AI编程工具的普及使得软件创建成本降低，理论上应让长期受资源限制困扰的开源项目率先受益。然而现实情况更为复杂。行业专家指出，AI编程工具在解决问题的同时，也带来了诸多新挑战。

其易用性和可及性导致大量低质量代码涌入开源项目，威胁项目稳定。构建新功能变得前所未有的简单，但维护工作依然艰巨，并可能进一步加剧软件生态的碎片化。

开源项目普遍观察到提交代码的平均质量下降，这可能是AI工具降低入门门槛的结果。例如，VLC项目负责人指出，对于不熟悉代码库的贡献者，其合并请求的质量堪忧。Blender基金会CEO也表示，大模型辅助的贡献常常浪费评审者时间并影响其积极性。

代码提交泛滥问题已促使开发者创建新工具进行管理。有开发者推出了限制GitHub贡献仅为“受担保”用户的系统，实质上改变了开源软件默认的开放政策。类似影响也出现在漏洞赏金计划中，有项目因难以处理大量低质量报告而暂停计划。

尽管如此，许多开源项目也切实感受到了AI编程工具的益处。在有经验的开发者主导下，AI能显著简化为新操作系统移植代码或构建新模块等复杂任务。关键在于工具的使用者需具备足够的专业知识。

更深层的问题在于优先级差异。大型企业通常更重视编写新代码和推出新产品，而开源软件工作则更侧重于稳定性维护。同时，AI工具正逢软件生态本就高度碎片化的时期，它们可能加速了代码库与依赖关系的指数级增长，而活跃维护者的数量却未能同步跟上。

这引发了对软件工程本质的再思考：若将其视为生产可用软件的过程，AI让之更易；若视为管理软件复杂性的过程，AI工具可能使之更难。至少，要控制由此蔓延的复杂性，需要大量的主动规划与持续工作。