DORA Accelerate State of DevOps 2023

1) Методология и выборка (как устроено исследование)

• Формат: ежегодное исследование DORA на базе опроса практиков. Цель — связать «способы работы» (capabilities: практики, процессы, тех. возможности, аспекты культуры) с результатами (outcomes).

• Уровень анализа: ответы даются про «основное приложение/сервис», над которым работает респондент (то есть фокус на уровне команды/сервиса, а не компании в целом).

• Что измеряли (ключевые outcomes и метрики):

  • организационная результативность, командная результативность, благополучие сотрудников (burnout + продуктивность + удовлетворенность работой);
  • «промежуточные» метрики: software delivery performance и operational performance.

• Как измеряли:

  • многие понятия многокомпонентные → используют несколько индикаторов, проверяют их через факторный анализ; затем приводят шкалы к диапазону 0–10 для сопоставимости.

• Подбор и привлечение респондентов:

  • «органический» набор: посты/соцсети/рассылки + snowball sampling (просили сообщество делиться);
  • «панельный» набор: как дополнение к органике, чтобы добрать ответы из недопредставленных групп и из нужных типов индустрий/организаций (для управляемости выборки и достаточной мощности анализа).

• Языки опроса (локализация): English, Español, Français, Português, 日本語.

• Аналитический пайплайн (высокоуровнево):

  • очистка данных от «шума» (подозрительные паттерны ответов исключаются);
  • валидация измерений (confirmatory factor analysis, инструменты R);
  • оценка моделей: в 2023 перешли к байесовскому подходу; сравнение моделей по LOOCV/WAIC, стремление к парсимонии.

Размер выборки и представленность

• Объем: «почти 3 000» работающих специалистов по всему миру в 2023 году; суммарно за годы программы — более 36 000 респондентов.
• География: участие «со всего мира»; крупнейшие доли — США (28%), Великобритания (11%), Индия (8%), Канада (5%), Германия (5%); далее заметные доли ~3% (Нидерланды, Франция, Япония, Австралия, Бразилия) и длинный «хвост» стран <1–2% каждая (в списке есть и Russian Federation).
• Индустрии (доли респондентов): технологии (36,6%), финсектор (13,7%), consumer-сектор (8,4%), manufacturing (5,8%), healthcare/pharma (5,7%), телеком (4,2%), медиа/развлечения (4,2%), госсектор (3,9%), образование (3,3%) и др.
• Размер организаций: 10 000+ сотрудников (21,4%), 1 000–4 999 (18,5%), 100–499 (17,8%), 20–99 (13,3%), 500–999 (10,5%) и др.
• Роли: ядро выборки — dev/engineering (30,5%), DevOps/SRE (18,1%), менеджеры (16,4%), IT ops/infrastructure (7,6%); есть и platform engineers, product, security и др.

---

2) Ключевые результаты 2023

• Культура как «мультипликатор»:

  • команды с генеративной культурой (по Вестраму) показывают ~30% более высокую организационную результативность;
  • здоровая культура связана со снижением выгорания и ростом удовлетворенности и продуктивности.

• Фокус на пользователе — один из сильнейших предикторов организационной результативности:

  • сильный user-focus связан с ~40% более высокой организационной результативностью и «каскадом» улучшений (team performance, operational performance, практики надежности и т. п.).

• Технические практики, которые особенно «работают»:

  • ускорение code review — один из самых эффективных рычагов: у команд с более быстрыми ревью ~50% выше software delivery performance;
  • loosely coupled architecture и быстрые code reviews связаны с существенными улучшениями team/org/operational performance.

• Документация как базовая инфраструктура знаний:

  • качество документации «усиливает» эффект техпрактик на оргрезультативность (например, trunk-based development оценивается как ~12,8× более влияющий при высоком качестве документации; для CI ~2,4×, для CD ~2,7× и т. д.);
  • в среднем документация снижает burnout и повышает job satisfaction/продуктивность, но для части «underrepresented» респондентов наблюдается обратный эффект (рост burnout) — авторы связывают это с возможной неравномерной нагрузкой «невидимой» работы и призывают к дополнительным исследованиям.

• Надежность (SRE/релайабилити) и «J-кривая»:

  • связь reliability practices → operational performance нелинейна: ранние выигрыши, затем «плато/провал» из‑за сложности, потом рост — это важно для ожиданий и инвестиционных решений;
  • высокая operational performance связана с меньшим burnout и лучшей продуктивностью (против распространенного мифа «надежность всегда выжигает»);
  • максимальные организационные результаты получаются при балансе software delivery + operational performance + user focus.

• Облако ≠ результат: важна гибкость инфраструктуры:

  • «просто использовать cloud» дает смешанные эффекты; public cloud без освоения принципов гибкости может даже ухудшать delivery/operations;
  • public cloud связан с ростом infrastructure flexibility (~+22% vs non-cloud), а гибкая инфраструктура — с ~30% более высокой организационной результативностью.

• AI в 2023: эффект пока «смешанный» и не гарантирует рост командной эффективности:

  • AI contribution: не показан эффект на team performance; небольшой рост org performance; небольшой минус для software delivery performance; существенное снижение operational performance;
  • авторы предполагают, что причина может быть в ранней стадии внедрения AI‑инструментов (пилоты, фрагментарное использование), и ожидают, что картина изменится по мере зрелости и координации внедрения.

• Справедливость распределения работы и выгорание:

  • underrepresented респонденты сообщают о ~24% более высоком burnout и о большей доле «toil/повторяющейся работы»; женщины/самоописавшие гендер — о ~6% более высоком burnout и ~40% большем объеме повторяющейся работы;
  • формальные процессы work distribution снижают burnout для мужчин и женщин (гендерный разрыв исчезает), но не дают эффекта для underrepresented-групп (нужны другие/доп. меры).

• Про «новичков» и продуктивность:

  • new hires (<1 года в команде) — ~8% ниже по продуктивности, чем опытные;
  • высокое качество документации помогает всем (и новичкам тоже): новички в командах с документацией на 1σ выше среднего ~130% так же продуктивны, как новички при документации на 1σ ниже; при этом «особых» бонусов именно для новичков (сверх эффекта для всех) не нашли.

• Типы команд (кластеризация по delivery/operations/user-centricity):

  • выделены 4 типа: User-centric, Feature-driven, Developing, Balanced;
  • User-centric дает самые высокие прогнозные оргрезультаты (но чуть выше burnout, чем у Balanced);
  • Feature-driven — один из худших профилей по burnout/удовлетворенности/оргрезультативности.

---

3) Выводы авторов (что делать на практике)

• Не «оптимизировать метрики», а выстраивать способности:

  • метрики — сигнал и средство наблюдения, а не цель; сравнивать полезнее «себя с собой» во времени, а не команды между собой;
  • непрерывное улучшение (найти узкое место → улучшить → повторить) — главный повторяющийся вывод многолетней программы.

• Ставить пользователя в центр:

  • усиливать контуры обратной связи и стимулы «за ценность», а не «за фичи».

• Ускорять code review и уменьшать batch size изменений — как быстрый путь к росту delivery/operations.

• Инвестировать в документацию как в системную способность (и распределять эту работу справедливо, чтобы не «сваливать» ее на отдельных людей/группы).

• Если идете в cloud — фокусироваться на infrastructure flexibility, а не на «lift-and-shift».

• По AI: не ожидать автоматического роста командной эффективности «просто от внедрения»; измерять эффект в своем контексте, внедрять координированно и параллельно укреплять базовые практики (культура, документация, ревью, надежность).