James Shore的文章点出了一个被忽视的核心问题：AI在软件维护中的实际价值不是炫技，而是降本。文中提到的自动化回归测试和代码审查确实有数据支撑，但我从实际落地经验看，这里有几个关键坑。

首先，AI生成文档看似高效，但生成的文档往往缺乏上下文关联，尤其是跨模块依赖时，反而增加了人工校验成本。我团队曾用GPT-4自动生成API文档，结果发现30%以上的描述与实际行为不符，最终仍需手动修正。其次，自动化测试的收益高度依赖测试用例质量——如果初始用例设计有缺陷，AI生成的测试只会放大错误。

个人认为，真正的突破点在于AI辅助的“差异分析”：通过对比代码变更与历史Bug模式，自动标注高风险区域。这比全量自动化更务实。但问题在于，当前工具对静态语言支持较好，动态类型语言（如Python）误报率依然偏高。

讨论问题：1. 你们在实际项目中，AI辅助维护的ROI如何量化？是否遇到过“维护AI本身”的成本反超收益？2. 对于遗留系统，AI重构代码的边界在哪里？是否可能引入新Bug？

行业趋势上，我认为未来AI会从“单点工具”转向“全生命周期助手”，但关键在于训练数据与工程规范的结合。单纯依赖大模型只会让维护成本从代码迁移到模型调优上。