AI编程助手落地价值体现如何？

无论你是否已经采用 AI 编程助手，以下实践案例，可以帮助你更好的理解 AI 编程助手的落地价值。

1. 海通证券开发提效 40%+，打造“泛海言道”大模型促进创新发展

海通证券股份有限公司成立于 1988 年，截至 2023 年末，公司总资产达7545.87 亿元，归属于母公司净资产达 1632.44 亿元。已基本建成涵盖证券期货经纪、投行、自营、资产管理、私募股权投资、另类投资、融资租赁、境外投行等多个业务领域的金融服务企业，在中国境内拥有 341 家证券及期货营业部，境内外拥有超 2400 万名客户。随着业务规模的不断增长，海通证券在日常的软件开发工作中，面临开发任务重、重复性工作占比高、开发者水平参差不齐、内部资料查询不变等一系列挑战。同时，虽然软件项目越来越复杂，开发团队整体的开发效率逐渐成为业务发展的瓶颈。如何利用新的生成式AI 工具赋能软件开发中心团队的日常工作，成为海通证券面对市场的快速变化和技术的持续革新，提升研发效率和确保技术创新成为金融行业高质量发展的新动力。

经过前期的合作伙伴遴选，商汤代码小浣熊全面满足了海通证券在安全防护、代码数据信息保密等要求，以及基模型能力要大幅领先开源模型并能够提供定制化的企业级服务等技术层面的额外诉求。海通证券联合商汤代码小浣熊在企业内部推出了智能研发助手，辅助研发人员进行编程。基于海通证券丰富的数据基础，商汤代码小浣熊构建完整思维链，深入理解业务逻辑，为开发者提供代码智能补全与对话问答服务，可辅助生产代码，降低开发技术门槛，有效提高开发效率。在减少开发者重复工作同时，还能帮助团队更早发现并修正开发中的错误，提升软件交付质量。

经过前期的试用，智能研发助手已在多个项目中展现出其卓越能力。通过智能化的代码补全、错误预测和自动修正，它不仅减少了开发者的重复工作，而且帮助团队更早地发现并修正开发中的错误，有效加速了项目进度，提高了软件交付的质量。在商汤大模型的支持下，智能研发助手能够在编码时预测光标下一行的代码，实现精准的代码补全。更为重要的是，它能通过对话问答的方式，提供包括但不限于生成测试用例、代码翻译、代码重构等多种功能，大幅拓宽了开发者在项目开发、测试及优化中的能力。

基于商汤代码小浣熊的智能研发助手帮助海通证券节省了大量重复性开发工作，统一了 52 开发行为、代码规范和注释风格，并基于大语言模型的领先能力实现了技术问题一站式解决，最终帮助海通证券实现了开发工作效率提升超过 40%。

在证券行业的数字化转型中，大模型技术正逐渐成为推动创新和效率的核心动力。海通证券与商汤合作，除了推出智能研发助手之外，还推出了智能问答、智能研报等生成式AI 应用。智能问答，结合互联网检索引擎，汇聚海量知识，为外部客户和内部员工提供即时、高质量的问答服务，为内部员工提供即时、高质量的问答服务，提升工作效率。智能研报，通过样例示范学习能力，深度解读、分析财报数据，生成研报初稿，为研究人员提供专业可靠的写作服务。 在 2024 年 4 月 23 日，商汤与海通证券联合发布业内首个面向金融行业的多模态全栈式大模型。双方将围绕智能问答、合规风控、代码辅助、办公助手等业务领域推动大模型技术 53 的落地应用，深入探索智能投顾、智能投研、智能投教、舆情监控等“AI+金融”行业前沿场景，覆盖证券交易的前、中、后期各个环节，为金融行业数字化转型注入全新活力42。海通证券表示，通过与商汤深度合作，我们将结合全栈式 AI 能力，共同推动证券行业的业务流程、交互变革与数智化业务系统重构，为行业垂直领域大模型的落地探索经验。

2. 澳新银行提高了 42%生产效率，代码质量提升了12%

澳新银行（ANZ Bank）是全澳四大银行之一，为超过 850 万零售和商业客户提供银行和金融产品和服务，业务遍及 30 多个市场。澳新银行雇佣超过 5,000 名软件开发人员，涵盖软件开发生命周期的各个阶段。 澳新银行对 1,000 名软件开发人员进行了为期六周的 AI 编程助手试用实验。实验发现，当软件开发人员使用 AI 编程助手时，平均生产率提高 42%，代码质量提高12%。开发人员的工作满意度也显著提高43。

