AI and engineering velocity: A longitudinal analysis

AI and engineering velocity: A longitudinal analysis сопоставляет рост использования ИИ-инструментов с изменением пропускной способности разработки более чем в 400 организациях. DX наблюдает умеренный рост числа завершённых pull request, но дизайн исследования не позволяет приписать его ИИ как единственной причине.

Что и как измеряли

DX проанализировала телеметрию своей платформы с ноября 2024 года по февраль 2026 года в выборке компаний, где использование ИИ-инструментов заметно выросло. Основной показатель — TrueThroughput, собственная метрика DX для пропускной способности потока pull request. Количественный анализ дополнили интервью с разработчиками из выборки, однако число интервью и порядок отбора участников в открытом описании не указаны.

Это продольное наблюдательное исследование, а не рандомизированный эксперимент. Одновременное изменение использования ИИ и пропускной способности показывает динамику внутри выбранных организаций, но не отделяет эффект ИИ от изменений команд, процессов, состава задач и других факторов.

Что показала телеметрия

За период исследования использование ИИ-инструментов выросло в среднем на 65%, а медианная пропускная способность pull request — на 7,76%. Среднее увеличение throughput составило 13,1% и оказалось выше медианы из-за небольшого числа организаций с крупными изменениями. По оценке DX, большинство организаций находилось в диапазоне 5–15% прироста.

Эти числа нельзя читать как формулу «65% внедрения дали 7,76% результата». Выборка специально охватывает компании с быстрым ростом использования ИИ, а опубликованный анализ не строит контрольную группу и не оценивает интенсивность воздействия на уровне отдельных разработчиков.

Где возникают ограничения потока

По интерпретации DX, написание кода занимает около 16% рабочего времени разработчика. Интервью указывают на эффект перераспределения: сэкономленное при генерации кода время поглощают проверка, валидация и исправление результата, а также нехватка организационного контекста и различия в навыках работы с ИИ.

Качественная часть помогает сформулировать возможные механизмы, но не доказывает, какой из них вызвал наблюдаемый рост или его ограничил. Самоотчёты о сэкономленном времени также не равны объективному изменению выпуска или бизнес-ценности.

Ограничения и практический вывод

Данные принадлежат поставщику платформы и описывают его клиентскую выборку; TrueThroughput является закрытой метрикой, а состав компаний и интервьюируемых не раскрыт. Работа измеряет поток pull request, но не качество, надёжность, пользовательский эффект или экономическую ценность выпущенного ПО.

Отчёт полезен как сигнал системного ограничения: ускорение генерации кода может дать умеренный прирост инженерного потока, если проверка и остальные этапы жизненного цикла не ускоряются вместе с ним. Для причинной оценки нужны контрольная группа или иной квазиэкспериментальный дизайн и независимые метрики результата.