# dora-google-cloud-roi-ai-assisted-software-development-j-curve-2026-04-21

## Veille

Rapport conjoint **DORA × delta** (Google Cloud Professional Services), 60 pages, version **v. 2026.1** (citations février 2026, PDF créé 21 avril 2026), licence **CC BY-NC-SA 4.0** — premier framework officiel **DORA ROI** dédié à l'IA dans le SDLC, avec **calculateur interactif** sur dora.dev/ai/roi/calculator. Thèse-pivot : ***"AI is an amplifier"*** — l'IA **amplifie** simultanément les forces des organisations performantes et les dysfonctionnements des organisations en difficulté ; elle ne crée pas la performance, elle la **multiplie là où elle existe déjà**. Concept central nouveau : la ***J-Curve of AI value realization*** — toute adoption IA passe par un **creux de productivité temporaire** (learning curve + verification tax + pipeline adaptation) avant la **croissance exponentielle**, métaphore du *"tuition cost of transformation"* à **budgéter explicitement**. Calcul de référence : organisation 500 FTE / salaire chargé 176 k$ / 12,5% time saved per developer (≈ 1h/8h jour) → **valeur 11,6 M$ / investissement 8,4 M$ / ROI 39% / payback period 8 mois (0,7 année)**. Coûts modélisés : licences (250 $/user/an), API additionnels (80 $/user/an), training (9 600 $/user/an), infra (100 k$/an), J-Curve cost (3,3 M$ pour 15% drop sur 3 mois). Valeur modélisée : **headcount reinvestment capacity** (11 M$ — capacité libérée à réinvestir, **PAS réduction d'effectif**), revenue from extra feature deployments (990 k$, basé sur idea success rate 33\% Larsen 2023), **downtime impact négatif** (−344 k$, "instability tax"). **Stratégie reinvestissement explicite** : ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — réinvestir dans innovation, retenir les talents, capitaliser sur le knowledge institutionnel. Cinq piliers de valeur : Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (du plus direct au plus indirect, *cumulated business value*). Cinq clés systémiques d'adoption : **Trust + Platform + Data + Users + Guardrails**. Roadmap 2 phases : (1) **Build context layer (CapEx)** — IDP qualité + healthy data ecosystems ; (2) **Empower human in loop (OpEx)** — context engineering + trust in AI. Indicateurs : leading = experiment frequency + deployment frequency ; stability gauge = change failure rate + rework. Trois scénarios à modéliser (Conservative 0.8 value × 1.5 cost / Realistic 1.0 / Optimistic 1.2 × 0.8). Données externes mobilisées : 78% executives ROI sur ≥ 1 use case gen AI (Google Cloud), 88% early adopters agentic AI ROI positif, **35-40% productivity greenfield vs ≤10% brownfield/legacy** (Stanford), inference cost ÷280 entre nov 2022 et oct 2024 (Stanford AI Index 2025), **727% ROI sur 3 ans** Google Cloud AI customers, payback moyen **8 mois** marché AI. Points faibles assumés : *"all models are wrong"* — modèle à contextualiser, calculatrice à ajuster ; risque de double-count value (time saved → both avoided hire AND extra revenue) ; user experience link "loose" donc exclu du calculator. **Insight déontologique** : ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — mesure par bottlenecks levés, pas par volume de code. **Pertinence majeure** pour CIO/CTO devant construire un business case IA défendable face à un CFO/board ; pour la France/Europe, à articuler avec Wescale (X3-X4 réalistes), Tatsyi/Raiffeisen Bank Ukraine (case study banque −75 personnes mais réinvestissement délibéré), Frizzo (3-5× médiane), Curran/Intercom (3× R&D 16 mois), DORA Report 2025 (sur lequel ce ROI s'appuie).

