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

## Veille

Estudio de datos de Atlassian (Inside Atlassian) que mide el retorno real de un **SDLC nativo de IA** impulsado por **Rovo Dev**. En 3.400 repositorios de 2.500 clientes (un cuasi-experimento con emparejamiento por puntaje de propensión), los repositorios que adoptan la herramienta fusionan **19% más PR al mes**; hasta **37-51%** en repositorios de actividad baja/media y **59-87%** cuando **de 3 a 5 miembros** del equipo adoptan la herramienta. En cuanto a la eficiencia, los desarrolladores ahorran **2-3 h/semana** (≈10% de las 24 horas dedicadas a codificación y revisión), es decir, 20-30 horas/semana reinvertidas para un equipo de 10 personas. La tesis: resolver la «paradoja de la productividad» de Solow (1987) pasando de las **métricas de uso** (tokens) a las **métricas de impacto** (rendimiento, tiempo ahorrado, tasa de fallos, satisfacción). Recomendación: comenzar con un **equipo** (no un individuo) y medir 2-3 meses después.

## 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 agents, developer productivity, PR throughput, pull request throughput, hours saved, productivity paradox, Solow, quasi-experiment, propensity score, impact metrics, usage metrics, tokens, change failure rate, developer satisfaction, Teamwork Graph, context, team adoption, measurement, DevEx, DORA

## Authors

Robbie Geoghegan, Fan Jiang (Atlassian)

## Ton

Perfil: artículo de blog corporativo (Inside Atlassian) coescrito por dos científicos de datos, perspectiva de «nosotros» de un proveedor que mide su propio producto, registro basado en datos y riguroso (metodología cuasi-experimental explicitada), nivel técnico moderado, dirigido a líderes de ingeniería, EM, responsables de DevEx/plataforma y quienes toman decisiones de compra de herramientas de IA. El tono combina **autoridad metodológica** (tamaño de la muestra, emparejamiento por propensión, percentil conservador para las estimaciones de la encuesta) con una **argumentación abiertamente comercial**: el artículo demuestra el valor de Rovo Dev mientras se presenta como un marco de medición generalizable. La retórica se apoya en **cifras calibradas y matizadas** (rangos, segmentación por actividad del repositorio y por número de adoptantes) en lugar de promesas absolutas, lo que refuerza su credibilidad. El encuadre intelectual mediante la cita de Solow (1987, «se puede ver la era informática en todas partes excepto en las estadísticas de productividad») posiciona la IA en la tradición de los debates sobre la paradoja de la productividad, y resuelve la paradoja mediante un cambio de métricas (uso → impacto). Una metáfora implícita de asociación humano-agente recorre cada etapa del ciclo.

## Pense-betes

- **Tesis central**: el SDLC nativo de IA «da resultado» — pero solo si se mide por el **impacto** (rendimiento de PR, tiempo ahorrado, calidad, satisfacción), no por el **uso** (tokens consumidos).
- **Cifra destacada**: los repositorios que adoptan **Rovo Dev** fusionan **+19% más PR al mes** frente a los no adoptantes.
- **Efecto de amplificación según la actividad**: **+37-51%** de rendimiento en repositorios de actividad baja/media.
- **Efecto de equipo (clave)**: cuando **de 3 a 5 miembros** adoptan la herramienta, la ganancia **se duplica** a **+59-87%**. → la adopción colectiva supera a la adopción individual.
- **Eficiencia**: **2-3 h/semana** ahorradas por desarrollador en codificación y revisión, es decir, **~10%** de las ~24 h dedicadas a estas tareas → **20-30 h/semana** reinvertidas para un equipo de 10.
- **Contexto de uso**: **93%** de los desarrolladores usa herramientas de IA; **~30%** del código lo escribe la IA; **96%** de los desarrolladores de Atlassian encuestados son usuarios de Rovo Dev.
- **SDLC nativo de IA en 5 etapas** (agente + humano): **Plan** (el agente propone desgloses técnicos y estimaciones para validación) → **Orchestrate** (coordinar humanos y agentes) → **Code** (agentes autónomos en trabajo bien delimitado, PR listos para revisión) → **Review** (el agente revisa según los estándares del equipo antes del humano) → **Operate** (copilotos de incidentes siempre activos: triaje de alertas, correcciones propuestas).
- **Marco de medición de 4 dimensiones**: **Speed** = rendimiento de PR; **Efficiency** = tiempo ahorrado; **Quality** = tasa de fallos de los cambios; **Satisfaction** = satisfacción del desarrollador.
- **Paradoja de la productividad (Solow, 1987)**: «se puede ver la era informática en todas partes excepto en las estadísticas de productividad» → la IA se adopta masivamente sin una medición clara; la resolución = pasar de las **métricas de uso** a las **métricas de impacto**.
- **Papel del contexto (Teamwork Graph)**: una IA con contexto enriquecido ofrece resultados **+44% más precisos** consumiendo **−48% menos tokens** → el contexto supera al consumo bruto.
- **Metodología**: 3.400 repositorios / 2.500 clientes; **cuasi-experimento** con emparejamiento por puntaje de propensión; encuesta a **más de 6.200** desarrolladores de Atlassian, estimaciones tomadas en el **percentil 20** (conservadoras); los equipos internos de Atlassian tienen **1,35×** más PR fusionados con asistencia de Rovo Dev que los clientes externos.
- **Recomendación accionable**: «Comenzar con un equipo, no con un individuo. Elegir un repositorio con 3-5 ingenieros que utilicen activamente el producto. Medir el rendimiento y el ahorro de tiempo 2-3 meses después de la implementación». → medir **después de que se disipe el efecto novedad**.
- **Relacionado**: converge con DORA (métricas de entrega), la doctrina FinOps token→resultado (Tokenomics Foundation, Gupta), *Failing Faster* (calidad), y la idea de que la adopción a nivel de equipo/harness > la herramienta individual (Eight Levels, Rafal).

## RésuméDe400mots

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.

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.

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