Summary
Chen and Stratton analyzed Jellyfish data from 700+ firms: AI coding agents raised code volume ~30% but Jira issue resolution did not; PR review time rose 49% and change-request rates nearly doubled, with little employment impact through March 2026.
Source Analysis
Research Notes
Additional sources
- 2026-10-09-harvard-jellyfish-ai-bottleneck-paper (Chen & Stratton working paper)
- Ars Technica Oct 9 (pipeline primary)
Verified
- Agents: +30% LOC, +20% commits, +23% PRs; Jira resolution flat.
- Review time +49%; change requests ~2×; +14% workers on review.
Limitations
- Observational DiD; correlation not causation; Jellyfish sample bias possible.
Related wiki
ai-code-review-bottleneck, coding-agents, jellyfish, agentic-ai
Draft Article
AI kod ajanları çıktıyı artırıyor ama inceleme darboğazı kazanımı yutuyor
Harvard araştırmacıları Fiona Chen ve James Stratton, Jellyfish telemetrisinde 700’den fazla şirketi inceledi: AI kod ajanları kod hacmini yaklaşık %30, commit’leri %20, pull request sayısını %23 artırdı; Jira issue çözüm hızında anlamlı artış görülmedi. PR inceleme süresi %49 uzadı, change request oranı yaklaşık iki katına çıktı.
Ana Gelişme
Çalışma 300 milyondan fazla iş olayı, 700 binden fazla çalışan ve 2021–Mart 2026 verisini difference-in-differences tasarımıyla kullanıyor — gözlemsel bir analiz; korelasyon nedensellik değildir.
İnceleme darboğazı metrikleri: PR submit-to-merge süresi +%49; değişiklik istenen PR payı yaklaşık ikiye katlandı; PR yorumları +%35; inceleme yapan çalışan payı +%14. Mart 2026’ya kadar istihdam etkisi sıfıra yakın.
AI code review araçları şirketlerin %80’inde vardı; ancak inceleme yorumlarının yalnızca %23,3’ü ve PR’ların %10,8’i AI kaynaklı — darboğazı tam çözmedi.
Neden Önemli?
“Agent = daha hızlı shipping” anlatısı veriyle zayıflıyor. Türk yazılım ekipleri için pratik çıkarımlar: review SLA’ları, agent diff boyutu limitleri, ownership kuralları ve inceleme kapasitesi planlaması.
Teknik Detaylar
Ajanlar “assistant” kullanımından ayrı tanımlandı; çıktı proxy’si Jira çözümü, üretim metrikleri değil. Jellyfish örnekleme bias’ı mümkün — sonuçlar büyük ölçekli SaaS ağırlıklı firmalara kayabilir.
Bağlam
agentic-ai benimsenmesi sürecinde süreç mühendisliği, model seçiminden önce gelebilir. Ars Technica, Chen & Stratton working paper’ını özetliyor.
Sonraki Adımlar
Ekipler agent guardrail’leri ve otomatik test kapsamını artırırken reviewer headcount veya AI-assisted review kalitesini ölçmeye devam etmeli.