論文の概要: How AI Changes DevOps Performance: A Mechanism-Based Simulation

• arxiv url: http://arxiv.org/abs/2609.32414v1
• Date: Sat, 26 Sep 2026 09:42:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:26:36.090191
• Title: How AI Changes DevOps Performance: A Mechanism-Based Simulation
• Title（参考訳）: AIがDevOpsのパフォーマンスをどう変えるか - メカニズムベースのシミュレーション
• Abstract要約: ソフトウェア開発のためのAIツールは、コード補完から自律エージェントへと進歩した。 AGCとAGTは別々に共同で、デプロイメント頻度、リードタイム、変更失敗率、リカバリ時間、デプロイメント再作業率にどのように影響するかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context. AI tools for software development have progressed from code completion to autonomous agents, yet evidence on their effects on DORA performance is mixed, mostly cross-sectional, and often conflates AI-generated code (AGC) with agentic AI (AGT). Objective. We examine how AGC and AGT, separately and jointly, affect deployment frequency, lead time, change failure rate, recovery time, and deployment rework rate. Method. We audit the evidence, formalise a two-construct model with four capability moderators, and implement a discrete-event simulation of a delivery pipeline. Six experiments include a factorial design, Shapley decompositions, sensitivity analysis over 600 parameter draws, a fixed-demand robustness test, and a staggered-adoption panel of 5,000 simulated teams with counterfactuals. Results. AGC increased failure rate, rework, and recovery time in both capability profiles. When AI increased change volume, AGC shortened lead time only where review capacity was spare (-13%) and lengthened it once review saturated; in the low-capability team, its deployment-frequency gain came entirely from unplanned rework. AGT improved deployment frequency (+31% to +34%), lead time (-8% to -22%), and recovery time (-29% to -38%), but its stability effect depended on autonomous CI repair masking defects, and escaped defects increased in the high-capability team. Capability reduced AGC's absolute failure-rate penalty (7.9 vs. 1.5 points) but not its relative penalty (+34% vs. +84%). Two-way fixed effects underestimated adoption effects by 8-16%; detecting the modelled stability effect required about 50 teams, and its capability moderation about 400. Conclusions. Within the model, DORA metrics respond to AI through queueing, batching, and oversight, not only code quality. We derive measurement rules, guardrails for agentic remediation, and a sample-size-informed field-validation protocol.
• Abstract（参考訳）: コンテキスト。 ソフトウェア開発のためのAIツールは、コード補完から自律エージェントへと進歩してきたが、DORAのパフォーマンスに対する彼らの影響に関する証拠は、主に横断的であり、エージェントAI(AGT)とAI生成コード(AGC)を混在させることが多い。 目的。 AGCとAGTは別々に共同で、デプロイメント頻度、リードタイム、変更失敗率、リカバリ時間、デプロイメント再作業率にどのように影響するかを検討する。 方法。 証拠を監査し、4つの機能モデレーターを備えた2構造モデルを定式化し、デリバリパイプラインの離散イベントシミュレーションを実装します。 6つの実験には、因子設計、シャプリー分解、600以上のパラメータドローに対する感度解析、固定要求ロバストネステスト、5000の擬似チームからなる停滞適応パネルが含まれる。 結果。 AGCは、両方の機能プロファイルの障害率、リワーク、リカバリ時間を増加させた。 AIが変更量を増やすと、AGCはレビュー能力が不足している場合(-13%)のみリードタイムを短縮し、レビューが飽和すると延長した。 AGTは展開頻度(+31%から+34%)、リードタイム(-8%から-22%)、リカバリ時間(29%から-38%)を改善したが、安定性はCI修復マスクの欠陥に左右され、高機能チームでは脱落した欠陥が増大した。 能力はAGCの絶対失敗率のペナルティ(7.9対1.5点)を減らしたが、その相対的なペナルティ(+34%対+84%)は減らした。 2方向の固定効果は、採用効果を8-16%過小評価し、モデル化された安定性効果を検出するには、約50チーム、その能力はおよそ400チームが必要だった。 結論。 モデル内のDORAメトリクスは、コード品質だけでなく、キュー、バッチ、監視を通じてAIに応答する。 我々は,測定規則,エージェント修復用ガードレール,サンプルサイズインフォームドフィールドバリデーションプロトコルを導出する。

