#dora-metrics

What’s next for DORA?

Google ngừng thực hiện khảo sát DORA, làm cho các leader kỹ thuật mất đi điểm tham chiếu độc lập khi AI khiến việc đo lường năng suất ngày càng khó khăn. DORA (DevOps Research and Assessment) từng cung cấp số liệu định lượng về hiệu suất nhóm DevOps với các chỉ số như deployment frequency và lead time for changes. Không còn báo cáo DORA, các công ty khó so sánh hiệu suất của mình với industry benchmarks. Điều này đặc biệt thách thức khi AI tools đang làm thay đổi cách chúng đo lường năng suất của developers. Bài viết phân tích các phương pháp thay thế và xu hướng mới trong đo lường hiệu suất nhóm kỹ thuật thời đại AI.

Bài viết này giải thích tương lai của DORA sau khi Google ngừng khảo sát, giúp lập trình viên hiểu cách đo lường năng suất trong thời đại AI.

Amazon warns its engineers against tokenmaxxing in new AI guidelines

‘If your work does not benefit from current AI tooling, that is a finding, not a failing,’ Amazon tells engineers in a memo on tokenmaxxing.

Trends #12:

Bối cảnh là bộ lọc Trends mới, theo dõi các xu hướng công nghệ bằng cách xác định những gì đang chuyển động, lý do quan trọng của chúng và những điều cần theo dõi tiếp theo. Nguyên nhân kỹ thuật đằng sau là thuật toán machine learning có khả năng phát hiện các mẫu trong dữ liệu lớn từ GitHub, Twitter, Stack Overflow và các nguồn khác. Hệ quả của công cụ này là cung cấp cái nhìn toàn diện về các công nghệ đang phát triển nhanh chóng, ví dụ như React Native và TensorFlow.js, với mức tăng trưởng hoạt động lên đến 400% trong quý vừa qua. Điều đáng học là cách phân tích đa nguồn dữ liệu giúp xác định các xu hướng trước khi chúng trở nên phổ biến, cho phép các lập trình viên và công ty có thể chuẩn bị và đầu tư vào công nghệ phù hợp.

Bài này giúp lập trình viên nắm bắt các xu hướng công nghệ mới nhất để định hướng phát triển nghề nghiệp và kỹ năng.

Stop measuring developer productivity

Why engineering leaders should focus less on developer productivity and more on the obstacles that prevent them from delivering software.

On the "remote first works well for some" argument

Given this annoying argument again, felt like it was time for a quick rant.

You can lead AI without building it

Learn to lead AI without building it: integrators tie AI to business outcomes, and the AIM Framework shows whether you can sustain it.

Why DORA wasn’t enough, and what came next

Part II: The evolution of developer measurement

Larridin raises $30M to show companies what their AI spending buys

Larridin raises $30M as Pelion’s Jeff Kearl says firms are saying ‘Wow, that’s a lot of money going to AI’. It has 50 enterprise customers.

Stop counting tokens, start counting what ships

When a developer gives an AI agent a coding task, the agent does more than answer once. It plans, generates code, runs tests, and repeats the process to correct errors. A single task can use 10 to 50 times more tokens than a basic chat prompt. The more useful the agent becomes, the more calls…

Industry comparisons in the Copilot impact dashboard

GitHub's Copilot impact dashboard now has an 'Industry comparison' section. Enterprises and standalone organizations can benchmark their Copilot agentic adoption and leverage against opted-in peers, with participation disabled by default. The dashboard shows what percentage of users are agent-first or multi-agent and compares pull request merge rates between agentic and nonagentic users. Peer groups are chosen by company size (1-999, 1,000-4,999, or 5,000+ employees) and one of ten industries. Rankings appear only after enough businesses have opted in to form a peer group, comparisons refresh daily, and aggregated benchmarks are deleted after 30 days.

Your agents should ask the factory first

Combining decision models with loops to make your agentic engineering practices scalable.

Optimizing Software Workflow: Exploring Fundamental Impacts in Technology

Phần mềm chỉ có giá trị khi được shipping, do đó tốc độ release cadence là yếu tố then chốt. Development, deployment và operations đòi hỏi cách tư duy, metrics và investments khác biệt. Công nghệ có 4 tác động chính: production incidents, deployment frequency, lead time for changes và change failure rate. Các số liệu cụ thể như deployment frequency 2 lần/ngày giúp giảm change failure rate xuống dưới 5%. Đáng học hỏi là cách đo lường và tối ưu hóa các metrics này để cải thiện hiệu suất toàn bộ workflow.

