老牌數據分析大廠揭AI Coding實戰經驗，要量化AI工具成效與成本
來源：iThome | ID：575 | URL：https://www.ithome.com.tw/news/176110 發布日期：2026-05-25 | 受訪者：SAS全球研發資深副總裁 Jared Peterson（SAS Innovate 2026）
重點摘要
SAS在SAS Innovate 2026大會分享AI Coding實戰經驗，強調量化AI工具成效與成本的重要性。主要工具為GitHub Copilot（大部分開發者）與Claude Enterprise（Power users）。
AI工具衡量機制
- 建立追蹤比較機制：AI開發費用 vs. 程式碼品質與合格數量
- 追蹤指標：工具使用率、Accepted lines of code、相對應雲端成本
- 發現：高效使用Claude的工程師可能因自身AI素養更強，而非模型本身優勢
開發模式：規格驅動開發（SDD）
先定義需求規格 → AI產生程式碼 → 工程師調整迭代
Agentic AI架構
- Copilot = UI介面
- AI Agent = 執行邏輯與任務協調
- LLM = 理解使用者意圖
- MCP伺服器 = 工具選擇與呼叫
情境工程（Context Engineering）
- 縮小LLM可使用的資訊空間，讓模型更易做出符合預期選擇
- 每個MCP工具附帶文字描述供AI判斷
- SAS幾乎所有Agentic AI產品大量使用情境工程
確定性 vs. 不確定性系統
- 金融、醫療、政府等高監管領域：傳統確定論系統
- 一般任務：生成式AI
- SAS主張：將傳統確定論系統與生成式AI整合於同一平臺（可信任AI）
衍生頁面
- SAS AI Coding量化成效與成本情境工程實戰經驗 — 核心概念頁
- sas-institute — SAS Institute 公司實體