Ars Technica 报道称，编码智能体生成了更多代码，但交付的软件并未相应增加。这一观察与 Behzat AI 在智能体部署中所见一致：生成层的吞吐量并不等同于交付，队列只是向下游移动。评审、集成与验证吸收了额外的产出量，因此更快的编写者本身并不能缩短通往生产的路径。
这一发现紧随此前关于编码智能体通过代码仓库暴露 13,000 张内部图片的报道。该失效
另外，MIT 与 Sakana AI 已证明 LLM 评审器可以降低编码智能体的评估成本。更便宜的评估改变了智能体输出可被检查的频率，这在评审能力成为约束时尤为重要。Behzat AI 将评估视为智能体设计的一部分，而非事后补充，并把验证内建于循环之中，使生成的代码对照交付的软件来衡量。报道中的未解问题是，所报告的差距中有多少来自工具、多少来自流程；所提供的报道并未将两者区分开来。