## Titre Article

The ROI of AI-assisted Software Development

## Date

2026-04-21

## URL

https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development

## Keywords

DORA ROI of AI-assisted software development, Google Cloud DORA report 2026.1, J-Curve of AI value realization, AI is an amplifier, code is a liability not an asset, tuition cost of transformation, learning curve verification tax pipeline adaptation, five pillars of value Productivity User Experience Cost Efficiency Developer Experience Business Growth, headcount reinvestment capacity, do not adopt headcount-reduction strategy, instability tax, ROI 39% payback period 8 months, sample calculator 500 FTE 176k salary 12.5 percent time saved, J-Curve productivity drop 15% three months, idea success rate one third, 0.5 percent revenue impact per successful feature, change failure rate 5 to 6 percent, lead time for changes deployment frequency, throughput vs instability, five systemic keys of adoption Trust Platform Data Users Guardrails, build context layer CapEx empower human in loop OpEx, experiment frequency leading indicator, optionality option premium option value, internal developer platform IDP as product, AI-accessible internal data, healthy data ecosystems, documentation quality, context engineering, trust in AI, clear and communicated AI stance, user-centric focus, working in small batches version control test automation continuous integration, scenario planning conservative realistic optimistic, value multiplier cost multiplier, brownfield 10 percent vs greenfield 35-40 percent productivity, inference cost divided by 280 Stanford AI Index, 727 percent ROI Google Cloud AI three years, 78 percent executives ROI gen AI use case, 88 percent early adopters agentic AI positive returns, MIT NANDA shadow AI economy, GenAI Divide State of AI in Business 2025, agentic era, autonomous agents end-to-end transformation, we don't measure AI by code it writes but by bottlenecks it clears, all models are wrong but useful, free headcount reinvest in innovation, software delivery as value engine, retain and train institutional knowledge, governance cost vs inference cost shift, Google Cloud delta team, Eva Dong, Andre Ellis Jr., Nathen Harvey, Vivian Hu, Ursula Lübbert-Passing, Eric Maxwell, Aaron Wanjala, dora.dev/ai/roi/calculator, CC BY-NC-SA 4.0

## Authors

Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan), **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA), **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know), **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development), **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects), **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA), **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose, Eric Lam, Matt Orr, Allison Park, Ryan J. Salva, Jerome Simms, Dave Stanke, Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0**, version v. 2026.1, citations retrieved February 2026.

## Ton

**Profil** : Rapport-framework **DORA × Google Cloud delta team**, 60 pages, **document de référence pour décideurs** (CTO / CIO / CFO / VP Engineering / DSI / boards / cabinets), publié sous licence Creative Commons CC BY-NC-SA 4.0 pour permettre adoption et adaptation interne. Format hybride entre **whitepaper d'éditeur** (méthodologie, calculator), **rapport de recherche DORA** (continuité avec le 2025 State of AI-assisted Software Development) et **boîte à outils financière** (formules, scénarios, calculator interactif). Public cible primaire : leaders engineering et finance qui doivent **construire un business case IA défendable devant un CFO ou un board**. Public secondaire : sponsors transformation, communautés CTO/CIO, cabinets conseil, équipes Value Realization et FinOps.

**Style** : Voix institutionnelle DORA, anglais clair, **pédagogique-prescriptif** sans être condescendant. Densité chiffrée élevée mais **toujours encadrée par des avertissements méthodologiques explicites** — ***"all models are wrong"*** est cité dès l'introduction du calculator. Registre **honnête sur l'incertitude** : Google Cloud documente **trois perspectives de marché** (positive / neutre / pessimiste) plutôt que de pousser une seule narrative ; documente **les limites du calculator** ; reconnaît que le link entre user experience et revenue est *"loose"* et qu'il a été **exclu du calcul**. Pas de hype : c'est de la **rigueur de cabinet** appliquée à un sujet narrativement saturé.

**Aphorismes-clés** :
- ***"AI is an amplifier"*** (la thèse centrale — métaphore-pivot du document).
- ***"AI magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."***
- ***"Code is often seen as a liability, not an asset."*** (citation Software Engineering at Google, Winters/Manshreck/Wright 2020).
- ***"We don't measure AI by the code it writes but by the bottlenecks it clears."*** (formule éthique-déontologique de mesure).
- ***"All models are wrong, but we hope this one proves useful."*** (lucidité méthodologique assumée).
- ***"The tuition cost of transformation."*** (métaphore de la J-Curve qui structure la communication financière).
- ***"We strongly recommend organizations do not adopt a headcount-reduction strategy."*** (position normative explicite — la productivité libérée doit être **réinvestie**, pas découpée).

