L'uso dell'AI come metrica di produttività: cosa mostra il rapporto Atlassian 2026

L'uso dell'AI come metrica di produttività è diffuso e conta poco: dice quanto un team adopera gli strumenti, non quanto software consegna. Secondo l'Atlassian State of Developer Experience Report 2026, presentato il 20 ottobre, il 60% degli sviluppatori dichiara che nella propria azienda l'uso dell'AI è trattato come un segnale di produttività, e il 41% ammette di usarla più del necessario perché sente di doverlo fare. Qui leggo quei dati come li leggerebbe chi guida un team, e propongo tre cambi da fare lunedì mattina.

Cosa dice il rapporto Atlassian 2026 su uso dell'AI e produttività

L'uso dell'AI come metrica di produttività è la pratica di giudicare persone o team da quanto adoperano strumenti di AI, per esempio licenze attive, token consumati o quota di codice generato, invece che da ciò che consegnano. Il rapporto di Atlassian dice che questa pratica è comune e che gli sviluppatori la percepiscono.

La pagina del rapporto dichiara un'indagine su più di 1.500 professionisti del software. I dati principali, come li riporta Atlassian: l'87% degli sviluppatori dice che l'AI aiuta a consegnare più in fretta, ma solo il 28% dice di avere sensibilmente meno attrito nel lavoro quotidiano rispetto a prima. Solo il 17% degli sviluppatori e il 23% dei responsabili dicono che la propria organizzazione ha una strategia sull'AI comunicata e applicata lungo il ciclo di sviluppo. Sul trattare l'uso dell'AI come segnale di produttività il rapporto è netto: lo giudica fatto «incorrectly», in modo sbagliato.

Cosa il rapporto non dimostra

Sono percezioni raccolte con un questionario, non misure di consegna. Nella pagina che ho letto non trovo paesi, ruoli, modalità di reclutamento, periodo di rilevazione né chi ha condotto l'indagine, quindi non posso dirvi quanto il campione somigli al vostro team. Atlassian vende Jira, Bitbucket, Rovo e DX, che presenta come prodotto per misurare produttività e impatto dell'AI: ha un interesse nel tema che misura.

Il confronto con il 2025 va preso con la stessa cautela. Il rapporto riporta che nel 2025 il 68% degli sviluppatori diceva di risparmiare dieci ore o più a settimana, contro il 25% nel 2026. Non so se i due campioni siano confrontabili: lo cito come indizio da verificare, non come calo dimostrato.

Perché un obiettivo di utilizzo sposta il costo a valle

Un obiettivo di utilizzo sposta il costo dell'AI dalla persona che la usa a chi riceve il lavoro. Questa è una lettura mia, non una conclusione del rapporto. Se la persona è valutata su quanto adopera l'AI, adopera l'AI anche dove non serve, e il risultato arriva a chi rivede, testa e rilascia come lavoro in più.

Cosa dicono i dati sul lavoro a valle

I dati di Atlassian vanno in questa direzione senza provarla. Il 49% degli sviluppatori dedica almeno quattro ore a settimana a rivedere l'output dell'AI, correggere i prompt e attività simili. Il 65% corregge regolarmente quell'output. Il 75% dice di avere più responsabilità nel validare qualità e sicurezza di ciò che l'AI produce. Un indicatore di utilizzo non vede nessuna di queste ore, perché sale quando l'agente lavora e non registra chi poi ripara.

Cosa credono i responsabili

Un secondo dato merita attenzione: il 64% dei responsabili ritiene che un maggiore uso dell'AI sia correlato a risultati migliori. Il rapporto non dice su quali misure poggi questa convinzione, e la pagina che ho letto non mostra una correlazione calcolata. Se siete fra i responsabili che la condividono, la domanda da farvi è semplice: quale esito, misurato come e su quale periodo, è migliorato dove l'uso è cresciuto? Se la risposta è una sensazione, l'indicatore di utilizzo sta facendo da sostituto di una misura che non avete.

È lo stesso scarto che ho descritto parlando dello studio di Harvard su 718 aziende: più codice scritto, consegna ferma, revisione più lenta. Qui il meccanismo è l'incentivo.

Cosa cambiare lunedì mattina

Le tre modifiche costano poco e si fanno in una settimana. La prima è togliere ogni indicatore di utilizzo dagli obiettivi, individuali e di team. Licenze attive, token e percentuale di codice generato restano nel foglio dei costi, dove servono a pianificare la spesa, e non entrano in nessuna valutazione.

La seconda è accoppiare ogni indicatore di attività a uno di esito, sullo stesso periodo e sullo stesso team. Gli esiti da usare sono quelli descritti nell'articolo sulle metriche di delivery con gli agenti: tasso di rientro a 30 giorni, tempo di revisione umana per pull request, issue riaperte. Una soglia pratica, mia e non della fonte: se l'attività sale e l'esito peggiora per due mesi di fila, l'estensione dell'uso si ferma finché non si capisce perché.

La terza è fare due domande anonime al team, ogni mese. Prima: «Nell'ultimo mese hai usato l'AI per un compito in cui non serviva perché ti sentivi tenuto a farlo?». Seconda: «Quante ore a settimana dedichi a rivedere e correggere output dell'AI: meno di quattro o quattro e più?». Le fasce sono le stesse del rapporto, ma il confronto con il 41% e il 49% è indicativo, perché il vostro team è un campione diverso.

Dove sta il metro nel metodo che costruisco

Il metodo che sto costruendo, DETENT, parte dall'idea opposta: la linea si giudica da ciò che arriva in produzione. Sulla pagina del Detent Bench il guardrail dichiarato è la rilavorazione, non le righe scritte. Il quadro generale è nella pagina sull'industrializzazione della produzione di software con gli agenti.

Una nota sul mio modo di lavorare, perché è l'unico aggancio reale che ho con il tema. Gli articoli di questa serie li scrive una routine guidata da istruzioni versionate nel repository. Nessuna istruzione le chiede di pubblicare un certo numero di pezzi: le chiede una tesi, fonti lette per intero, e di saltare il giorno quando non le ha. Il volume non è un indicatore della procedura, e per questo la procedura non lo premia.

Cosa resta da decidere

Resta una scelta che il rapporto lascia al lettore: chi guida un team sceglie se l'AI è un mezzo o un obiettivo. Atlassian riporta che chi lavora in organizzazioni con una strategia chiara sull'AI ha il doppio delle probabilità di sentire meno attrito di prima. È una correlazione dichiarata dal produttore del rapporto, non una prova che la strategia causi il risultato. Tuttavia indica dove guardare: prima di chiedere di usare di più l'AI, scrivete quale problema deve risolvere e quale numero deve muovere.