# atlassian-ai-native-sdlc-paying-off-rovo-dev-2026-05-31

## Veille

Atlassian-Datenstudie (Inside Atlassian), die den tatsächlichen Ertrag eines **AI-native SDLC** misst, der von **Rovo Dev** angetrieben wird. Bei 3.400 Repositories von 2.500 Kunden (ein Quasi-Experiment mit Propensity-Score-Matching) mergen adoptierende Repositories **19 % mehr PRs pro Monat**; bis zu **37–51 %** bei Repositories mit geringer/mittlerer Aktivität und **59–87 %**, wenn **3 bis 5 Mitglieder** des Teams das Tool nutzen. Auf der Effizienzseite sparen Entwickler **2–3 Std./Woche** (≈10 % der 24 Stunden, die für Coding und Review aufgewendet werden), d. h. 20–30 Stunden/Woche, die bei einem Team von 10 reinvestiert werden. Die These: Solows (1987) „Produktivitätsparadox“ auflösen, indem man von **Nutzungsmetriken** (Tokens) zu **Wirkungsmetriken** (Durchsatz, eingesparte Zeit, Fehlerquote, Zufriedenheit) übergeht. Empfehlung: mit einem **Team** (nicht einer Einzelperson) beginnen und 2–3 Monate später messen.

## Titre Article

The AI-native SDLC is paying off: 19% more PRs and 2–3 hours saved per developer per week

## Date

2026-05-31

## URL

https://www.atlassian.com/blog/ai-at-work/ai-native-sdlc-paying-off-per-developer-per-week

## Keywords

AI-native SDLC, Rovo Dev, Coding-Agenten, Entwicklerproduktivität, PR-Durchsatz, Pull-Request-Durchsatz, eingesparte Stunden, Produktivitätsparadox, Solow, Quasi-Experiment, Propensity Score, Wirkungsmetriken, Nutzungsmetriken, Tokens, Change-Failure-Rate, Entwicklerzufriedenheit, Teamwork Graph, Kontext, Team-Adoption, Messung, DevEx, DORA

## Authors

Robbie Geoghegan, Fan Jiang (Atlassian)

## Ton

Profil: Corporate-Blog-Artikel (Inside Atlassian), mitverfasst von zwei Data Scientists, aus der „Wir“-Perspektive eines Anbieters, der das eigene Produkt misst, ein datengetriebenes und rigoroses Register (die quasi-experimentelle Methodik wird explizit gemacht), moderates technisches Niveau, gerichtet an Engineering-Führungskräfte, EMs, DevEx-/Platform-Leads und Entscheidungsträger für KI-Tooling-Beschaffung. Der Ton verbindet **methodische Autorität** (Stichprobengröße, Propensity-Matching, konservatives Perzentil für Befragungsschätzungen) mit **offen kommerzieller Argumentation**: Der Artikel demonstriert den Wert von Rovo Dev, während er sich als verallgemeinerbarer Messrahmen präsentiert. Die Rhetorik stützt sich auf **kalibrierte, nuancierte Zahlen** (Bandbreiten, Segmentierung nach Repository-Aktivität und Anzahl der Adoptierenden) statt auf absolute Versprechen, was ihre Glaubwürdigkeit stärkt. Die intellektuelle Rahmung durch das Solow-Zitat (1987, „you can see the computer age everywhere but in the productivity statistics“) verortet KI in der Tradition der Produktivitätsparadox-Debatten und löst das Paradox durch einen Metrikwechsel (Nutzung → Wirkung) auf. Eine implizite Mensch-Agent-Partnerschaftsmetapher zieht sich durch jede Stufe des Zyklus.