**Métaphores travaillées** :
- ***J-Curve of AI value realization*** — métaphore visuelle qui **rend financièrement lisible** un phénomène non-linéaire (creux temporaire avant croissance exponentielle). Métaphore particulièrement utile pour CFO/boards qui ont besoin de **valider la stratégie pendant le creux** sans paniquer.
- ***Tuition cost of transformation*** — l'investissement initial est une **tuition** (frais de scolarité), pas une perte. Cadre sémantique qui transforme la dette en investissement éducatif.
- ***AI as amplifier*** — l'IA n'est pas un **outil** au sens classique, c'est un **multiplicateur** qui agit sur l'état préexistant du système. Casse le récit "IA = solution".
- ***Verification tax*** — le coût caché de la review/verification du code généré, taxé sur le temps gagné en génération. Concept-clé pour expliquer que les gains apparents ne sont pas nets.
- ***Free headcount*** — la capacité libérée par la productivité = équivalent d'un headcount additionnel à allouer ailleurs. Métaphore RH/finance pour cadrer la **réallocation** au lieu de la **réduction**.
- ***Optionality / option premium / option value*** — emprunt à la finance dérivée : chaque expérience est une option à faible coût qui ne sera "exercée" que si elle prouve sa valeur. **Cadre les expérimentations comme un portefeuille d'options low-cost**.
- ***We don't measure AI by the code it writes but by the bottlenecks it clears*** — réoriente la métrique du **volume de code** (vanity metric, voire toxique car *code is a liability*) vers la **levée des goulots d'étranglement**.

**Position épistémique** : exemplaire **rigueur méthodologique** + **lucidité sur l'incertitude**. Trois marqueurs :
1. **Three perspectives** (positive / neutre / pessimiste) sur le ROI marché AI — Google Cloud documente la pessimiste (MIT NANDA shadow AI economy) **sans la minimiser**.
2. **Note méthodologique répétée** : *"high-uncertainty estimate meant to spark a conversation, rather than a rigid mathematical formula"*.
3. **Recommandations exclues du calculator** quand le link est faible (ex: developer retention, user experience to revenue) — préfère une estimation conservatrice à une chaîne de causalités fragile.

**Autorité** : construite par (a) la **lignée DORA** (continuité 2020 ROI of DevOps Transformation → 2025 State of AI-assisted Software Development → DORA AI Capabilities Model → 2026 ROI of AI), (b) la **rigueur du cadre** (formule simple ROI = (Value − Investment) / Investment, calculator open et adaptable), (c) la **convergence avec données Google Cloud étendues** (78% executives, 88% agentic adopters, 727% 3 ans, 8 mois payback), (d) le **co-signataire delta team** Google Cloud Professional Services (autorité opérationnelle de transformation).

## Pense-betes

- **Date / source** : **21 avril 2026** (PDF metadata CreationDate), version **v. 2026.1**, citations retrieved February 2026. Hébergement : https://cloud.google.com/resources/content/dora-roi-of-ai-assisted-software-development. PDF direct : https://services.google.com/fh/files/misc/dora-roi-of-ai-assisted-software-development-2026.pdf
- **Format** : Rapport-framework DORA × delta team, **60 pages**, sous licence **CC BY-NC-SA 4.0**, avec **calculator interactif** sur https://dora.dev/ai/roi/calculator
- **Auteurs principaux** : Eva Dong, Andre Ellis Jr., Nathen Harvey (DORA team lead), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
- **Plan en 7 chapitres** : Executive summary → Build the business case → Understand the market divide → Calculate the ROI → Build the organizational foundation → Map your AI investment roadmap → Secure long-term ROI → (Acknowledgments / Next steps / Appendix calculator)

### La thèse-pivot — *AI is an amplifier*

> *"Artificial intelligence (AI) serves as a powerful amplifier in software development. It magnifies the strengths of high-performing organizations and the dysfunctions of struggling ones."*

- **Implication 1** : acheter des licences IA **ne suffit pas** — *"purchasing licenses alone will not guarantee a financial return"*.
- **Implication 2** : si l'organisation est en bottleneck (manual testing, bureaucratie, données fragmentées), l'IA **accélère** la dette technique au lieu de la réduire.
- **Implication 3** : *"Code is often seen as a liability, not an asset"* (Winters/Manshreck/Wright, *Software Engineering at Google*, 2020) — générer plus de code **sans oversight** augmente le verification overhead et la dette long terme.
- **Implication 4** : la métrique pertinente n'est **pas le volume de code** mais ***"the bottlenecks it clears"***.

### La J-Curve of AI value realization (concept central)

> *"The introduction of a new process almost guarantees an initial negative impact on performance, with the depth of the decline directly correlating to the magnitude of the change."*

**Trois drivers** du creux de productivité temporaire :
1. **Learning curve** : équipes apprennent nouvelles interfaces, adaptent workflows, maîtrisent le passage *prompting → systems built on context, intent, specification*.
2. **Verification tax** : temps de review du code généré (méfiance hallucinations + volume accru).
3. **Pipeline adaptation** : downstream processes (testing, change approval) doivent absorber la nouvelle vélocité, **révèlent les contraintes legacy**.

