Atlassian publie, sur son blog Inside Atlassian, une étude data co-signée par deux data scientists (Robbie Geoghegan, Fan Jiang) qui mesure le retour réel d'un SDLC AI-native outillé par son agent Rovo Dev. L'enjeu posé d'emblée est le « paradoxe de la productivité » formulé par Robert Solow en 1987 (« on voit l'ère informatique partout sauf dans les statistiques de productivité ») : l'IA est massivement adoptée — 93 % des développeurs utilisent des outils IA, près de 30 % du code est écrit par l'IA — mais son impact reste flou tant qu'on le mesure en usage (tokens) plutôt qu'en impact.
Les résultats, issus d'une quasi-expérience sur 3 400 dépôts de 2 500 clients (appariement par score de propension), sont chiffrés et segmentés. Les dépôts adoptant Rovo Dev mergent 19 % de pull requests en plus par mois que les non-adoptants. Le gain monte à 37-51 % sur les dépôts à activité faible ou moyenne, et double à 59-87 % lorsque 3 à 5 membres de l'équipe adoptent l'outil : l'adoption collective surpasse nettement l'adoption individuelle. Côté efficience, une enquête auprès de plus de 6 200 développeurs (estimations prises au 20e percentile, donc conservatrices) établit un gain de 2-3 heures par semaine sur les tâches de code et de revue, soit environ 10 % des 24 heures qu'elles mobilisent — c'est-à-dire 20-30 heures hebdomadaires réinvesties pour une équipe de dix.
on voit l'ère informatique partout sauf dans les statistiques de productivité
L'article propose un SDLC AI-native en cinq étapes où l'agent épaule l'humain : Plan (découpages et estimations proposés), Orchestrate (coordination humains/agents), Code (agents autonomes sur du travail bien cadré, PR prêtes à relire), Review (revue contre les standards d'équipe avant l'humain) et Operate (copilotes d'incident always-on). Il l'accompagne d'un cadre de mesure à quatre dimensions : Speed (débit de PR), Efficiency (heures gagnées), Quality (change failure rate) et Satisfaction (satisfaction développeur) — pour ne pas réduire la valeur à la seule vélocité.
Deux points renforcent l'argument. D'abord le rôle du contexte : grâce au Teamwork Graph d'Atlassian, une IA riche en contexte fournit des résultats 44 % plus précis en consommant 48 % de tokens en moins. Ensuite la recommandation opérationnelle : commencer par une équipe (pas un individu), choisir un dépôt avec 3-5 ingénieurs réellement utilisateurs, et mesurer le débit et les gains de temps 2-3 mois après le déploiement, une fois l'effet de nouveauté dissipé. Le message de fond : la valeur de l'IA est réelle mais conditionnée à une mesure d'impact rigoureuse et à une adoption d'équipe.