Sul suo blog Inside Atlassian, Atlassian pubblica uno studio di dati co-firmato da due data scientist (Robbie Geoghegan, Fan Jiang) che misura il rendimento effettivo di un SDLC AI-native basato sul suo agente Rovo Dev. La posta in gioco viene inquadrata fin dall'inizio attorno al "paradosso della produttività" formulato da Robert Solow nel 1987 ("si vede l'era dei computer ovunque tranne che nelle statistiche di produttività"): l'IA è adottata in massa — il 93% degli sviluppatori usa strumenti di IA, quasi il 30% del codice è scritto dall'IA — ma il suo impatto resta poco chiaro finché viene misurato in termini di utilizzo (token) anziché di impatto.
I risultati, ricavati da un quasi-esperimento su 3.400 repository di 2.500 clienti (propensity-score matching), sono quantificati e segmentati. I repository che adottano Rovo Dev uniscono il 19% di pull request in più al mese rispetto ai non adottanti. Il guadagno sale al 37-51% sui repository a bassa o media attività, e raddoppia al 59-87% quando da 3 a 5 membri del team adottano lo strumento: l'adozione collettiva supera nettamente quella individuale. Sul fronte dell'efficienza, un sondaggio su oltre 6.200 sviluppatori (stime prese al 20° percentile, quindi prudenti) stabilisce un guadagno di 2-3 ore a settimana sui compiti di coding e review, ossia circa il 10% delle 24 ore che comportano — cioè, 20-30 ore a settimana reinvestite per un team di dieci persone.
L'articolo propone un SDLC AI-native in cinque fasi in cui l'agente supporta l'essere umano: Plan (suddivisioni e stime proposte), Orchestrate (coordinamento umano/agente), Code (agenti autonomi su lavoro ben delimitato, PR pronte per la revisione), Review (revisione rispetto agli standard del team prima dell'essere umano) e Operate (copiloti sempre attivi per gli incidenti). Lo abbina a un framework di misurazione a quattro dimensioni: Speed (throughput delle PR), Efficiency (tempo risparmiato), Quality (tasso di fallimento delle modifiche) e Satisfaction (soddisfazione degli sviluppatori) — per non ridurre il valore alla sola velocità.
Due punti rafforzano l'argomentazione. Primo, il ruolo del contesto: grazie al Teamwork Graph di Atlassian, un'IA ricca di contesto fornisce risultati più accurati del 44% consumando il 48% di token in meno. Secondo, la raccomandazione operativa: iniziare con un team (non un individuo), scegliere un repository con 3-5 ingegneri che siano utenti effettivi, e misurare throughput e tempo risparmiato 2-3 mesi dopo il dispiegamento, una volta esaurito l'effetto novità. Il messaggio di fondo: il valore dell'IA è reale ma condizionato da una misurazione rigorosa dell'impatto e dall'adozione a livello di team.