**Risque managérial** : *"Initiatives often fail not because the technology is flawed but because leadership misinterprets this learning phase as a failure and pulls funding during the inevitable dip."* Donc **budgéter explicitement** le creux pour protéger l'investissement pendant la phase d'apprentissage.

### Le sample calculator — chiffres de référence

| Variable | Valeur sample |
|----------|---------------|
| Technical staff size (FTE) | **500** |
| Average fully loaded salary | **$176,000** (US blended ; +30% US, +100% EU sur base) |
| Net time saved per developer | **12.5%** (~ 1h / 8h jour ; range littérature 40-150 min/jour) |
| Annual AI license / user | **$250** |
| Additional annual AI costs / user (API/tokens) | **$80** |
| Annual training cost / user | **$9,600** |
| Additional infra cost | **$100,000** |
| J-Curve productivity drop | **15%** |
| J-Curve duration | **3 mois** |
| Product portfolio revenue | **$100M** |
| Cost of downtime / hour | **$100,000** |
| Current deployments / year | 50 |
| Idea success rate | **33%** (Larsen et al. 2023) |
| Revenue impact per successful feature | **0.5%** (range 0.01-1%) |
| Current CFR | 5% |
| Target CFR | 6% (+20% — *instability tax*) |
| Target deployments / year | 56 (+12%) |
| Target features / year | 56 |
| FDRT (failed deployment recovery time) | 4 hours |

**Résultats sample** :
| | Montant |
|--|--|
| Total hard costs (tooling + training) | **$5,065,000** |
| J-Curve cost | **$3,300,000** |
| **Total first-year investment** | **$8,365,000** |
| Headcount reinvestment capacity | $11,000,000 |
| Revenue from extra feature deployments | $990,000 |
| Downtime impact (instability tax) | **−$344,000** |
| **Total annual value** | **$11,646,000** |
| **First-year benefit** | $3,281,000 |
| **First-year ROI** | **39%** |
| **Payback period** | **0.7 année (8 mois)** |

### Cinq piliers de valeur (cumulated business value)

```
Productivity → User Experience → Cost Efficiency → Developer Experience → Business Growth
   (le plus direct)                                                  (le plus indirect)
```

- **Productivity** : effet le plus direct, le mieux confirmé par DORA 2025 (>80% des répondants perçoivent gain).
- **Developer Experience** : retention, moins de turnover (replacement cost = 1.5-2× annual salary). **Exclu du calculator de base** (link variable).
- **Cost efficiency** : avoided hire (pas réduction effectif !) + IT infra savings.
- **User Experience** : performance app → engagement. **Exclu du calculator** (link "loose").
- **Business Growth** : revenue, conversion. Le plus aval, le plus difficile à attribuer.

### Cinq clés systémiques d'adoption (organizational foundation)

1. **Trust** : *"clear and communicated AI stance"* — réduit le verification tax via psychological safety.
2. **Platform** : Internal Developer Platform (IDP) traité **comme un produit** — guardrails pour devs ET pour agents.
3. **Data** : AI-accessible internal data + healthy data ecosystems + documentation quality machine-readable.
4. **Users** : user-centric focus — vélocité dirigée vers user value, pas vers volume de commits.
5. **Guardrails** : non-optional security/quality gates, automated checks, pre-commit hooks.

### Roadmap 2 phases d'investissement

| Phase | Type budget | Capabilities | Goal |
|-------|-------------|--------------|------|
| (1) **Build the context layer** | **CapEx** | Quality IDP + healthy data ecosystem + machine-readable docs | Minimiser friction agents — *garbage in, garbage out* |
| (2) **Empower the human in the loop** | **OpEx** | Trust in AI + context engineering | Devs deviennent *high-level orchestrators* — réduire verification tax |
| (3) **Validate progress** | (gauge) | Leading: experiment frequency + deployment frequency / Stability: change failure rate + rework | Confirmer trajectoire J-Curve |

### Trois scénarios à modéliser

| Scénario | Value multiplier | Cost multiplier | Hypothèse |
|----------|------------------|-----------------|-----------|
| **Conservative** | **0.8** | **1.5** | Adoption lente + hidden integration overhead |
| **Realistic base** | 1.0 | 1.0 | Trajectoire standard |
| **Optimistic** | **1.2** | **0.8** | Elite team + IDP mature absorbant les outils |

