Dropbox

Dropbox meldete eine KI-Adoptionsrate von 90% unter seinen Entwicklern und einen Anstieg der gemergten Pull Requests um 20%, bei gleichzeitig reduzierter Change Failure Rate: Zahlen, die Gergely Orosz und Laura Tacho im September 2025 heranzogen, als sie untersuchten, wie 18 Technologieunternehmen die Auswirkungen von KI auf die Softwareentwicklung messen. Das Unternehmen ist im Bereich Cloud-Speicher und Zusammenarbeit tätig, doch der Grund, warum es in Diskussionen über Engineering-Produktivität immer wieder auftaucht, ist, dass es Betreiberzahlen veröffentlicht statt Anbieterbehauptungen.

Die interne Agentenplattform heißt Nova und ist bereits für etwa 1 von 12 Pull Requests verantwortlich; sie hat sich auf Migrationen, flaky Tests, Bug-Untersuchungen und Dependency-Updates ausgeweitet. Kazuaki Okumura, der am 28 May 2026 ausgehend von einem Vortrag auf der DX Annual 2026 schreibt, argumentiert, dass der Wert von Nova weniger aus dem Modell selbst stamme als aus den Systemen darum herum: Codebase-Kontext, interne Praktiken, sichere Ausführung, Workflow-Integration und menschliche Überprüfung.

Okumuras These lautet, dass KI Engpässe verschiebt, statt sie zu beseitigen. Schnellere Codegenerierung verlagerte den Druck stromabwärts auf Review, CI, Validierung, Release-Koordination und den Produktionsbetrieb. Dropboxs Antwort bestand darin, den PR-Durchsatz nicht länger als hinreichenden Indikator zu betrachten und stattdessen ein vierstufiges Modell einzuführen, das von Fuel über Adoption und Output bis Impact reicht, ergänzt um Qualitätssignale: Durchlaufzeit des Code-Reviews, Erfolgsquote beim ersten Testlauf, Fehlerquote, Nacharbeitsquote.

Okumura verortet den Wettbewerbsvorteil in den Systemen, die um Foundation-Modelle herum aufgebaut werden, da der Zugang zu den Modellen selbst geteilt ist. Ob sich das vierstufige Messmodell bewährt, wenn das Agentenvolumen wächst, bleibt unerprobt.