GitHub Copilot等AI辅助工具的快速采用重新激发了对工程生产力的兴趣。然而，这些工具对工程生产力实际影响的全面理解，仍然停留在营销宣称的巨大收益与初步关注任务级改进的研究之间。虽然营销叙事受到新兴真实世界证据的挑战，但社区仍然缺乏深入的非轶事研究，这些研究不仅要观察这种脱节，还要解释它。在本文中，我们旨在做到这一点。我们介绍并研究了效率-吞吐量差距，这是一种现象，即个体开发者的效率提升未能转化为可衡量的组织吞吐量。我们的真实世界实地研究以组织欧姆定律（OOL）框架为基础，不仅提供了记录这一差距的方法论，还提供了数据驱动的解释。

研究动机与原则。这项工作的动机是理解GitHub Copilot对工程生产力的影响，以指导将生成式AI战略性地整合到现有产品开发中。具体而言，我们旨在了解工程师如何使用GitHub Copilot，以及其采用是否带来了可衡量的工程生产力提升。此外，这项研究寻求确定在企业环境中有效测量工程生产力的要求。为了促进实际的业务决策，我们的实地研究旨在减少对既定工程实践的干扰，并反映真实的现实世界条件，而非人工实验室环境。我们的实验设计遵循三个指导原则：第一，在满足学术好奇心的同时产生可操作的业务洞察；第二，最小化参与工程师的负担，避免引入不必要的研究专用流程；第三，尽可能准确地测量相关数据和行为，以反映真实的运营环境。

组织欧姆定律。该研究的实验设计和方法论受到OOL框架的启发，这是我们之前开发用于分析工程生产力的概念。该框架在电气电路与组织系统之间建立类比，指出结果电流（因此组织生产力）与结果输出效率和组织潜力成正比，与组织阻力成反比。通过可量化的时间分配来近似组织阻力，该定律表明工程生产力与花费在核心软件工程活动（即编码和测试）上的时间百分比、相对平均工程师动机和相对平均工程师技能水平呈正相关。利用这一框架，我们测量了GitHub Copilot采用前后工程师在各种领域的时间分配，包括编码、测试、沟通、等待决策和依赖项以及文档。

关键实体：公司：GitHub