### Données externes mobilisées (étayage)

| Donnée | Valeur | Source |
|--------|--------|--------|
| Executives reporting ROI on ≥ 1 gen AI use case | **78%** | Google Cloud, *The ROI of AI 2025* |
| Early adopters agentic AI seeing positive returns | **88%** | Google Cloud, *The ROI of AI 2025* |
| Productivity gain greenfield (simple) | **35-40%** | Stanford Software Engineering Productivity Research |
| Productivity gain brownfield (legacy) | **≤ 10%** | Stanford |
| Inference cost reduction (Nov 2022 → Oct 2024) | **÷280** | Stanford 2025 AI Index |
| Avg payback period AI tools (Google Cloud data) | **8 mois** | Google Cloud, *How Businesses Achieve Strong ROI* |
| Avg ROI Google Cloud AI customers (3 ans) | **727%** | Google Cloud |
| Idea success rate (features that increase revenue) | **~33%** | Larsen et al. 2023 (A/B testing methodology) |
| Replacement cost developer | **1.5-2× annual salary** | Standard HR |
| Cost overhead fully loaded salary | **+30% US / +100% EU** | Sur base salary |

### Position normative explicite — *do not reduce headcount*

> *"We strongly recommend organizations do not adopt a headcount-reduction strategy, which has a negative impact on morale and organizational culture, can reduce efficiencies, and can even incentivize workers to not improve their work processes. Instead, this effort should be reinvested into new, innovative, or more productive work."*

Position **explicitement opposée** à des cas comme **Tatsyi/Raiffeisen Bank Ukraine** (−75 personnes en 12 mois). Tension productive : Tatsyi rapporte une **réallocation délibérée** de la capacité libérée tout en réduisant l'effectif ; DORA recommande de **conserver l'effectif** et réinvestir la capacité libérée vers innovation. Les deux positions ne sont pas inconciliables — Tatsyi est rétrospectif sur une décision prise, DORA est prescriptif **a priori** pour préserver moral, knowledge institutionnel et incentive structure. À utiliser comme **pivot de débat** en COMEX.

### Articulation dossier veille

#### Convergence "AI is an amplifier" / "système organisationnel >> outil"
- **Tatsyi/Raiffeisen** (2026-05-05) : *"AI expanded our production possibility frontier, and we deliberately allocated the freed capacity"* — exact analogue de la position DORA.
- **Wescale Usine Logicielle Augmentée** (2026-05-03) : *gouvernance injectée "couche quasiment militaire"*, X3-X4 réalistes.
- **Habert PROJ-AI** (2026-05-05) : *"technology 20% / team discipline 80%"* — reformulation directe.
- **Osmani *Cognitive Surrender*** (2026-05-05) : 6 garde-fous structurels organisationnels.
- **MIT NANDA *GenAI Divide*** (2025-08-23) : 95% des pilotes IA fail à délivrer ROI — explicitement cité par DORA comme *"pessimistic perspective"*.
- → **Convergence forte** : la maturité organisationnelle est le **moat**, pas l'outil.

#### Convergence "J-Curve / tuition cost"
- **Frizzo** (2026-05-05) : *"writing muscle atrophy"*, *"the new bottleneck is supervision"* — vit le verification tax dans le quotidien.
- **BCG Brain Fry** (Bedard et al., 2026-03-05) : 14% AI brain fry — le coût d'apprentissage côté humain.
- **Beck *Starving Genies*** (2026-04-03) : pénurie volontaire pour préserver la pratique manuelle vs FOMO d'agents 24/7.
- → DORA donne le **cadre financier** du creux que ces auteurs documentent qualitativement.

#### Convergence sur les ratios de productivité (médiane committée 3-5×)
- **DORA sample 12,5% time saved** = équivalent à un X1.14 sur la base 8h, **bien plus conservateur** que les ratios médiane 3-5× de la corpus 2026.
- **Pourquoi** : DORA est **conservateur par design** pour défendre devant CFO. Les ratios praticiens (Frizzo 3-5×, Wescale X3-X4, Curran 3×, Tatsyi multi-outils ×1.5-3 / Claude stack ×4.5) intègrent **toute la transformation du métier** (changement de scope, nouveaux produits, réallocation tâches) que le calculator DORA ne capte pas — il mesure *avoided hire*, pas *new product space*.
- **Stanford 35-40% greenfield vs ≤10% brownfield** cité par DORA : confirme la **distribution inégale** par contexte technique.
- → **Lecture juste** : DORA = **plancher défendable financièrement** ; ratios praticiens = **plafond observé organisationnellement**. Les deux sont vrais selon le périmètre de mesure.

