把软件开发拆开看，主要就是两块：写代码和人之间的对齐（需求、评审、站会、沟通）。

以一个 10 人团队为例，可以粗略理解为：40% 的时间花在对齐，60% 花在编码。问题在于，对齐成本不会线性增长。人数一多，沟通关系会迅速变复杂，10 个人之间有 45 条沟通通道。

AI Coding 的一阶效应很直观：编码速度提高 3-5 倍，写代码这件事明显更快了。可这时会出现一个常见现象：编码不再是主要瓶颈，对齐反而成了大头（占比可到 70% 以上）。

这就引出二阶效应。既然单人产出提高了，同样规模的项目通常不必维持原来的人数。团队如果从 10 人缩到 3 人，沟通通道会从 45 条降到 3 条。对齐成本下降就不只是“少几个人”那么简单。

上面这个 10 人到 3 人的例子是示意，目的是先把沟通成本的变化幅度直观地摆出来。下面的模型会给出更一般的最优规模。

传统（10人）:   对齐 40 + 编码 60 = 100 人·时   （45条通道）
AI一阶（10人）: 对齐 40 + 编码 15 = 55 人·时    （对齐成瓶颈）
AI二阶（3人）:  对齐 2.7 + 编码 4.5 = 7.2 人·时 （3条通道）

从 100 到 7.2，人们第一反应往往是“编码变快了”。但如果拆开看，对齐的降幅（40->2.7）比编码的降幅（60->4.5）还大。换句话说，AI Coding 改变的不只是开发速度，也在改变团队协作的组织方式。

这个直觉不难理解，但“到底能快多少”“团队缩到多大更合适”不能只靠感觉。下面用一个简单模型做个量化。

---

数学建模

设一个项目的总编码工作量为 W（人·时），团队人数为 n，AI 编码加速倍率为 α。

n 个人并行编码，项目的编码耗时（按日历时间）可写成 W/(nα)。再把沟通与对齐成本简化为 γn²（γ 为沟通系数），总耗时为：

$$T(n,\alpha )=\frac{W}{n\alpha }+\gamma n^2$$

对 n 求导，并令 dT/dn = 0，可得最优团队规模：

$$\frac{dT}{dn}=-\frac{W}{n^2\alpha }+2\gamma n=0$$$$n^{\ast }={\left(\frac{W}{2\gamma \alpha }\right)}^{1/3}$$

于是有：

$$n^{\ast }\propto {\alpha }^{-1/3}$$

也就是说，AI 编码加速 α 倍后，最优团队规模约为原来的 α^(-1/3)。例如 α=4 时，团队规模约缩小 37%（10 人到 6 人左右）。

把 n* 代回 T，可得最优总时间：

$$T^{\ast }=\frac{W}{n^{\ast }\alpha }+\gamma (n^{\ast }{)}^2=\frac{3}{2}{\left(\frac{W}{\alpha }\right)}^{2/3}(2\gamma {)}^{1/3}$$

关键的尺度关系是：

$$\boxed{{\displaystyle T^{\ast }\propto {\alpha }^{-2/3}}}$$

这个结果的含义是：如果只看一阶效应（编码变快、人数不变），总时间的改善有限；把团队规模一起优化后，二阶效应会把对齐成本同步拉下来，总体改善更明显。

以 α=4（编码加速 4 倍）为例：

• 一阶效应（只加速编码，人数不变）：T 下降约 45%
• 二阶效应（同时优化团队规模）：T 下降约 60%，即 T*/T₀ = 4^(-2/3) ≈ 0.40
• 最优团队规模：n*/n₀ = 4^(-1/3) ≈ 0.63

多出来的这部分效率，主要来自二阶效应，即团队变小后对齐成本下降。并且 α 越大，这部分贡献通常越明显。

左图：不同 AI 加速倍率 α 下，项目总时间 T(n) 随团队规模变化的曲线。圆点是最优团队规模。α 越大，最优点一般越靠左（团队更小）且越低（总时间更短）。中图：最优团队规模随 α 衰减，符合 n ∝ α^(-1/3)。右图：一阶效应（蓝色，编码加速）和二阶效应（红色，对齐下降）的拆分。α 越大，二阶效应占比越高。*

---

所以，AI Coding 不只是“写得更快”。它更像一个连锁反应：编码加速之后，团队规模和协作结构都会跟着变化。最终体现到总效率上，就是 T* ∝ α^(-2/3)。在 α=4 的例子里，总时间大约下降 60%，其中一部分收益并不来自“写得快”，而是来自“少对齐”。