Jellyfish lanza métricas de ingeniería con IA para rastrear la productividad de desarrolladores y agentes

Jellyfish anunció un conjunto de funciones analíticas diseñadas para medir cómo la inteligencia artificial generativa y los agentes autónomos afectan la productividad y los costos en la ingeniería de software, según informó SD Times el 7 de octubre de 2026. Presentada durante la AI Impact Week de la plataforma, la actualización amplía la recopilación de telemetría a lo largo de todo el entorno de desarrollo para evaluar de forma simultánea las contribuciones humanas y el trabajo generado por máquinas.

Visibilidad del ciclo de vida e identificación de cuellos de botella

Jellyfish presentó Lifecycle Explorer, una función que ofrece visibilidad sobre dónde invierten su tiempo los equipos de ingeniería a lo largo del proceso de desarrollo de software. La herramienta busca ayudar a los líderes de ingeniería a identificar cuellos de botella en el flujo de trabajo, como retrasos en la revisión de código, antes de destinar presupuesto adicional a la generación automatizada de código.

La actualización también añade AI Cohorts y Metrics Explorer, lo que permite a las organizaciones rastrear cómo interactúan los desarrolladores con asistentes de programación específicos, incluidos GitHub Copilot, Cursor y Claude Code. Metrics Explorer evalúa la productividad entre colaboradores humanos y agentes de IA autónomos, con soporte para crear métricas personalizadas mediante indicaciones en lenguaje natural procesadas por un asistente de IA integrado.

Pruebas de rendimiento financieras y conciliación de gastos

Para solucionar la falta de visibilidad en el gasto de software de IA, Jellyfish incorporó herramientas de atribución financiera que vinculan directamente el consumo de tokens y el uso de modelos con las entregas de ingeniería. El sistema concilia los informes de uso de API con la telemetría interna para realizar un seguimiento del gasto por herramienta y modelo.

Estas métricas financieras se integran en el seguimiento general de gastos de I+D, lo que permite a la dirección evaluar los costos combinados de personal e infraestructura de IA. Jellyfish también introdujo las métricas AI Capacity para normalizar el rendimiento en relación con la plantilla, junto con pruebas de rendimiento comparativas entre pares que utilizan datos de la plataforma procedentes de más de 1 300 organizaciones.

Alcance operativo y requisitos

El conjunto ampliado está dirigido a organizaciones de ingeniería que sintetizan actividad en repositorios como Jira y GitLab junto con aplicaciones comerciales de IA. Al monitorear las tasas de adopción de habilidades y los patrones de interacción entre humanos y agentes, los gerentes de ingeniería pueden realizar un seguimiento de cómo los equipos adoptan herramientas automatizadas con el tiempo. Sin embargo, la visibilidad completa depende de la ingesta de datos proveniente de herramientas de desarrollo de terceros de la organización y de informes de API precisos de los proveedores de servicios de IA.

Ilustración editorial generada con IA; no es una fotografía documental.

Fuente: Jellyfish Advances Developer and Agent Productivity Insights for the AI-Native SDLC