sprawdzanie faktów, przegląd i poprawki. Utrzymaj wymagania dotyczące dostępu do danych klienta i zatwierdzenia przez człowieka bez zmian w porównaniu.
Śledź zarówno czas, jak i jakość. Nie stosuj procentu zadania pisarskiego do całego wynagrodzenia ani nie zakładaj tego samego wyniku dla autonomicznego agenta.
Jak zbudowano ten raport
Metodologia i ograniczenia
- Jest to wybrane porównanie dowodów, a nie systematyczny przegląd ani meta-analiza. Badania zostały uwzględnione ze względu na identyfikowalne zadania, dowody oryginalnego producenta i jasno określone definicje wyników.
- Dane dotyczące pisania i konsultacji wykorzystują publiczne podsumowania opublikowanych badań ich instytucji badawczych. Artykuł o kodowaniu i raport METR dostarczają oryginalnych szczegółów eksperymentalnych. Wersje robocze i opublikowane nie są mieszane.
- Zmierzonym wynikom i postrzeganym przyspieszeniom przypisano odrębne etykiety dowodowe. Obliczenie wskaźnika czasu uwzględnia jedynie zmierzone zmiany czasu ukończenia; przekonania z ankiety nie są do niego wliczane.
- Wersje modeli i daty badań pozostają przypisane do wyników. Sprawdziliśmy późniejsze badanie METR i zachowaliśmy jego ostrzeżenie dotyczące wiarygodności nowszych szacunków.
Czego te liczby nie mogą Ci powiedzieć
- Wybrane eksperymenty nie mogą ustalić uniwersalnego zwrotu z inwestycji w AI. Różne zadania, warunki kontrolne, uczestnicy i testy jakości uniemożliwiają obronne, zagregowane procentowe oszacowanie.
- Wielkości próby opisują zakres badania, a nie niezależne replikacje. Zaangażowanie dostawcy w badanie Copilot jest istotne dla interpretacji.
- Wyniki historyczne nie ustalają możliwości dostępnych dziś modeli. Normalizacja nie obejmuje kosztów wdrożenia ani nie wykazuje trwałych rocznych oszczędności.
Aktualność i poprawki
Utrzymywane przez zespół redakcyjny Workspace369. Przeglądaj kwartalnie i gdy cytowany producent opublikuje zastępcze badanie. Następny przegląd redakcyjny: grudzień 2026. Zachowaj historyczne wersje modeli i daty obserwacji. Data wydania zmienia się tylko wtedy, gdy dowody lub treść zostaną merytorycznie przejrzane; nie zmienia to podstawowego okresu obserwacji.
Pierwsze wydanie: . Ekstrakcja danych, przypisanie źródła i obliczenia sprawdzone dla tego wydania. Nie twierdzimy, że przeprowadzono niezależny przegląd naukowy.
Znaleziono błąd lub nowsze wydanie pierwotne? Wyślij poprawkę ze źródłem i dotkniętą statystyką. Potwierdzone poprawki powinny zostać zapisane w historii rewizji przed ponownym opublikowaniem.
Źródła pierwotne i pochodzenie
Każda zgłoszona komórka numeryczna jest bezpośrednio połączona ze swoim producentem. Pobierane pliki zawierają dokładne lokalizatory tabel lub arkuszy kalkulacyjnych, okresy obserwacji, daty dostępu, formuły i odniesienia do danych wejściowych.
- MIT / Noy i ZhangOgłoszenie badań MIT dotyczące opublikowanego eksperymentu pisania naukowego ↗Opublikowano 14 lipca 2023 r. Dostęp 12 września 2026 r.Wybrane obserwacje faktograficzne sparafrazowane z przypisaniem. Żaden raport źródłowy, wykres, dane uczestników ani zastrzeżona baza danych nie są redystrybuowane; prawa autorskie należą do producenta.
- Harvard Business School AI Institute / Dell’Acqua i współpracownicyPowrót do początków SI w pracy: przegląd instytucjonalny opublikowanego eksperymentu doradczego ↗Opublikowano 9 kwietnia 2026 r. Dostęp 12 września 2026 r.Wybrane obserwacje faktograficzne sparafrazowane z przypisaniem. Żaden raport źródłowy, wykres, dane uczestników ani zastrzeżona baza danych nie są redystrybuowane; prawa autorskie należą do producenta.
- Peng, Kalliamvakou, Cihon i DemirerWpływ AI na produktywność programistów: dowody z GitHub Copilot, arXiv v1 ↗Opublikowano 13 lutego 2023 r. Dostęp 12 września 2026 r.Wybrane obserwacje faktograficzne sparafrazowane z przypisaniem. Żaden raport źródłowy, wykres, dane uczestników ani zastrzeżona baza danych nie są redystrybuowane; prawa autorskie należą do producenta.
- METRPomiar wpływu AI z początku 2025 r. na produktywność doświadczonych programistów open source ↗Opublikowano 10 lipca 2025 r. Dostęp 12 września 2026 r.Wybrane obserwacje faktograficzne sparafrazowane z przypisaniem. Żaden raport źródłowy, wykres, dane uczestników ani zastrzeżona baza danych nie są redystrybuowane; prawa autorskie należą do producenta.
- METRZmieniamy projekt naszego eksperymentu dotyczącego produktywności programistów ↗Opublikowano 24 lutego 2026 r. Dostęp 12 września 2026 r.Wybrane obserwacje faktograficzne sparafrazowane z przypisaniem. Żaden raport źródłowy, wykres, dane uczestników ani zastrzeżona baza danych nie są redystrybuowane; prawa autorskie należą do producenta.
Stworzone do weryfikacji, a następnie cytowania
Jak cytować ten raport
Dla statystyki zgłoszonej przez źródło, podaj oryginalnego wydawcę i link do dokładnego wiersza tutaj, używając naszej kompilacji. Dla wyniku modelowanego, podaj Workspace369 i uwzględnij założenia. Linkowanie do tej strony nie czyni nas pierwotnym producentem danych stron trzecich.
Workspace369. (2026-09-12). Punkty odniesienia dotyczące produktywności AI i oszczędności czasu. https://workspace369.com/research/ai-productivity-time-savings-benchmarks/. Źródła pierwotne i okresy obserwacji zgodnie z listą w raporcie.
Pobrane pliki to zbiory danych referencyjnych w języku angielskim, w tym na stronach przetłumaczonych. Prawa do źródeł pozostają u ich producentów. Przypisz kompilację i obliczenia Workspace369; zapoznaj się z warunkami ponownego wykorzystania każdego źródła.