En su blog Inside Atlassian, Atlassian publica un estudio de datos coescrito por dos científicos de datos (Robbie Geoghegan, Fan Jiang) que mide el retorno real de un SDLC nativo de IA impulsado por su agente Rovo Dev. El desafío se plantea desde el inicio en torno a la «paradoja de la productividad» formulada por Robert Solow en 1987 («se puede ver la era informática en todas partes excepto en las estadísticas de productividad»): la IA se adopta masivamente —el 93% de los desarrolladores utiliza herramientas de IA, casi el 30% del código lo escribe la IA— pero su impacto sigue siendo incierto mientras se mida en uso (tokens) en lugar de impacto.
Los resultados, extraídos de un cuasi-experimento en 3.400 repositorios de 2.500 clientes (emparejamiento por puntaje de propensión), están cuantificados y segmentados. Los repositorios que adoptan Rovo Dev fusionan 19% más pull requests al mes que los no adoptantes. La ganancia sube a 37-51% en repositorios de actividad baja o media, y se duplica a 59-87% cuando de 3 a 5 miembros del equipo adoptan la herramienta: la adopción colectiva supera claramente a la adopción individual. En cuanto a la eficiencia, una encuesta a más de 6.200 desarrolladores (estimaciones tomadas en el percentil 20, por lo tanto conservadoras) establece una ganancia de 2-3 horas por semana en tareas de codificación y revisión, es decir, alrededor del 10% de las 24 horas que estas implican, o sea, 20-30 horas por semana reinvertidas para un equipo de diez personas.
se puede ver la era informática en todas partes excepto en las estadísticas de productividad
El artículo propone un SDLC nativo de IA en cinco etapas en el que el agente asiste al humano: Plan (desgloses y estimaciones propuestos), Orchestrate (coordinación humano/agente), Code (agentes autónomos en trabajo bien delimitado, PR listos para revisión), Review (revisión según los estándares del equipo antes del humano) y Operate (copilotos de incidentes siempre activos). Esto se combina con un marco de medición de cuatro dimensiones: Speed (rendimiento de PR), Efficiency (tiempo ahorrado), Quality (tasa de fallos de los cambios) y Satisfaction (satisfacción del desarrollador), de modo que el valor no se reduzca únicamente a la velocidad.
Dos puntos refuerzan el argumento. Primero, el papel del contexto: gracias al Teamwork Graph de Atlassian, una IA con contexto enriquecido ofrece resultados un 44% más precisos consumiendo un 48% menos de tokens. Segundo, la recomendación operativa: comenzar con un equipo (no un individuo), elegir un repositorio con 3-5 ingenieros que sean usuarios reales, y medir el rendimiento y el ahorro de tiempo 2-3 meses después del despliegue, una vez disipado el efecto novedad. El mensaje de fondo: el valor de la IA es real, pero está condicionado a una medición rigurosa del impacto y a la adopción a nivel de equipo.