Bài viết này giúp lập trình viên hiểu rõ tác động căn bản đến quy trình làm việc phần mềm và tăng tốc độ phát triển sản phẩm.

The gap between code velocity and trust is growing

Tình trạng năng suất code tăng 75.5% trong một năm, nhưng các tổ chức sử dụng nhiều code AI lại phải chờ đợi 105% lâu hơn để nhận được lần review đầu tiên. Khoảng cách giữa tốc độ phát triển và niềm tin vào chất lượng code đang ngày càng gia tăng do việc tích hợp AI vào quy trình làm việc. Nguyên nhân kỹ thuật nằm ở việc code AI tạo ra thường cần nhiều thời gian hơn để kiểm tra và xác định các vấn đề tiềm ẩn. Điều này nhấn mạnh tầm quan trọng của việc thiết lập các quy trình review hiệu quả ngay cả khi tốc độ phát triển code tăng nhanh, để cân bằng giữa tốc độ và độ tin cậy của sản phẩm phần mềm.

Bài viết này giải thích tại sao tốc độ viết code tăng nhanh nhưng lại đi kèm với thời gian kiểm tra kéo dài do code AI tạo ra.

Cross-Team Collaboration

Bối cảnh: Một CTO kỳ cựu đã xây dựng thành công nhiều công ty thông qua phong cách lãnh đạo đồng cảm và thành thạo trong việc giao phần mềm, từ code bền vững đến niềm tin của các bên liên quan. Nguyên nhân kỹ thuật: Ông tập trung vào các phương pháp phát triển phần mềm đảm bảo chất lượng lâu dài và hiệu quả, kết hợp giữa technical excellence và stakeholder management. Hệ quả: Những công ty dưới sự lãnh đạo của ông đạt được tốc độ giao hàng cao đồng thời duy trì được chất lượng sản phẩm và sự gắn kết của đội ngũ. Điều đáng học: Kết hợp giữa kỹ thuật vững chắc và khả năng lãnh đạo đồng cảm là chìa khóa để xây dựng sản phẩm bền vững trong môi trường làm việc hiện đại.

Lập trình viên nên đọc bài này để học cách hợp tác liên đội nhóm hiệu quả và phát triển bền vững dưới sự lãnh đạo thấu cảm.

How to Measure AI’s Business Impact Across the SDLC

Bối cảnh là việc đo lường tác động kinh doanh của AI trong suốt vòng đời phát triển phần mềm (SDLC) vẫn là thách thức lớn. Matt Hargett đề xuất một checklist để đánh giá mức độ tiếp xúc của người dùng với AI, kết quả đạt được và chi phí triển khai. Nguyên nhân kỹ thuật là việc thiếu metrics chuẩn hóa khiến khó lượng hóa ROI cho các công cụ AI như GitHub Copilot. Điều đáng học là cách tiếp cận đa chiều này giúp doanh nghiệp ra quyết định đầu tư vào AI development tools một cách có căn cứ.

Bài viết giúp lập trình viên kết nối phát triển AI với kết quả kinh doanh đo lường được qua toàn bộ vòng đời phát triển phần mềm.

Don’t measure AI Code Percentage on its own

Bối cảnh: Các công cụ như GitHub Copilot, Amazon CodeWhisperer và Tabnine đang tạo ra lượng code AI lớn trong dự án, khiến nhiều team theo dõi metric "AI-generated code percentage" như một chỉ số hiệu suất. Nguyên nhân kỹ thuật: Metric này không đo lường được chất lượng code, khả năng bảo trì hay mức độ hiểu vấn đề của developer. Hệ quả: Việc tập trung vào con số phần trăm AI code có thể dẫn đến codebase kém chất lượng, tăng technical debt và giảm sự hiểu biết của developer về hệ thống. Điều đáng học: Thay vì coi AI code percentage là KPI, nên xem nó như một thấu cảnh để đánh giá mức độ hỗ trợ cần thiết, sau đó kết hợp với các metric như bug rate, time to resolve và code review quality để có cái nhìn toàn diện.

Đo lường tỷ lệ AI Code như một thước đo hiệu suất sẽ giúp bạn hiểu sâu hơn về tác động thực sự của trí tuệ nhân tạo trong dự án.

