De staat van engineering, 2026

AI maakte je team sneller.
Het coderen wachten werd langer.

Copilots en agents schrijven code sneller dan teams die reviewen, testen en releasen. Het onderzoek is binnen: meer output, langere review-rijen, meer instabiliteit. Agile Analytics meet waar dat in jouw loop zichtbaar wordt — uit de tools die je al gebruikt.

Boek een demo →Bekijk het platform
+98%
PR’s gemerged, hoge vs. lage AI-adoptie · Faros 2025
+91%
langere review-tijd, dezelfde teams · Faros 2025
30%
weinig of geen vertrouwen in AI-code · DORA 2025
Tickets onderweg Vast > 24u AI-geassisteerde output Opgeleverd
build flow · illustratie
AI assist
Plan
12
Code
28
knelpunt
Review
41
QA
19
Ship
8
Het Faros-patroon van 2025: meer output, langere rij bij review.illustratie · geen klantdata
02 · Wat het onderzoek zegt

AI repareert geen team.
Het versterkt wat er al is.

De conclusie van DORA 2025, uit bijna 5.000 respondenten. Faros AI mat hetzelfde in telemetrie. Dezelfde tools, dezelfde engineers — het verschil is of iemand kan zien waar de extra output heen gaat.

● Faros AI · 2025 · 10.000+ developers

Meer output. Langere rijen.

Teams met hoge AI-adoptie, vergeleken met lage. Op bedrijfsniveau was de correlatie met betere resultaten verdwenen. Een jaar later, bij 22.000 developers, vond Faros dat incidenten per PR waren verdrievoudigd en dat 31% meer PR’s zonder enige menselijke review werden gemerged.

PR’s gemerged
+98%
Taken afgerond
+21%
Review-tijd
+91%
PR-grootte
+154%
Bugs per developer
+9%
● Wat Agile Analytics meet

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: GitClear (211M regels, 2020–2024) zag gedupliceerde code stijgen van 8,3% naar 12,3% van de gewijzigde regels en refactoring dalen van 25% naar onder 10%. De gerandomiseerde proef van METR vond ervaren developers 19% langzamer met tools van begin 2025, terwijl ze dachten 20% sneller te zijn — een uitkomst waarvan de auteurs zelf zeggen dat je hem niet moet generaliseren; hier geciteerd om de kloof tussen voelen en meten. GitClear 2025 · METR 2025

03 · Hoe wij het zien

Eén loop. Drie perspectieven.
Eén vraag: is het geshipt?

Engineering productiviteit is geen getal — het is een flow. AgileEx, DevEx en OpsEx zijn de drie perspectieven die de hele loop meetbaar maken, zodat AI-output wordt geteld waar hij landt en niet waar hij gegenereerd is.

Alle perspectievenAgileExDevExOpsEx
illustratie · één sprint
PlanCodeBuildTestReleaseReviewRefineBacklogDeployRunObserveAlertResolvePostmortemSLOLearnENGINEERINGéén loopDRIE PERSPECTIEVENAgileEx · DevEx · OpsExknelpunt
04 · Quality gates voor AI-assisted code

Snelheid zie je zo.
Kwaliteit moet je meten.

Vier vragen die elk team dat met AI bouwt uit data zou moeten kunnen beantwoorden. Drie beantwoordt Agile Analytics vandaag; de vierde staat op de roadmap, en dat zeggen we liever dan dat we doen alsof.

Stapelt output zich op bij review?meten we nu

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.

Houdt de stabiliteit stand?meten we nu

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.

Eet onderhoud de sprint op?meten we nu

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.

Wat levert de AI-uitgave op?roadmap

Seats plus verbruik kosten $200–600 per engineer per maand over de tools heen (DX, 2026), en bijna niemand zet dat af tegen wat er geshipt is. Kosten per team naast lead time staat op onze roadmap. Tot het gemeten is, is het een workshopgesprek, geen dashboard.

05 · Hoe het werkt

Koppelen. Nulmeting. Vergelijken.

Geen nieuw proces, geen zelfrapportage. De data bestaat al in de tools die je teams elke dag gebruiken.

KoppelenStap 1

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.

NulmetingStap 2

De eerste sprint geeft elk team zijn startpunt: lead time, deployment frequency, change failure rate, MTTR, de verhouding features/onderhoud.

VergelijkenStap 3

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.

06 · Voorbeeld · de gates van een team

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.

Lead time p50op doel
4,2d
doel ≤ 5d · voorbeeld
Change failure raterisico
12%
doel ≤ 10% · voorbeeld
Review-doorlooptijd < 24uoverschreden
62%
doel ≥ 95% · voorbeeld

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.

Bronnen