今天我们聊聊LinearB发布的2026软件工程基准报告。这个报告把4800个团队的810多万个拉取请求数据都给凑齐了，还结合了AI调研结果，专门讲AI对软件开发的影响。LinearB这回做了个很新的尝试，给PR接受率设立了基准标准，数据都经过处理和匿名化处理，结果会按P75来划分不同等级。 报告里的全行业基准先露了一手，不管是企业级还是初创公司，大家的核心指标都有了。你看精英级团队有多厉害，编码时间居然不到54分钟，整个项目周期也低于25小时。初创企业在代码合并和部署频率上表现得很亮眼，企业级公司反而因为规模太大流程变得复杂了。 说到AI的影响，虽然它让大家写出了更多代码，但也让测试评审这些下游环节变得更麻烦了。用AI写的代码量是人工的2.6倍，可提交流转等待时间却是5.3倍长。最尴尬的是，AI PR 30天内的接受率只有32.7%，还不到人工的一半。用Devin的表现还在上升，Copilot就有点下滑的意思了。大家用AI主要还是开发新代码，改旧代码的事还是很少参与。 大家对AI的信任度挺让人担心的。虽然88.3%的人日常都在用AI工具，只有6.4%的人极度信任它的代码质量。还有45%的公司根本没去测AI到底有没有用，就算75%的管理者觉得生产力提高了，也多是凭感觉说话。 现在AI落地的问题也挺多。有30.5%的公司制定了明确的使用政策，但有21.1%的公司连政策都没有。更糟糕的是15.6%的公司数据质量太差，根本支撑不起AI工作。这就导致了像评审迟疑、接受率低这种问题出现。 工程领导们觉得未来AI会接手更多基础开发任务，让程序员去搞架构设计这些大事。不过效果肯定会因为企业流程和数据基础不同而分化开来。LinearB这次还把MTTR这个指标给拿掉了，因为大家定义和计算方法太不一样了。 最后他们发现73.1%的团队在迭代规划上都有保守承诺的情况，只有14.7%的团队规划精度达标。建议大家多关注内部指标趋势，通过优化PR规模和返工率来提高可预测性。 免责声明一下：我们只是整理分享这些内容，尊重知识产权和隐私，所有数据都是公开合法渠道获取的。如果有侵权或者疑问的地方请联系我们或者原发布机构解决。