澳新银行评估了参与者的情绪以及 AI 编程助手对生产力、代码质量和安全性的影响。最初，参与者将 AI 编程助手用于所建议的用例场景，并通过定期调查收集反馈。在第二阶段，采取 A/B 测试方式，参与者被分为控制组（不使用 AI 编程助手）和Copilot 组（使用AI 编程助手），每组都面对相同的 Python 挑战，并再次对他们的体验和结果进行调研。结果显示，AI 编程助手加持的 Copilot 组的生产力和代码质量方面有显著提升，花费的时间最少。测试还显示，AI 编程助手对于初级开发者的效率提升更加显著。该测试证实了 AI 编程助手在大规模软件工程环境中的有效性。另外，来自1,000 名软件开发人员的调研反馈也表明工作满意度显著提高。

为了分析软件开发人员在使用 AI 编程助手的生产力、工作质量和情绪的数据，澳新银行使用了多个数据来源指标，包括提供建议的次数、建议被接受的次数、接受的代码行数量，以及所使用的编程语言计其对建议的接受率、接受率百分比等。另外，针对使用体验，澳新银行保持了周期性的在线调研，以获取参与者的生产率效率和情绪相关的数据指标。 55 通过前期的使用和调研，有足够令人信服的证据，证明了 AI 编程助手对澳新银行工程实践的变革性影响。该工具的采用标志着工作范式的转变，使工程师能够更加专注于创造性和设计任务，同时减少花在重复编码上的时间。澳新银行正在逐步扩大AI 编程助手在生产环境中的应用，当前有超过 1000 名软件开发人员在日常工作中已经在使用AI 编程助手。对于 AI 编程助手带来的收益的监控和分析也依然在持续运营中。

3. 某商业银行实现提效 35%，代码补全平均响应时间50ms/token

该银行的区域软件开发中心拥有开发人员 500 人。其面临的挑战包括，内部代码规范程度低，代码编写良莠不齐，开发团队花费大量时间在代码合规、注释编写、安全涉及等方面，同时外包人员较多，工作产出水平不一，基准难对齐。客户也曾经尝试部署开源大模型，但是发现并不能满足功能和性能的要求。 经过遴选，客户发现商汤代码小浣熊能够满足其对数据安全与信息安全的高要求，同时能够提供可量化的效能提升评估指标，并可以直接集成到客户内部的IDE 工具，保证体验一致性。更关键的是商汤代码小浣熊的模型能力经过测试领先开源模型的表现。客户选择部署小浣熊之后，提升了代码的规范性和质量，通过可量化的埋点统计，完善了效能评估方法，并通过私有化的部署规避了安全风险，且小浣熊的功能丰富度和性能表现均超越之前的开源大模型选择。该银行客户的代码补全接受率超过 30%、有效率超过50%，最终实现开发提效超过 35%。

4. 某车企通过 AI 编程助手实现软件开发现代化，效率提升超过50%

该车企内部拥有较多代码规范和定义，但是在执行过程中面临着规范化落地难的痛点，同时面临着大量重复性开发工作导致效率提升不起来的挑战。对于过往积累的数据、自有资产也没有形成有效的沉淀与融合，无法挖掘更有价值的信息支撑开发决策。在选择商汤代码小浣熊之前，客户也评测了市场上的一些 AI 编程助手，但是在能力表现不佳，而小浣熊则能够与客户内部自有规范、自有代码仓库进行适配，完成与企业资产的融合。更关键的是，小浣熊具备全面覆盖客户 BizDevOps 流程中的各个场景的能力，有效支撑客户对数据采纳率高的诉求，体现出极强的基础模型能力和代码生成性能。最终，客户内部的代码标准化得到提升，并简化了执行流程，让开发者能够更便捷的执行落地，消除了大量重复性的开发工作，提升了开发团队的编写效率。通过赋能开发生命周期的各个环节，实现了代码补全有效率超过 60%，代码补全响应时间低于50ms/token，开发效率整体提升超过 50%。