#### Convergence "free headcount / réinvestir / pas réduire effectif"
- **DORA** : *"do not adopt a headcount-reduction strategy"*.
- **Curran/Intercom** (2026-04-16) : 3× R&D productivité **sans réduction massive** — réallocation interne.
- **Tatsyi/Raiffeisen** (2026-05-05) : −75 personnes mais avec **réallocation délibérée** de la capacité libérée vers features / stabilité / dette technique.
- → **Tension productive** : DORA prescriptif (ne pas réduire) vs Tatsyi descriptif (a réduit en réallouant). À utiliser pour des présentations **équilibrées**.

#### Convergence "code is a liability"
- **DORA** cite Software Engineering at Google (Winters/Manshreck/Wright, 2020).
- **Cherny** (2026-05) : *"100% du code généré"* — mais avec supervision et compaction.
- **Frizzo** (2026-05-05) : *"writing muscle atrophy"* — coût cognitif du volume.
- **Osmani Cognitive Surrender** (2026-05-05) : *"PRs ~100 lignes max"* — limite explicite anti-volume.
- → Le ***"more code is bad code"*** est un **fait stylisé 2026** confirmé par sources hétérogènes.

#### Position FR / Europe vs anglo-saxonne
- DORA est **américain mais documente position européenne** (Ursula Lübbert-Passing PhD, EMEA Value Realization).
- **Calculator inclut** un overhead salarial +100% pour Europe (vs +30% US) — sensible aux contextes locaux.
- À mobiliser dans présentations FR comme **standard de référence** pour CFO/board, complémentaire de Wescale (cabinet FR), Habert (FR), Tatsyi (Europe centrale).

#### Convergence "experiment frequency = leading financial indicator"
- **DORA** : optionality framework, experiment frequency comme leading indicator.
- **Cherny** (2026-05) : *"few dozen PRs/day"*, exploration parallèle.
- **Karpathy** (2026-04-29) : MenuGen vs Nanobanana, *jagged intelligence*, expérimentation comme nouveau mode.
- **Habert PROJ-AI** : *Decision Records 7 dimensions* qui légitime l'exploration documentée.
- → **Convergence** : l'IA permet de **transformer chaque feature en option à faible coût**.

### Limites à signaler

- **Calculator simpliste par construction** (assumé par les auteurs) — **exclut** : retention/turnover savings, user experience to revenue, agentic AI compounding effects year 2+, downstream business process savings (HR, etc.).
- **Sample chiffres très US-centriques** ($176k salary, $250 license/year — sous-estime probablement les coûts entreprise grand compte avec négociation enterprise + agents).
- **12,5% time saved est très conservateur** vs les retours praticiens — mais c'est **par design** pour défendre devant un CFO sceptique. Risque inverse : **sous-vendre** le potentiel.
- **Time saving capped by instability tax** dans le modèle — le creux temporaire (15% drop sur 3 mois) **pèse 3,3 M$** sur 8,4 M$ d'investissement total. À vérifier : ce creux est-il vraiment toujours de cette ampleur ? Pour des organisations matures, peut être beaucoup moins.
- **Idea success rate 33% Larsen 2023** issu d'A/B testing standard — peut être trop **bas** pour des features bien researchées et trop **haut** pour des features expérimentales.
- **Pas de discussion explicite** des risques régulatoires (RGPD, AI Act EU, supervision sectorielle) — **étonnant** pour un document Google Cloud à portée enterprise EMEA.
- **Le link Google Cloud** (727% ROI 3 ans, 8 mois payback) : statistiques **internes Google Cloud customers**, biais de sélection probable.
- **Le calculator ne capture pas** ce que Tatsyi nomme *"production possibility frontier"* (les **nouveaux produits** qui n'existaient pas avant) — mesure *avoided hire*, pas *new product space*. Limite **structurelle** du modèle.
- **"All models are wrong"** est répété 3 fois dans le document — auto-désamorçage, mais **ne dispense pas** de la critique méthodologique sur l'application aveugle.