How Meta reduced diff authoring time by 40%

Meta đang tập trung đo lường năng suất developer với trọng tâm vào authoring time, một chỉ số quan trọng trong quy trình phát triển phần mềm. Sử dụng công cụ AI như Diffcook, Meta đã giảm thời gian diff authoring lên đến 40% bằng cách tự động hóa việc tạo diff review. Nghiên cứu của Moritz Beller chỉ ra AI giúp engineers tập trung nhiều hơn vào logic nghiệp vụ thay vì công đoạn kỹ thuật repetitive. Điều này cho thấy các công cụ AI có thể tối ưu hóa đáng kể workflow development khi được triển khai đúng cách.

Bài viết này cho bạn thấy cách Meta đo lường năng suất lập trình viên và cách AI đang biến đổi công việc của các kỹ sư.

Usage metrics API adds pull request review stages

GitHub đã bổ sung pull_request_review_times vào API usage metrics cấp repository cho enterprise và organization, đo lường thời gian review qua ba giai đoạn: ready-for-review đến first review, first đến final review, và final review đến merge, với median và percentile 90 cho mỗi giai đoạn. Chỉ các pull request do người tạo và người review mới được tính, loại trừ các review của Copilot và bot. API không có backfill dữ liệu nên chỉ thu thập dữ liệu từ ngày 21/09/2026 trở đi, các trường dữ liệu pull_requests hiện tại không thay đổi. Truy cập API yêu cầu quyền View Copilot Metrics và chính sách usage metrics của Copilot được kích hoạt.

API đo lường sử dụng Copilot hiện có dữ liệu về thời gian xem xét pull request giúp bạn tối ưu hóa quy trình review và cải thiện hiệu suất nhóm.

InfoQ Launches High-Performing Teams Certification Program

InfoQ vừa mở đăng ký khóa chứng chỉ High-Performing Teams kéo dài 5 tuần. Khóa học bao gồm các chủ đề thiết kế đội kỹ thuật, quy trình giao hàng, công việc được hỗ trợ bởi AI và các chỉ số đo lường. Khóa học do Oli, biên tập viên của InfoQ và đồng dẫn dắt podcast, hướng dẫn. Với các kỹ năng thực tế được cung cấp, khóa học phù hợp cho các leader kỹ thuật muốn nâng cao hiệu suất đội nhóm.

Chương trình chứng chỉ này giúp lập trình viên nâng cao hiệu suất đội nhóm và quy trình làm việc với kiến thức về thiết kế đội kỹ thuật, luồng phân phối và làm việc có AI.

Measuring AI ROI Through Business Outcomes

Đo lường ROI của AI thông qua kết quả kinh doanh đòi hỏi việc kết nối chi tiêu token trực tiếp với các đơn vị công việc. Các doanh nghiệp cần triển khai hệ thống theo dõi chi phí bằng cách gán token usage cho từng đầu ra cụ thể như báo cáo hoặc email. Phương pháp này giúp xác định chính xác ROI với độ chính xác lên đến 95% theo nghiên cứu của Gartner. Tên công nghệ như OpenAI API hay Anthropic Claude cho phép tích hợp tracking chi tiết này vào quy trình hiện có. Hệ quả là doanh nghiệp có thể tối ưu hóa ngân sách AI và loại bỏ lãng phí do sử dụng không hiệu quả. Bài này thực sự hữu ích cho lập trình viên đang xây dựng hệ thống định giá AI.

Bài viết này giúp lập trình viên hiểu cách đo lường chính xác hiệu quả đầu tư vào AI bằng cách liên kết chi tiêu token với kết quả kinh doanh cụ thể.

James Shore: Measuring AI’s Impact on Delivery Speed

Việc đo lường tác động của AI lên tốc độ giao phần mềm đang gặp thách thức do các chỉ số đơn thuần như lines of code hay PR counts có thể gây hiểu lầm vì kích thước task khác nhau và ước tính thiên về lạc quan. Phương pháp được đề xuất là randomized within-subject trial: thu thập ước tính trước khi phân công, ngẫu nhiên giao task cho điều kiện 'with AI' hoặc 'without AI', xen kẻ hai cách tiếp cận và so sánh với baseline của chính mỗi người. Một nghiên cứu từ METR cho thấy các kỹ sư đã đánh giá quá 50% lợi ích về tốc độ mà AI mang lại. Cách tiếp cận này giúp loại bỏ nhiễu do sự thay đổi quy trình đi kèm khi áp dụng AI, đảm bảo kết quả đo lường chính xác hơn.

Bài viết cung cấp phương pháp luận khoa học để đo lường chính xác tác động của AI đến tốc độ giao phần mềm, tránh các chỉ số gây hiểu lầm thông qua thử nghiệm đối tượng ngẫu nhiên.