加载失败
标题指出所谓“Gorman Paradox”：尽管生成式 AI 可以写代码，但并未催生大量可用应用；文章并引用 mikelovesrobots.substack 的数据质疑 AI 对软件生产率的提升。评论基于一个基本前提展开：写代码只是软件交付的一部分，集成、测试、处理 edge cases、库/框架更迭与运维才是现实瓶颈。讨论里提到的具体概念包括 Gemini-CLI（一个用于调用大型语言模型的命令行工具）、GCODE（G-code，用于控制数控机床/3D 打印机的指令集）、webpack 升级与第三方 API（如 Xero 的会计 API）兼容性问题等。个别案例显示模型能在垂直任务上端到端完成工具，但大多数产出仍偏向试验性或被视为“shovelware”（大量低质量快速产出的软件），因此难以支撑普遍的生产力跃升。
多名评论者表示确实经常能碰到 AI 生成的网站和应用，但质量普遍很差，外观或功能像“烂产品”。有人认为很多只是试验品或处于修 Bug 阶段，开发者在测试模型生成的结果并不断修补。还有评论把这些产出描述为信息污染的一部分，包括伪造视频、谎言和诈骗，说明虽然产出数量可见，但并非高价值或可持续的产品。
有评论引用 mikelovesrobots.substack 的数据，认为虽然 code gen 加快了写代码的速度，但并未显著提高整体软件产出率，因为写代码只是交付的一小部分。评论给出具体例子说明集成与边缘情况的复杂性：比如 Barclays 的 CSV 在第 47 行出现随机空行、HSBC 格式变更、移动端与桌面导出差异、OAuth token 在凌晨失效、数据库迁移以及第三方 API（如 Xero）在不同时间返回不一致的 JSON 等，都需要大量人工调试。快速生成代码反而可能拖慢 code review 与 QA，因为审查和修复模型生成的错误耗时；许多声音认为 AI 能把“80%”做快，但最后 20% 的稳定性与兼容性反而更难办。也有评论指出 AI 在写特定功能代码时能加速开发，但这仍不足以改变交付完整、健壮产品的总体节奏。
部分评论强调生成模型并不具备真正理解能力，会自信地给出错误或不适用的建议，因此需要开发者强大的判断力来纠偏。评论举例库与框架的 churn（更迭）带来的问题：在 webpack4 升级到 webpack5 的过程中，模型反复给出只适用于旧版的做法，导致浪费时间。结论是对于非标准或创新性任务，单靠模型难以取代工程经验；即便在可复刻的已有解决方案上成功，也可能无法理解内部实现并长期维护。
也有评论提供反例性个案：使用 Gemini-CLI 调用模型独立生成并展示了一个 Linux GCODE 查看器，输入仅为测试 gcode 文件，模型能直接查看渲染结果。该事例说明在输入明确、任务边界清晰的垂直领域，生成式模型可以实现端到端的工具开发。评论普遍把这类例子视为例外，认为它们展示了可能性但难以泛化为普遍的、可持续的产品化路径。
有人把讨论上升到资本与宏观层面，担心若投资者普遍接受 AI 未能提高实际产出的结论，可能触发对 AI 相关企业估值的重估或资金撤离。评论提出结合大型科技公司的高杠杆或不良贷款，这种估值调整有潜力传导到更广泛的科技板块并对经济造成冲击。总体观点是技术生产力的现实表现会影响资本流向，从而带来系统性风险，而这也是需要关注的额外后果。
code generation (code gen): 利用大型语言模型或专门工具自动生成源代码的过程，常简称为 code gen；它能加速初步编码工作，但并不能自动解决集成、测试、边缘情况处理、代码审查与运维等工程环节的复杂性。