Jellyfish lance des métriques d’ingénierie IA pour suivre la productivité des développeurs et des agents

Jellyfish a annoncé une suite de fonctionnalités d'analyse conçues pour mesurer l'impact de l'intelligence artificielle générative et des agents IA sur la productivité et les coûts de l'ingénierie logicielle, selon les informations publiées par SD Times le 7 octobre 2026. Lancée à l'occasion de l'événement « AI Impact Week » de la plateforme, cette mise à jour élargit la collecte de données télémétriques sur l'ensemble de la chaîne de développement afin d'évaluer côte à côte les contributions humaines et le travail généré par les machines.

Visibilité sur le cycle de vie et identification des goulots d'étranglement

Jellyfish a présenté Lifecycle Explorer, une fonctionnalité offrant une visibilité sur la répartition du temps des équipes d'ingénierie tout au long du processus de développement logiciel. L'outil vise à aider les responsables techniques à repérer les goulots d'étranglement dans les flux de travail, tels que les retards dans la revue de code, avant d'allouer des budgets supplémentaires à la génération automatisée de code.

La mise à jour ajoute également AI Cohorts et Metrics Explorer, permettant aux organisations de suivre les interactions des développeurs avec des assistants de codage spécifiques, notamment GitHub Copilot, Cursor et Claude Code. Metrics Explorer évalue la productivité des contributeurs humains et des agents autonomes, avec la possibilité de créer des métriques personnalisées au moyen de requêtes en langage naturel traitées par un assistant IA intégré.

Repères financiers et réconciliation des dépenses

Pour résoudre le manque de visibilité sur les dépenses logicielles liées à l'IA, Jellyfish a intégré des outils d'imputation financière qui associent directement la consommation de jetons et l'utilisation des modèles aux livrables d'ingénierie. Le système rapproche les rapports d'utilisation des API et la télémétrie interne pour suivre les dépenses par outil et par modèle.

Ces métriques financières s'intègrent dans le suivi global des dépenses de R&D, ce qui permet à la direction d'évaluer les dépenses combinées du personnel et de l'infrastructure d'IA. Jellyfish a également introduit les métriques AI Capacity pour normaliser la production par rapport aux effectifs, ainsi que des bancs de test comparatifs s'appuyant sur les données de plateforme de plus de 1 300 organisations.

Portée opérationnelle et prérequis

La suite enrichie s'adresse aux organisations d'ingénierie qui synthétisent les activités issues de répertoires comme Jira et GitLab aux côtés d'applications d'IA commerciales. En observant les taux d'adoption des compétences et les modes d'interaction entre humains et agents IA, les responsables d'ingénierie peuvent suivre l'adoption progressive des outils automatisés par leurs équipes. Néanmoins, l'obtention d'une visibilité complète dépend de l'intégration des données provenant des outils tiers de développement de l'organisation ainsi que de la précision des rapports API fournis par les prestataires de services d'IA.

Illustration éditoriale générée par IA ; ce n’est pas une photographie documentaire.

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