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

## Veille

Studio di dati Atlassian (Inside Atlassian) che misura il rendimento effettivo di un **SDLC AI-native** basato su **Rovo Dev**. Su 3.400 repository di 2.500 clienti (un quasi-esperimento con propensity-score matching), i repository che adottano lo strumento uniscono il **19% di PR in più al mese**; fino al **37-51%** sui repository a bassa/media attività e al **59-87%** quando **da 3 a 5 membri** del team adottano lo strumento. Sul fronte dell'efficienza, gli sviluppatori risparmiano **2-3 h/settimana** (circa il 10% delle 24 ore dedicate a coding e review), ossia 20-30 ore/settimana reinvestite per un team di 10 persone. La tesi: risolvere il "paradosso della produttività" di Solow (1987) passando da **metriche di utilizzo** (token) a **metriche di impatto** (throughput, tempo risparmiato, tasso di fallimento, soddisfazione). Raccomandazione: iniziare con un **team** (non un individuo) e misurare 2-3 mesi dopo.

## 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

Profilo: articolo di blog aziendale (Inside Atlassian) co-firmato da due data scientist, prospettiva "noi" di un fornitore che misura il proprio prodotto, registro guidato dai dati e rigoroso (metodologia quasi-sperimentale esplicitata), livello tecnico moderato, rivolto a responsabili engineering, EM, DevEx/platform lead e decisori d'acquisto di strumenti IA. Il tono combina **autorevolezza metodologica** (dimensione del campione, propensity matching, percentile prudente per le stime del sondaggio) con un'**argomentazione apertamente commerciale**: l'articolo dimostra il valore di Rovo Dev presentandosi al contempo come un framework di misurazione generalizzabile. La retorica si basa su **cifre calibrate e sfumate** (intervalli, segmentazione per attività del repository e per numero di adottanti) piuttosto che su promesse assolute, il che ne rafforza la credibilità. L'inquadramento intellettuale tramite la citazione di Solow (1987, "si vede l'era dei computer ovunque tranne che nelle statistiche di produttività") colloca l'IA nella tradizione dei dibattiti sul paradosso della produttività, e risolve il paradosso attraverso uno spostamento di metriche (utilizzo → impatto). Una metafora implicita di partnership uomo-agente attraversa ciascuna fase del ciclo.

## Pense-betes

- **Tesi centrale**: l'SDLC AI-native "ripaga" — ma solo se misurato in termini di **impatto** (throughput delle PR, tempo risparmiato, qualità, soddisfazione), non di **utilizzo** (token consumati).
- **Dato principale**: i repository che adottano **Rovo Dev** uniscono **+19% di PR in più al mese** rispetto ai non adottanti.
- **Effetto di amplificazione in base all'attività**: **+37-51%** di throughput sui repository a bassa/media attività.
- **Effetto team (chiave)**: quando **da 3 a 5 membri** adottano lo strumento, il guadagno **raddoppia** al **+59-87%**. → l'adozione collettiva supera quella individuale.
- **Efficienza**: **2-3 h/settimana** risparmiate per sviluppatore su coding e review, ossia **~10%** delle ~24 h dedicate a questi compiti → **20-30 h/settimana** reinvestite per un team di 10.
- **Contesto d'uso**: il **93%** degli sviluppatori usa strumenti di IA; **~30%** del codice è scritto dall'IA; il **96%** degli sviluppatori Atlassian intervistati sono utenti di Rovo Dev.
- **SDLC AI-native in 5 fasi** (agente + essere umano): **Plan** (l'agente propone suddivisioni tecniche e stime da convalidare) → **Orchestrate** (coordinare umani e agenti) → **Code** (agenti autonomi su lavoro ben delimitato, PR pronte per la revisione) → **Review** (l'agente rivede rispetto agli standard del team prima dell'essere umano) → **Operate** (copiloti sempre attivi per gli incidenti: triage degli avvisi, correzioni proposte).
- **Framework di misurazione a 4 dimensioni**: **Speed** = throughput delle PR; **Efficiency** = tempo risparmiato; **Quality** = tasso di fallimento delle modifiche; **Satisfaction** = soddisfazione degli sviluppatori.
- **Paradosso della produttività (Solow, 1987)**: "si vede l'era dei computer ovunque tranne che nelle statistiche di produttività" → l'IA è adottata in massa senza una misurazione chiara; soluzione = passare da **metriche di utilizzo** a **metriche di impatto**.
- **Ruolo del contesto (Teamwork Graph)**: un'IA ricca di contesto fornisce risultati **+44% più accurati** consumando **-48% di token in meno** → il contesto batte il consumo grezzo.
- **Metodologia**: 3.400 repository / 2.500 clienti; **quasi-esperimento** con propensity-score matching; sondaggio su oltre **6.200** sviluppatori Atlassian, stime prese al **20° percentile** (prudenti); i team interni di Atlassian = **1,35×** più PR unite con l'assistenza di Rovo Dev rispetto ai clienti esterni.
- **Raccomandazione operativa**: "Iniziare con un team, non un individuo. Scegliere un repository con 3-5 ingegneri che useranno attivamente il prodotto. Misurare throughput e tempo risparmiato 2-3 mesi dopo l'implementazione." → misurare **dopo che l'effetto novità** è svanito.
- **Correlati**: converge con DORA (metriche di delivery), la dottrina FinOps token→risultato (Tokenomics Foundation, Gupta), *Failing Faster* (qualità), e l'idea che l'adozione a livello di team/harness superi lo strumento individuale (Eight Levels, Rafal).

## RésuméDe400mots

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.

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