### À mobiliser pour

- **Présentations COMEX / boards / CFO** : framework officiel Google Cloud × DORA — autorité institutionnelle pour défendre un budget IA.
- **Construction business case IA** : reprendre le calculator comme structure, **ajuster les hypothèses au contexte client** (recommandation explicite des auteurs).
- **Sensibilisation au "tuition cost"** : protéger l'investissement pendant le creux J-Curve, ne pas couper le funding pendant la phase d'apprentissage.
- **Débat équipe / RH** : la position normative *"do not reduce headcount"* est un argument utilisable contre les pulsions de réduction d'effectifs purement budgétaires.
- **Sourcing chiffré** : 39% ROI / 8 mois payback / 35-40% greenfield vs 10% brownfield / inference cost ÷280 / 727% ROI 3 ans — **repères chiffrés solides** à intégrer dans formations, fiches TV, présentations stratégiques.
- **Articulation FR avec Wescale / Habert / Tatsyi / Frizzo** : DORA comme **socle financier institutionnel**, autres fiches comme **témoignages opérationnels** complémentaires.
- **Discussion stratégique IDP / context engineering** : les capabilities DORA (Quality IDP + AI-accessible internal data + Documentation quality) deviennent les **investissements prioritaires** identifiables et budgétables.

## RésuméDe400mots

Le **DORA × delta team de Google Cloud** publie en avril 2026 (v. 2026.1, citations février 2026, **CC BY-NC-SA 4.0**) un rapport-framework de **60 pages** dédié au ROI de l'IA dans le développement logiciel, avec **calculator interactif** sur dora.dev/ai/roi/calculator. Le document s'inscrit dans la lignée DORA (2020 ROI of DevOps Transformation → 2025 State of AI-assisted Software Development → DORA AI Capabilities Model → 2026 ROI of AI).

**Thèse-pivot** : ***"AI is an amplifier"*** — l'IA magnifie simultanément les forces des organisations performantes et les dysfonctionnements des organisations en difficulté. Acheter des licences IA **ne suffit pas** : l'IA injectée dans un système avec testing manuel, bureaucratie ou données fragmentées **accélère** la dette technique. Citation Software Engineering at Google : ***"code is often seen as a liability, not an asset"***. Métrique éthique : ***"we don't measure AI by the code it writes but by the bottlenecks it clears"***.

**Concept central nouveau** : la ***J-Curve of AI value realization*** — toute adoption IA passe par un **creux temporaire** (learning curve + verification tax + pipeline adaptation) avant la **croissance exponentielle**, métaphore du *"tuition cost of transformation"* à **budgéter explicitement** pour ne pas paniquer pendant le creux.

**Sample calculator** (500 FTE / salaire 176 k$ / 12,5% time saved per dev) : **valeur 11,6 M$ / investissement 8,4 M$ / ROI 39% / payback 8 mois (0,7 année)**. Détail : hard costs 5,065 M$ + J-Curve cost 3,3 M$ ; valeur = headcount reinvestment 11 M$ + extra features 990 k$ − instability tax 344 k$.

**Position normative explicite** : ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — réinvestir, retenir les talents, capitaliser le knowledge institutionnel.

**Cinq piliers de valeur** : Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (du plus direct au plus indirect). **Cinq clés systémiques** : Trust + Platform + Data + Users + Guardrails. **Roadmap 2 phases** : (1) Build context layer (CapEx) — IDP qualité + healthy data ecosystems ; (2) Empower human in loop (OpEx) — context engineering + trust in AI. Indicateurs leading : experiment frequency + deployment frequency.

**Données externes** : 78% executives ROI sur ≥ 1 use case gen AI, 88% early adopters agentic AI ROI positif, **35-40% productivity greenfield vs ≤10% brownfield** (Stanford), inference cost **÷280** (nov 2022 → oct 2024), **727% ROI sur 3 ans** Google Cloud AI customers, payback moyen **8 mois**.

**Articulation dossier veille** : convergence forte avec Tatsyi/Raiffeisen (production possibility frontier), Wescale (gouvernance + X3-X4), Habert PROJ-AI (technology 20% / discipline 80%), MIT NANDA (95% pilotes fail explicitement cité). Tension productive avec ratios praticiens (Frizzo 3-5×, Curran 3×, Tatsyi ×1.5-4.5) : DORA = **plancher défendable financièrement** (12,5% time saved), praticiens = **plafond observé organisationnellement**. À mobiliser pour COMEX, business case CFO, sponsors transformation.