関連論文リスト

• CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
  VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。 本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
  論文  参考訳（メタデータ） (2026-09-21T05:14:34Z)
• A Few Pages of Markdown: Committed AI Configuration and Lower Quality Cost after Coding-Agent Adoption [33.31789388282026]
  コーディングエージェントは開発速度を増加させるだけでなく、技術的負債も増す。 以前の作業では、採用者の平均的な影響しか報告せず、チーム間の大きな違いを隠蔽しています。 私たちは、バージョン管理アーティファクトに基づく4段階の累積成熟モデルであるRAMPを紹介します。
  論文  参考訳（メタデータ） (2026-08-26T00:00:48Z)
• Argus: A General-Purpose Agentic Reasoning Runtime for Long-Horizon Tasks [38.52523278435824]
  Argusは永続的で自己進化的なランタイムで、マネージャ、プランナー、エンジニア、レビューアが耐久性のあるプロジェクトステート上で有界なミッションを実行します。 Argusは、安定したユーザ意図を運用目標、制約、検証基準から切り離し、メモリ、スキル、プロシージャ、バリデーション、ルーティング決定を許可し、ロール所有のレビューと利用可能なタスクネイティブ検証の後にのみ拒否されたルートを承認する。
  論文  参考訳（メタデータ） (2026-08-05T17:58:58Z)
• One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
  我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。 その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。 12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
  論文  参考訳（メタデータ） (2026-06-30T10:54:16Z)
• SPOQ: Specialist Orchestrated Queuing for Multi-Agent Software Engineering [2.0769172070951067]
  マルチエージェントAIシステムは、ソフトウェアエンジニアリングタスクの自動化を約束する。 既存のアプローチでは、調整のオーバーヘッド、品質管理のギャップ、人間の監視が制限されている。 SPOQ(Specialist Orchestrated Queuing)は,3つのイノベーションを組み合わせた方法論である。
  論文  参考訳（メタデータ） (2026-06-02T03:59:56Z)
• A Delta-Aware Orchestration Framework for Scalable Multi-Agent Edge Computing [0.0]
  Synergistic Collapseは、100以上のエージェントをスケーリングすることで、個々の最適化が防止できない超線形パフォーマンスの低下を引き起こす。 これまでの研究は、指数的行動空間成長、空間的隣接エージェント間の計算冗長性、タスクに依存しないハードウェアスケジューリングなど、それぞれの要因に対処してきた。 1) 中間層活性化を記憶し入力デルタのみを演算する微分ニューラルキャッシング、(2) エージェントを優先度階層に整理し、調整の複雑さを O(n2) から O(n log n) へ6%未満の最適で減少させる臨界ベースのアクションスペースプラニング、の3つに同時に対処するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-22T02:54:35Z)
• Needle in the Repo: A Benchmark for Maintainability in AI-Generated Repository Edits [3.9532936038777144]
  Needle in the Repo (NITR) は、リポジトリの動作的に正しい編集が維持可能な構造を保存するかどうかを評価するためのフレームワークである。 NITRは、ソフトウェアエンジニアリングの知恵を、小さな、現実的なマルチファイルに埋め込まれた制御されたプローブに蒸留する。 GPT、Claude、Gemini、Qwenの各ファミリーの23のコーディング構成を、直接推論とエージェントベースの設定の両方で評価する。
  論文  参考訳（メタデータ） (2026-03-29T15:56:05Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
  AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。 テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。 アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
  論文  参考訳（メタデータ） (2025-04-29T17:36:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。