更好的 AI（人工智慧）模型讓更高難度的工作成為可能

我們想了解，AI (人工智慧) 模型的進步會如何改變開發者的工作方式。具體來說，開發者究竟只是在原本就已經進行的任務上做得更多，還是更好的模型讓過去做不到的工作成為可能？

為了回答這個問題，我們與芝加哥大學布斯商學院的 Suproteem Sarkar 教授合作，研究 500 家使用 Cursor 的公司中開發者的工作習慣，時間涵蓋 2025 年 7 月至 2026 年 3 月。這八個月期間包含 Opus 4.5 和 GPT-5.2 的發布，這兩個模型在 AI 程式設計能力上帶來了跨越式的提升。

我們的論文發現，更好的 AI 會帶來更高的 AI 需求。這與類似 Jevons 效應的現象一致，也就是效率提升不但沒有降低總消耗，反而推高了總消耗。以每位使用者平均每週訊息數定義的 AI 用量，在研究期間增加了 44%。

這樣的成長並非立刻發生，也不是平均出現在各個領域。我們觀察到，開發者起初會先用更好的模型完成更多複雜度相近的工作，之後才開始承接更複雜的任務。此外，這種轉變特別集中在金融、媒體和廣告等產業，這些領域中的競爭壓力與全新機會，可能進一步推動了採用。

媒體、軟體與金融表現最為突出

我們研究的每個產業，用量都有所增加，但有些產業的增幅明顯高於其他產業。尤其是媒體與廣告業增幅最大，每位使用者的訊息數增加了 54%；其次是軟體與開發者工具 (+47%) ，以及金融與金融科技 (+45%) 。

我們推測，在金融業中，更強的 AI 可能會帶來一種類似軍備競賽的局面：一旦有公司利用 AI 取得交易優勢，其他公司就會面臨競爭壓力而不得不跟進。在媒體與廣告業，背後的機制可能不同，能力更強的模型擴大了全新機會的空間，而企業也會加以把握。

各產業每位使用者的訊息數，其中媒體與廣告、軟體與開發者工具，以及金融與金融科技特別標示

複雜度分布右移

起初，開發者主要只是用改進後的 AI (人工智慧) 模型，把原本做的事做得更多；但在落後 4–6 週後，我們觀察到，他們開始用模型處理更複雜的任務。整體而言，在研究期間，「低複雜度」訊息數增加了 22%，而「高複雜度」訊息數成長了 68%，且大部分增幅都出現在最後六週。

在論文中，我們推測，這種延遲一方面反映了開發者需要時間摸索更好的模型能做到什麼，另一方面也反映了企業需要時間依據新能力調整工作流程。

變化中的任務分布

隨著 AI 在程式碼產生方面持續進步，開發者的工作也逐漸轉向管理這些產出。這種變化在我們的資料中表現得相當明顯：我們可以觀察各類任務的用量如何演變。增幅最大的類別是文件撰寫 (+62%) 、架構設計 (+52%) 、程式碼審查 (+51%) 和學習 (+50%) ；而像 UI／樣式這類較為獨立的任務，成長幅度則小得多 (+15%) 。

這表示，隨著 AI 產生的程式碼擴大程式碼庫規模，為這些程式碼撰寫文件、加以了解與進行審查的需求，也會隨之增加。規模更大、變動更快的程式碼庫，也提高了管理各部分如何整合在一起的複雜度，這或許能解釋為何像架構設計與部署這類跨系統任務會大幅成長。能力更強的模型，也可能讓開發者更願意使用代理來處理這些跨系統任務。