Linear 數據報告：AI 已寫下近半數 Issue——但團隊工時不減反增

兩年前，Linear 上每一千個 issue 裡，由 AI 建立的還不到一個。今天，在這套軟體業最受歡迎的專案管理工具之一之中，Agent 與 MCP 客戶端撰寫的 issue 已逼近總數的一半——照目前速度，很快就會超過「人類 + 整合工具」的總和。

這是 Linear 本週發布的首份數據報告《How Teams Build》（Edition 01，由數據負責人 Tim Qi 主導）的核心發現。與模型廠商和編碼工具公司愛晒的 token 用量、程式碼行數不同，Linear 的資料涵蓋完整的產品開發工作流——從第一個 issue 的誕生、分類、留言，一直到收尾的 pull request。這讓它成為 2026 年至今關於「AI 對軟體團隊究竟做了什麼」最清晰的一份獨立觀察。簡短的結論是：產出上升、角色界線模糊，而沒有人省下時間。

Agent 已經寫了一半的工作

報告中最震撼的圖表，追蹤了 2024 年 6 月至 2026 年 8 月 issue 的建立來源。「Agent 與 MCP」這條線在 2024 年底之前幾乎是零，2025 年春天開始萌芽，然後一路垂直上升：2026 年 1 月每週約 20 萬個 AI 建立的 issue，到 8 月初已達每週約 240 萬個。人類與整合工具建立的 issue 兩年間也從約 60 萬成長到約 250 萬，但 Agent 曲線眼看就要超越它。

值得注意的是，這不是小樣本。Linear 表示每天有數萬個團隊在其產品內開發軟體，報告僅採計付費工作區：採用率分析涵蓋 2026 年 1 月與 6 月皆活躍的 12.7 萬名用戶，公司規模分析涵蓋 19.9 萬人，PR 趨勢涵蓋 4.79 萬個工作區。Linear 也坦白說明了限制——它看不到發生在 Linear 之外的 AI 使用，所以這是自家客戶群的採用樣貌，而非整體市場。

所有人都成了 builder——包括 CEO

2026 年 1 月到 6 月，每個職能的 AI 功能採用率都翻了一倍以上。產品經理成長最快，從 12% 升到 34%；工程師從 12% 升到 30%；連離程式碼最遠的業務行銷（GTM）也從 5% 跳到 18%。

高階主管的數字更令人意外。員工 200 人以上公司的 CEO，六個月內從 9% 升到 36% AI 活躍——是全報告最大的單一增幅。同規模公司的 CTO 達 35%，CPO 達 24%。Linear 的解讀是：最高層的領導者正在「用」這項技術來學習它，而不是靠閱讀。公司規模這個通常能預測新技術採用速度的變數，這次「幾乎不起作用」——新創與大型企業的採用率都大約翻了三倍。

角色模糊化也延伸到寫程式這件事。過去 30 天內曾附上 pull request 的產品經理比例，兩年間從 3% 升到 10%；設計師從 1% 升到 8%。過去只能「描述」改動的人，現在越來越常自己「交付」改動——而且由於 Linear 只計算已連線儲存庫中的 PR，這些數字是下限，不是上限。

編碼代理讓產出翻了三倍

在產出端，每個工作區開啟的 pull request 相較 2024 年 6 月基準上升了 111%。第一年大致持平，2026 年隨著模型品質與採用率同步攀升而急轉直上。

最乾淨的證據來自 6,887 個團隊的固定群組比較：接上編碼代理（coding agent）的工作區，兩年間每週 PR 數從 21 個成長到約 65 個，翻了三倍；沒接代理的團隊則只從 8 個緩步到 10 個。接代理的團隊在代理出現之前本來就產出較高，所以兩組的絕對值不能直接比較——但各組對照自身基線，加速落在哪一邊毫無懸念。

但問題來了：工時不減反增

對於抱著「生產力承諾」採購 AI 工具的人，接下來這個發現會有點刺。2025 年 6 月到 2026 年 6 月，幾乎每個職能花在建立、分類、指派、留言 issue 上的時間都增加了。創辦人增幅最大：每月建立與分類多出 17 分鐘、留言多出 26 分鐘。與 AI 對話、把 issue 委派給代理——這些一年前根本不存在的工作類型——如今出現在每個職能的一週裡，而關鍵是，沒有任何既有工作縮減來騰出空間。Linear 內的規劃時間則幾乎紋風不動。

Linear 自己下的結論很直白：「產品開發的總工時是在上升，而非下降。就我們所能觀察的，團隊工作得更多，而不是更少——這顯示 AI 在 token 消耗之外，還有一種 Jevons 悖論的特質。」工具端的效率提升，被重新投資為更多的總工作量——更多 issue、更多協調、更多 PR——而不是以閒暇或人力節省的形式返還。

是「動能」，不是「價值」

這份報告對自身做不到的事異常誠實。一個被開啟的 PR「對改動的價值毫無說明力」，Linear 也「無從判斷增加的產出是否帶來正向的商業成果」。作者群主張，PR 仍是比 token 消耗更好的代理指標——一次機械式重構可能燒掉大量 token，一次關鍵的 bug 修復卻不會，因此拿 token 當價值代理「將被視為 AI 早期的遺跡」。未來的版本將嘗試從 token 支出一路追蹤到成果的完整生命週期——Linear 說，既然 code review 也開始跑在產品內，這件事如今首度可以觀察。

對工程管理者而言，這份報告的啟示不太舒服，但很實用。第一，AI 採用早已不是工程部門的局部現象——它是全組織的、連高層都身體力行、且與公司規模無關。第二，如果你的 ROI 模型假設了時間節省，目前的資料說的是相反的故事：預期更多產能、更多協調開銷、更多總工時。第三，複合成長最快的，是那些及早把編碼代理接進工作流的團隊。加速是真的；生產力紅利，還在等待兌現。