## GrapheDeConnaissance

- DORA —publie→ The ROI of AI-assisted Software Development (DOCUMENT, 0.98)
- Google Cloud delta team —publie→ The ROI of AI-assisted Software Development (DOCUMENT, 0.97)
- Eva Dong —travaille_chez→ Google Cloud Americas (ORGANISATION, 0.95)
- Nathen Harvey —dirige→ DORA team (ORGANISATION, 0.96)
- Ursula Lübbert-Passing —travaille_chez→ Google Cloud EMEA (ORGANISATION, 0.95)
- AI —est_instance_de→ amplificateur du système organisationnel (CONCEPT, 0.97)
- DORA —affirme_que→ l'IA magnifie les forces des organisations performantes et les dysfonctionnements des organisations en difficulté (AFFIRMATION, 0.97)
- J-Curve of AI value realization —est_instance_de→ trajectoire à creux de productivité initial puis croissance exponentielle (CONCEPT, 0.96)
- Learning curve + verification tax + pipeline adaptation —fait_partie_de→ J-Curve of AI value realization (CONCEPT, 0.95)
- Tuition cost of transformation —est_variante_de→ J-Curve productivity drop (CONCEPT, 0.94)
- Code —est_instance_de→ liability not asset (CONCEPT, 0.94)
- DORA —recommande→ mesurer l'IA par les bottlenecks levés et non par le volume de code généré (AFFIRMATION, 0.96)
- Sample ROI calculator —mesure→ 39% ROI / 8 mois payback / 11.6M$ valeur / 8.4M$ investissement (MESURE, 0.97)
- Sample ROI calculator —est_basé_sur→ hypothèses 500 FTE / 176k$ salary / 12.5% time saved / 15% J-Curve drop 3 mois (CONCEPT, 0.96)
- DORA —recommande→ ne pas adopter de stratégie de réduction d'effectifs (AFFIRMATION, 0.97)
- DORA —recommande→ réinvestir la productivité libérée par l'IA dans l'innovation et la création de valeur (AFFIRMATION, 0.96)
- Productivity, User Experience, Cost Efficiency, Developer Experience, Business Growth —fait_partie_de→ Cinq piliers de valeur (CONCEPT, 0.96)
- Trust, Platform, Data, Users, Guardrails —fait_partie_de→ Cinq clés systémiques d'adoption (CONCEPT, 0.96)
- DORA —recommande→ traiter l'Internal Developer Platform comme un produit (AFFIRMATION, 0.95)
- Build context layer —est_instance_de→ phase CapEx (Quality IDP + Healthy data ecosystem) (CONCEPT, 0.94)
- Empower human in loop —est_instance_de→ phase OpEx (Trust in AI + context engineering) (CONCEPT, 0.94)
- Experiment frequency —est_instance_de→ leading financial indicator (CONCEPT, 0.95)
- Stanford AI Index 2025 —mesure→ inference cost réduit ×280 entre nov 2022 et oct 2024 (MESURE, 0.96)
- Stanford research —mesure→ 35-40% productivité greenfield vs ≤10% brownfield (MESURE, 0.94)
- Google Cloud —mesure→ 727% ROI moyen sur 3 ans des clients Google Cloud AI (MESURE, 0.92)
- MIT NANDA —affirme_que→ une shadow AI economy existe et 95% des pilotes IA échouent à délivrer un ROI (AFFIRMATION, 0.94)
- Larsen et al. 2023 —mesure→ idea success rate ~33% (MESURE, 0.92)
- Verification tax —est_basé_sur→ volume de code généré par IA (CONCEPT, 0.95)
- Bilan DORA ROI —converge_avec→ Tatsyi production possibility frontier, Wescale gouvernance, Habert technology 20 / discipline 80 (CONCEPT, 0.93)
- Ratios praticiens 3-5× (Frizzo, Wescale, Curran, Tatsyi) —surpasse→ DORA 12.5% time saved (estimation conservatrice) (CONCEPT, 0.93)
- Stratégie no-headcount-reduction DORA —s_oppose_à→ Tatsyi −75 personnes mais réallocation délibérée (CONCEPT, 0.91)
- Optionality framework —permet→ de traiter chaque expérience comme option à faible coût (CONCEPT, 0.94)
- DORA —affirme_que→ l'IA accélère l'accumulation de dette technique si l'organisation est en bottleneck (AFFIRMATION, 0.95)
- Scénarios Conservative 0.8/1.5, Realistic 1.0, Optimistic 1.2/0.8 —fait_partie_de→ Trois scénarios (DORA) (METHODOLOGIE, 0.94)
- Google Cloud —mesure→ 78% des executives rapportent un ROI sur au moins 1 use case gen AI (MESURE, 0.93)
- Google Cloud —mesure→ 88% des early adopters agentic AI voient des retours positifs (MESURE, 0.92)

---
Canonical: https://www.thekb.eu/en/fiches/dora-google-cloud-roi-ai-assisted-software-development-j-curve-2026-04-21/