## Pense-betes

- **Zentrale These**: Der AI-native SDLC „zahlt sich aus“ — aber nur, wenn er anhand von **Wirkung** (PR-Durchsatz, eingesparte Zeit, Qualität, Zufriedenheit) gemessen wird, nicht anhand von **Nutzung** (verbrauchte Tokens).
- **Kennzahl**: Repositories, die **Rovo Dev** adoptieren, mergen **+19 % mehr PRs pro Monat** im Vergleich zu Nicht-Adoptierenden.
- **Aktivitätsbasierter Verstärkungseffekt**: **+37–51 %** Durchsatz bei Repositories mit geringer/mittlerer Aktivität.
- **Team-Effekt (Schlüssel)**: Wenn **3 bis 5 Mitglieder** das Tool adoptieren, **verdoppelt** sich der Gewinn auf **+59–87 %**. → Kollektive Adoption übertrifft individuelle Adoption.
- **Effizienz**: **2–3 Std./Woche** eingespart pro Entwickler bei Coding und Review, d. h. **~10 %** der ~24 Std., die für diese Aufgaben aufgewendet werden → **20–30 Std./Woche**, die bei einem Team von 10 reinvestiert werden.
- **Nutzungskontext**: **93 %** der Entwickler nutzen KI-Tools; **~30 %** des Codes werden von KI geschrieben; **96 %** der befragten Atlassian-Entwickler sind Rovo-Dev-Nutzer.
- **5-stufiger AI-native SDLC** (Agent + Mensch): **Plan** (der Agent schlägt technische Aufteilungen und Schätzungen zur Validierung vor) → **Orchestrate** (Koordination von Menschen und Agenten) → **Code** (autonome Agenten bei gut abgegrenzter Arbeit, PRs bereit zur Überprüfung) → **Review** (der Agent überprüft anhand von Team-Standards vor dem Menschen) → **Operate** (permanent verfügbare Incident-Copiloten: Alarm-Triage, vorgeschlagene Fixes).
- **4-dimensionaler Messrahmen**: **Speed** = PR-Durchsatz; **Efficiency** = eingesparte Zeit; **Quality** = Change-Failure-Rate; **Satisfaction** = Entwicklerzufriedenheit.
- **Produktivitätsparadox (Solow, 1987)**: „you can see the computer age everywhere but in the productivity statistics“ → KI massiv adopiert ohne klare Messung; Auflösung = Übergang von **Nutzungsmetriken** zu **Wirkungsmetriken**.
- **Rolle des Kontexts (Teamwork Graph)**: kontextreiche KI liefert Ergebnisse, die **+44 % genauer** sind, bei **−48 % weniger verbrauchten Tokens** → Kontext schlägt reinen Verbrauch.
- **Methodik**: 3.400 Repositories / 2.500 Kunden; **Quasi-Experiment** mit Propensity-Score-Matching; Befragung von **6.200+** Atlassian-Entwicklern, Schätzungen auf dem **20. Perzentil** (konservativ); interne Atlassian-Teams = **1,35×** mehr Rovo-Dev-unterstützte gemergte PRs als externe Kunden.
- **Umsetzbare Empfehlung**: „Start with a team, not an individual. Pick a repo with 3–5 engineers who will actively use the product. Measure throughput and time savings 2-3 months after implementation.“ → messen **nach Abklingen des Neuheitseffekts**.
- **Verwandt**: konvergiert mit DORA (Delivery-Metriken), der FinOps-Doktrin Token→Ergebnis (Tokenomics Foundation, Gupta), *Failing Faster* (Qualität) und der Idee, dass Team-/Harness-Adoption > das individuelle Tool (Eight Levels, Rafal).

## RésuméDe400mots

Auf seinem Inside-Atlassian-Blog veröffentlicht Atlassian eine von zwei Data Scientists (Robbie Geoghegan, Fan Jiang) mitverfasste Datenstudie, die den tatsächlichen Ertrag eines **AI-native SDLC** misst, der von seinem Agenten **Rovo Dev** angetrieben wird. Der Einsatz wird von Beginn an um das von Robert Solow 1987 formulierte „Produktivitätsparadox“ gerahmt („you can see the computer age everywhere but in the productivity statistics“): KI wird massiv adopiert — 93 % der Entwickler nutzen KI-Tools, fast 30 % des Codes werden von KI geschrieben — doch ihre Wirkung bleibt unklar, solange sie in **Nutzung** (Tokens) statt in **Wirkung** gemessen wird.

