AI maakte je team sneller.
Opleveren werd minder stabiel.
Copilots en agents schrijven code sneller dan teams die reviewen, testen en releasen. Het onderzoek is binnen: meer output, meer waarschuwingen in de code, minder stabiel opleveren. Agile Analytics meet waar dat in jouw loop zichtbaar wordt — uit de tools die je al gebruikt.
AI repareert geen team.
Het versterkt wat er al is.
De conclusie van DORA 2025, uit bijna 5.000 respondenten. Het rapport van 2024, uit 39.000, laat de splitsing zien: het werk wordt beter, opleveren wankeler. Dezelfde tools, dezelfde engineers — het verschil is of iemand kan zien waar de extra output heen gaat.
Betere code. Minder stabiel opleveren.
Geschatte verandering bij elke 25% meer AI-adoptie. Documentatie, codekwaliteit en reviewsnelheid gingen vooruit; de opleverstabiliteit ging achteruit. In 2025 zag DORA dat ook de doorvoer nu meestijgt met AI.
Meet waar het landt.
Output wordt gemeten waar hij getypt wordt. Waarde wordt gemeten waar hij shipt. Agile Analytics leest Git, Jira, CI/CD en monitoring en zet die twee naast elkaar, per team:
- FlowLead time, deployment frequency, Sprint Insights
- Quality gatesChange failure rate, MTTR, Error Budgets
- OnderhoudFeature- vs. non-feature-werk, per sprint
- MensenDevEx-surveys, onderbrekingen, Kudos
Ook in beeld: Carnegie Mellon volgde 806 opensourceprojecten die Cursor invoerden (MSR 2026). Het tempo ging twee maanden omhoog en zakte daarna weg; statische-analysewaarschuwingen (+30%) en codecomplexiteit bleven hoog. Volgens Bain worden teams met AI-assistenten doorgaans 10 tot 15% productiever, maar gaat de tijdwinst vaak niet naar waardevoller werk, zodat je hem niet terugziet als rendement. Carnegie Mellon 2026 · Bain 2025
Snelheid zie je zo.
Kwaliteit moet je meten.
Vier vragen die elk team dat met AI bouwt uit data zou moeten kunnen beantwoorden. Agile Analytics beantwoordt ze vandaag alle vier.
Lead time for changes en deployment frequency per team, uit Git en CI/CD. Sprint Insights laat zien hoeveel van elke sprint echt als feature shipt. Review-wachttijd en PR-grootte als eigen metrics zijn de volgende stap.
Change failure rate en MTTR uit je deploys en incidenten. Error Budgets en SLO’s uit je monitoring, met alerts als een budget opbrandt. Hier wordt DORA’s “hogere instabiliteit” het eerst zichtbaar.
Sprint Insights classificeert Jira-tickets als feature- of non-feature-werk, zodat per team zichtbaar is welk deel van elke sprint naar onderhoud gaat in plaats van naar features — en of dat verschuift als de AI-output groeit.
Amerikaanse bedrijven gaven in 2025 $4 miljard uit aan AI-codeertools, tegen $550 miljoen een jaar eerder (Menlo Ventures), en bijna niemand zet dat af tegen wat er geshipt is. De pagina AI Impact doet dat wel: gebruik per tool, en kosten en opbrengst in euro’s per AI-ondersteunde merge request, naast levertijd en change failure rate.
Je AI-rekening,
per merge request.
Koppel je AI-leveranciers één keer. Elke nacht leest Agile Analytics wat ze in rekening brachten en zet dat naast het AI-ondersteunde werk dat live ging en de uren die je mensen boekten. In euro’s, met bij elk getal waar het vandaan komt.
GitHub Copilot en Cursor rapporteren hun licenties en wie ze gebruikte. Twaalf licenties en acht actieve mensen deze maand is een getal waarmee je naar de verlenging kunt.
Licenties aan de ene kant, token- en agentkosten aan de andere, per tool en per model: Claude Sonnet in Copilot, GPT-5 in Cursor, de Claude Code-workspace. Omgerekend tegen de ECB-koers van die dag.
Uitgaven gedeeld door de merge requests die een assistent hielp schrijven, herkend aan de Co-authored-by-regels die hij in commits achterlaat. Zo vergelijk je Claude Code en Copilot op wat ze per wijziging kosten.
Uren per merge request in de maanden dat iemand veel met AI werkte, tegenover diens rustigere maanden, uit de uren die echt geboekt zijn en gewaardeerd tegen je uurtarief. Alleen als genoeg mensen meedoen om het betrouwbaar te maken.
- Anthropic: Claude API en Claude Code
- OpenAI
- Google Gemini, via je billing-export
- GitHub Copilot
- Cursor
- Elke andere tool, als licentie die je invult
Leveranciers rapporteren gebruik per persoon. Dat bewaren we alleen om accounts aan teams te koppelen en tonen we nooit: het gebruik van een assistent verschijnt als vijf of meer mensen hem gebruikten, een team als vijf van zijn leden dat deden.
Koppelen. Nulmeting. Vergelijken.
Geen nieuw proces, geen zelfrapportage. De data bestaat al in de tools die je teams elke dag gebruiken.
Toegangstokens die jij aanmaakt en kunt intrekken, voor GitHub, GitLab of Bitbucket, Jira, je CI en je monitoring (CloudWatch, Google Cloud Monitoring). Slack voor Kudos, als je wilt.
De eerste sprint geeft elk team zijn startpunt: lead time, deployment frequency, change failure rate, MTTR, de verhouding features/onderhoud.
Teams die op AI leunen tegenover teams die dat niet doen. Deze sprint tegenover de vorige. De gates tegenover hun doelen. De vraag “is het geshipt?” krijgt per team een antwoord.
Engineering productiviteit
heeft nu een SLA.
Een team stelt doelen voor lead time, change failure rate en review-doorlooptijd, en Agile Analytics volgt elke overschrijding. De waarden hieronder zijn een voorbeeld van hoe dat eruitziet — geen klantdata.
Stop met gokken.
Begin met meten.
Koppel Jira, je Git-host en je CI. Je eerste sprintrapport laat zien waar AI-output wacht, of de gates standhouden en hoeveel van de sprint is geshipt — uit je eigen data.
- DORA, State of AI-assisted Software Development 2025
- DORA AI Capabilities Model, 2025
- DORA, Accelerate State of DevOps 2024
- Carnegie Mellon University, He e.a., Speed at the Cost of Quality, MSR 2026
- Bain & Company, From Pilots to Payoff: Generative AI in Software Development, Technology Report 2025
- Menlo Ventures, 2025: The State of Generative AI in the Enterprise