The ROI of AI-assisted Software Development

À retenir

1. 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
2. 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
3. Auteurs principaux. Eva Dong, Andre Ellis Jr., Nathen Harvey (DORA team lead), Vivian Hu, Ursula Lübbert-Passing PhD, Eric Maxwell, Aaron Wanjala
4. 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."
5. Implication 1. acheter des licences IA ne suffit pas — "purchasing licenses alone will not guarantee a financial return".
6. Implication 2. si l'organisation est en bottleneck (manual testing, bureaucratie, données fragmentées), l'IA accélère la dette technique au lieu de la réduire.
7. 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.
8. 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) `
9. Productivity. effet le plus direct, le mieux confirmé par DORA 2025 (>80% des répondants perçoivent gain).
10. Developer Experience. retention, moins de turnover (replacement cost = 1.5-2× annual salary). Exclu du calculator de base (link variable).
11. Cost efficiency. avoided hire (pas réduction effectif !) + IT infra savings.
12. User Experience. performance app → engagement. Exclu du calculator (link "loose").
13. 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"
14. Tatsyi/Raiffeisen. (2026-05-05) : "AI expanded our production possibility frontier, and we deliberately allocated the freed capacity" — exact analogue de la position DORA.
15. Wescale Usine Logicielle Augmentée. (2026-05-03) : gouvernance injectée "couche quasiment militaire", X3-X4 réalistes.
16. Habert PROJ-AI. (2026-05-05) : "technology 20% / team discipline 80%" — reformulation directe.
17. Osmani *Cognitive Surrender. * (2026-05-05) : 6 garde-fous structurels organisationnels.
18. MIT NANDA *GenAI Divide. (2025-08-23) : 95% des pilotes IA fail à délivrer ROI — explicitement cité par DORA comme "pessimistic perspective"*.
19. → Convergence forte : la maturité organisationnelle est le moat, pas l'outil. #### Convergence "J-Curve / tuition cost"
20. Frizzo. (2026-05-05) : "writing muscle atrophy", "the new bottleneck is supervision" — vit le verification tax dans le quotidien.
21. BCG Brain Fry. (Bedard et al., 2026-03-05) : 14% AI brain fry — le coût d'apprentissage côté humain.
22. Beck *Starving Genies. * (2026-04-03) : pénurie volontaire pour préserver la pratique manuelle vs FOMO d'agents 24/7.
23. → DORA donne le cadre financier du creux que ces auteurs documentent qualitativement. #### Convergence sur les ratios de productivité (médiane committée 3-5×)
24. 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.
25. 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.
26. Stanford 35-40% greenfield vs ≤10% brownfield. cité par DORA : confirme la distribution inégale par contexte technique.
27. → 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"
28. DORA. "do not adopt a headcount-reduction strategy".
29. Curran/Intercom. (2026-04-16) : 3× R&D productivité sans réduction massive — réallocation interne.
30. Tatsyi/Raiffeisen. (2026-05-05) : −75 personnes mais avec réallocation délibérée de la capacité libérée vers features / stabilité / dette technique.
31. → 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"
32. DORA. cite Software Engineering at Google (Winters/Manshreck/Wright, 2020).
33. Cherny. (2026-05) : "100% du code généré" — mais avec supervision et compaction.
34. Frizzo. (2026-05-05) : "writing muscle atrophy" — coût cognitif du volume.
35. Osmani Cognitive Surrender. (2026-05-05) : "PRs ~100 lignes max" — limite explicite anti-volume.
36. → Le "more code is bad code" est un fait stylisé 2026 confirmé par sources hétérogènes. #### Position FR / Europe vs anglo-saxonne
37. DORA est américain mais documente position européenne (Ursula Lübbert-Passing PhD, EMEA Value Realization).
38. Calculator inclut. un overhead salarial +100% pour Europe (vs +30% US) — sensible aux contextes locaux.
39. 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"
40. DORA. optionality framework, experiment frequency comme leading indicator.
41. Cherny. (2026-05) : "few dozen PRs/day", exploration parallèle.
42. Karpathy. (2026-04-29) : MenuGen vs Nanobanana, jagged intelligence, expérimentation comme nouveau mode.
43. Habert PROJ-AI. Decision Records 7 dimensions qui légitime l'exploration documentée.
44. → Convergence : l'IA permet de transformer chaque feature en option à faible coût. ### Limites à signaler
45. 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.).
46. Sample chiffres très US-centriques. ($176k salary, $250 license/year — sous-estime probablement les coûts entreprise grand compte avec négociation enterprise + agents).
47. 12,5% time saved est très conservateur. vs les retours praticiens — mais c'est par design pour défendre devant un CFO sceptique. Risque inverse : sous-vendre le potentiel.
48. Time saving capped by instability tax. dans le modèle — le creux temporaire (15% drop sur 3 mois) pèse 3,3 M$ 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.
49. 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.
50. Pas de discussion explicite. des risques régulatoires (RGPD, AI Act EU, supervision sectorielle) — étonnant pour un document Google Cloud à portée enterprise EMEA.
51. Le link Google Cloud. (727% ROI 3 ans, 8 mois payback) : statistiques internes Google Cloud customers, biais de sélection probable.
52. 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.
53. "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
54. Présentations COMEX / boards / CFO. framework officiel Google Cloud × DORA — autorité institutionnelle pour défendre un budget IA.
55. Construction business case IA. reprendre le calculator comme structure, ajuster les hypothèses au contexte client (recommandation explicite des auteurs).
56. Sensibilisation au "tuition cost". protéger l'investissement pendant le creux J-Curve, ne pas couper le funding pendant la phase d'apprentissage.
57. Débat équipe / RH. la position normative "do not reduce headcount" est un argument utilisable contre les pulsions de réduction d'effectifs purement budgétaires.
58. 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.
59. Articulation FR avec Wescale / Habert / Tatsyi / Frizzo. DORA comme socle financier institutionnel, autres fiches comme témoignages opérationnels complémentaires.
60. Discussion stratégique IDP / context engineering. les capabilities DORA (Quality IDP + AI-accessible internal data + Documentation quality) deviennent les investissements prioritaires identifiables et budgétables.