Die Ergebnisse, die aus einem Quasi-Experiment über 3.400 Repositories von 2.500 Kunden stammen (Propensity-Score-Matching), sind quantifiziert und segmentiert. Repositories, die Rovo Dev adoptieren, mergen **19 % mehr Pull Requests pro Monat** als Nicht-Adoptierende. Der Gewinn steigt auf **37–51 %** bei Repositories mit geringer oder mittlerer Aktivität und **verdoppelt sich auf 59–87 %**, wenn **3 bis 5 Mitglieder** des Teams das Tool nutzen: kollektive Adoption übertrifft eindeutig individuelle Adoption. Auf der Effizienzseite ergibt eine Befragung von mehr als 6.200 Entwicklern (Schätzungen auf dem 20. Perzentil, also konservativ) einen Gewinn von **2–3 Stunden pro Woche** bei Coding- und Review-Aufgaben, also rund 10 % der 24 Stunden, die diese in Anspruch nehmen — das sind 20–30 Stunden pro Woche, die bei einem Team von zehn Personen reinvestiert werden.

Der Artikel schlägt einen **fünfstufigen AI-native SDLC** vor, bei dem der Agent den Menschen unterstützt: Plan (vorgeschlagene Aufteilungen und Schätzungen), Orchestrate (Mensch/Agent-Koordination), Code (autonome Agenten bei gut abgegrenzter Arbeit, PRs bereit zur Überprüfung), Review (Überprüfung anhand von Team-Standards vor dem Menschen) und Operate (permanent verfügbare Incident-Copiloten). Er verbindet dies mit einem **vierdimensionalen Messrahmen**: Speed (PR-Durchsatz), Efficiency (eingesparte Zeit), Quality (Change-Failure-Rate) und Satisfaction (Entwicklerzufriedenheit) — um den Wert nicht allein auf Geschwindigkeit zu reduzieren.

Zwei Punkte verstärken die Argumentation. Erstens die Rolle des **Kontexts**: Dank des Teamwork Graph von Atlassian liefert kontextreiche KI Ergebnisse, die 44 % genauer sind, bei 48 % weniger verbrauchten Tokens. Zweitens die **operative Empfehlung**: mit einem Team (nicht einer Einzelperson) beginnen, ein Repository mit 3–5 tatsächlich nutzenden Ingenieuren wählen und Durchsatz sowie Zeitersparnis 2–3 Monate nach der Einführung messen, sobald der Neuheitseffekt abgeklungen ist. Die zugrunde liegende Botschaft: Der Wert von KI ist real, aber an eine rigorose Wirkungsmessung und teamweite Adoption gebunden.

## GrapheDeConnaissance

- Atlassian —publie→ The AI-native SDLC is paying off (DOCUMENT, 0.97)
- Robbie Geoghegan —travaille_chez→ Atlassian (ORGANISATION, 0.95)
- Fan Jiang —travaille_chez→ Atlassian (ORGANISATION, 0.95)
- Atlassian —mesure→ +19 % de PR mergées par mois pour les dépôts adoptant Rovo Dev (MESURE, 0.95)
- Atlassian —mesure→ 2-3 heures gagnées par développeur et par semaine (MESURE, 0.93)
- Rovo Dev —améliore→ débit de pull requests des équipes (CONCEPT, 0.92)
- adoption par 3 à 5 membres —améliore→ gain de débit de PR (+59-87 %) (MESURE, 0.9)
- SDLC AI-native —fait_partie_de→ partenariat humain-agent sur cinq étapes (CONCEPT, 0.9)
- SDLC AI-native —utilise→ Rovo Dev (TECHNOLOGIE, 0.88)
- Atlassian —recommande→ démarrer par une équipe (3-5 ingénieurs), pas un individu, et mesurer 2-3 mois après (AFFIRMATION, 0.92)
- Atlassian —recommande→ passer des métriques d'usage (tokens) aux métriques d'impact (AFFIRMATION, 0.9)
- article —référence→ paradoxe de la productivité de Solow (1987) (CITATION, 0.88)
- Teamwork Graph —améliore→ précision de l'IA (+44 %) avec −48 % de tokens (MESURE, 0.87)
- cadre de mesure à 4 dimensions —s_applique_à→ Speed, Efficiency, Quality, Satisfaction (CONCEPT, 0.86)
- Atlassian —surpasse→ clients externes (1,35× plus de PR assistées mergées) (MESURE, 0.85)

---
Canonical: https://www.thekb.eu/de/fiches/atlassian-ai-native-sdlc-paying-off-rovo-dev-2026-05-31/