Auf seinem Inside-Atlassian-Blog veröffentlicht Atlassian eine von zwei Data Scientists (Robbie Geoghegan, Fan Jiang) mitverfasste Datenstudie, die den tatsächlichen Ertrag eines AI-native SDLC misst, der von seinem Agenten Rovo Dev angetrieben wird. Der Einsatz wird von Beginn an um das von Robert Solow 1987 formulierte „Produktivitätsparadox“ gerahmt („you can see the computer age everywhere but in the productivity statistics“): KI wird massiv adopiert — 93 % der Entwickler nutzen KI-Tools, fast 30 % des Codes werden von KI geschrieben — doch ihre Wirkung bleibt unklar, solange sie in Nutzung (Tokens) statt in Wirkung gemessen wird.
Die Ergebnisse, die aus einem Quasi-Experiment über 3.400 Repositories von 2.500 Kunden stammen (Propensity-Score-Matching), sind quantifiziert und segmentiert. Repositories, die Rovo Dev adoptieren, mergen 19 % mehr Pull Requests pro Monat als Nicht-Adoptierende. Der Gewinn steigt auf 37–51 % bei Repositories mit geringer oder mittlerer Aktivität und verdoppelt sich auf 59–87 %, wenn 3 bis 5 Mitglieder des Teams das Tool nutzen: kollektive Adoption übertrifft eindeutig individuelle Adoption. Auf der Effizienzseite ergibt eine Befragung von mehr als 6.200 Entwicklern (Schätzungen auf dem 20. Perzentil, also konservativ) einen Gewinn von 2–3 Stunden pro Woche bei Coding- und Review-Aufgaben, also rund 10 % der 24 Stunden, die diese in Anspruch nehmen — das sind 20–30 Stunden pro Woche, die bei einem Team von zehn Personen reinvestiert werden.
Der Artikel schlägt einen fünfstufigen AI-native SDLC vor, bei dem der Agent den Menschen unterstützt: Plan (vorgeschlagene Aufteilungen und Schätzungen), Orchestrate (Mensch/Agent-Koordination), Code (autonome Agenten bei gut abgegrenzter Arbeit, PRs bereit zur Überprüfung), Review (Überprüfung anhand von Team-Standards vor dem Menschen) und Operate (permanent verfügbare Incident-Copiloten). Er verbindet dies mit einem vierdimensionalen Messrahmen: Speed (PR-Durchsatz), Efficiency (eingesparte Zeit), Quality (Change-Failure-Rate) und Satisfaction (Entwicklerzufriedenheit) — um den Wert nicht allein auf Geschwindigkeit zu reduzieren.
Zwei Punkte verstärken die Argumentation. Erstens die Rolle des Kontexts: Dank des Teamwork Graph von Atlassian liefert kontextreiche KI Ergebnisse, die 44 % genauer sind, bei 48 % weniger verbrauchten Tokens. Zweitens die operative Empfehlung: mit einem Team (nicht einer Einzelperson) beginnen, ein Repository mit 3–5 tatsächlich nutzenden Ingenieuren wählen und Durchsatz sowie Zeitersparnis 2–3 Monate nach der Einführung messen, sobald der Neuheitseffekt abgeklungen ist. Die zugrunde liegende Botschaft: Der Wert von KI ist real, aber an eine rigorose Wirkungsmessung und teamweite Adoption gebunden.