Coding agents dodały 30 % kodu, lecz nie zwiększyły wyników firm

Badacze Fiona Chen i James Stratton przeanalizowali 300 milionów zdarzeń roboczych od stycznia 2021 do marca 2026 roku. Dane platformy Jellyfish obejmują 718 firm i około 700 000 pracowników, dzięki czemu badanie śledzi drogę od commitu do zamkniętego zadania.

Agenci dodali 30 % linii kodu i 23 % pull requestów

Po wdrożeniu coding agents liczba linii kodu wzrosła o 30 %, commitów o 20 %, a pull requestów o 23 %. Autorzy zastosowali stopniowy model difference-in-differences, porównując firmy przed adopcją i po niej w różnych momentach.

Na końcu procesu nie odnotowano istotnej zmiany odsetka zamkniętych Jira Issues i Epics. Badanie nie wykazało też znaczącego wpływu na zatrudnienie. Coding assistants miały mniejszy efekt: 12 % więcej linii, 9 % więcej commitów i 5 % więcej pull requestów, przy czym statystycznie istotny był tylko wzrost commitów.

Czas zaoszczędzony na pisaniu przesunął się do code review

Średni czas od otwarcia pull requestu do merge wzrósł po wdrożeniu agentów o 49 %. Odsetek pull requestów z żądaniem zmian niemal się podwoił, liczba komentarzy wzrosła o 35 %, a udział pracowników wykonujących review zwiększył się o 14 %.

Dla engineering leaderów zmienia to właściwą miarę. Produktywność autora nie wystarcza, ponieważ dodatkowy kod może jedynie zapełnić kolejkę przed doświadczonym reviewerem. Wartość trzeba oceniać przez lead time, ukończone funkcje, incydenty i pracę potrzebną do przyjęcia zmiany.

Dane obserwacyjne pokazują związek, a nie laboratoryjną przyczynę

Badanie wykorzystuje dane firmowe i różne terminy adopcji, a nie losowy eksperyment. Wynik opiera się na założeniu, że wcześni i późni użytkownicy bez AI rozwijaliby się podobnie. Część adopcji wywnioskowano z aktywności GitHub, a dane kończą się w marcu 2026 roku.

Do tego czasu 80 % badanych firm stosowało jakąś formę AI code review. Agenci wygenerowali jednak tylko 23,3 % komentarzy i uczestniczyli w 10,8 % pull requestów, więc większość kontroli nadal wykonywali ludzie.

Krótsza droga od zadania do produkcji pokaże dojrzałość wdrożeń

Kolejne dane muszą wykazać, czy nowsi agenci skracają cały proces, a nie tylko pisanie. Liczą się czas do merge, odsetek poprawek, tempo zamykania funkcji, change failure rate oraz incydenty po dłuższym okresie adopcji.

Firmy mogą tworzyć mniejsze pull requesty, uruchamiać mocniejsze testy przed review i osobno obsługiwać zmiany niskiego ryzyka. Jeśli końcowy wynik firmy stoi w miejscu, więcej tokenów, linii i commitów pozostaje aktywnością produkcyjną bez dodatkowego produktu.

Werdykt Lilith

Agent zasypuje kolejkę pull requestami, a przy przycisku merge nadal siedzi ta sama liczba ludzi. Szybsza taśma przed jednym kontrolerem buduje głównie wyższy stos.