Από 7 χρόνια σε 7 ημέρες με την αυτόνομη ΤΝ (agentic AI)

Αν έχετε κοιτάξει ποτέ ένα υπολογιστικό φύλλο COCOMO II και το έχετε δει να προβλέπει 33 ημερολογιακούς μήνες για ένα έργο που η ομάδα σας παρέδωσε σε δύο sprints, γνωρίζετε ήδη το πρόβλημα: κάθε μοντέλο εκτίμησης που χρησιμοποιείται σήμερα βαθμονομήθηκε σε έναν κόσμο όπου οι προγραμματιστές πληκτρολογούν κάθε γραμμή, η εναλλαγή μεταξύ εργασιών έχει κόστος και το ημερολόγιο σταματά στις 5 το απόγευμα. Αυτός ο κόσμος δεν υπάρχει πια. Πρόσφατα αναπτύξαμε από το μηδέν μια εφαρμογή 286 KLOC, 672 αρχείων και πολλών υποσυστημάτων (επίπεδο πρωτοκόλλου, επίπεδο δεδομένων, μηχανή απόδοσης γραφικών, ενσωμάτωση στην πλατφόρμα) και φτάσαμε σε μια έκδοση alpha έτοιμη για δοκιμές σε 7 ημέρες. Το πλήρες σύνολο μοντέλων (COCOMO Basic/Intermediate/Post-Architecture, Function Points, βάση αναφοράς SLOC, Putnam/SLIM) έδωσε διάμεση πρόβλεψη 30,3 ημερολογιακών μηνών. Ο διάμεσος πολλαπλασιαστής παραγωγικότητας: 4.240×. Ακόμη και η πιο συντηρητική βάση αναφοράς (25 SLOC ανά ημέρα προγραμματιστή για σύνθετα συστήματα) απείχε κατά 1.433×. Τα μοντέλα δεν είναι λάθος. Εφαρμόζονται λάθος. Παρακάτω θα βρείτε την ανάλυση μοντέλο προς μοντέλο, την εμπειρική βαθμονόμηση με τον ίδιο συγγραφέα, και τι λέει πραγματικά η βιβλιογραφία των τυχαιοποιημένων ελεγχόμενων δοκιμών (RCT) από το 2024 έως το 2026 για το πού η αυτόνομη ΤΝ συμπιέζει τη διάρκεια, και πού όχι.

Το έργο που ανέτρεψε τις εκτιμήσεις

Στη RIADVICE αναπτύξαμε πρόσφατα μια σύνθετη εφαρμογή με πλούσιες λειτουργίες, από εκείνες που συντονίζουν πολλά υποσυστήματα σε μια κατανεμημένη αρχιτεκτονική, ως εγγενές περιβάλλον πολλαπλών πλατφορμών για κινητά και υπολογιστές από μία ενιαία βάση κώδικα, με αφετηρία απαιτήσεις της αγοράς που χρειάζονταν νέα υλοποίηση. Η βάση κώδικα δείχνει την κλίμακα:

• 286.662 SLOC (περίπου 286 KLOC) σε 672 αρχεία πηγαίου κώδικα
• 1.329.399 γραμμές συνολικών αλλαγών (churn): 862.488 προσθήκες και 466.911 διαγραφές
• 700 commits σε 7 ενεργές ημέρες ανάπτυξης μέχρι την πρώτη έκδοση alpha έτοιμη για δοκιμές
• Πλήρης διεθνοποίηση σε δεκάδες γλώσσες
• Πολλαπλά, εντελώς άσχετα μεταξύ τους υποσυστήματα (χειρισμός πρωτοκόλλου, διαχείριση δεδομένων, απόδοση γραφικών και ενσωμάτωση στην πλατφόρμα), όλα χτισμένα από το μηδέν για το περιβάλλον-στόχο

Δεν επρόκειτο για ένα περιτύλιγμα ή μια απλή αλλαγή εμφάνισης. Ήταν μια εγγενής υλοποίηση από το μηδέν, φτιαγμένη για να καλύψει απαιτήσεις της αγοράς που οι υπάρχουσες λύσεις δεν μπορούσαν να καλύψουν. Πριν γράψω την πρώτη γραμμή, ενσωμάτωσα στο έργο ένα δικό μας εργαλείο ανάλυσης που εκτελεί το πλήρες σύνολο των καθιερωμένων μοντέλων εκτίμησης προσπάθειας λογισμικού πάνω στη βάση κώδικα καθώς αυτή μεγαλώνει. Ο στόχος ήταν τίμιος: να μετρηθεί η απόσταση ανάμεσα σε όσα προβλέπουν τα κλασικά μοντέλα και σε όσα παράγει στην πράξη μια παράδοση με τη βοήθεια ΤΝ. Τα αποτελέσματα δεν είναι σφάλμα στρογγυλοποίησης. Είναι αλλαγή κατηγορίας.

Τι προέβλεψαν τα μοντέλα εκτίμησης και τι συνέβη στην πράξη

Το εργαλείο εκτελεί κάθε σημαντικό μοντέλο εκτίμησης της βιβλιογραφίας της τεχνολογίας λογισμικού, δηλαδή COCOMO Basic (Organic, Semi-Detached, Embedded), COCOMO Intermediate (Semi-Detached και Embedded, ρυθμισμένα), COCOMO II Post-Architecture (ρυθμισμένο), Function Points, τη βάση αναφοράς παραγωγικότητας SLOC και το Putnam/SLIM, βαθμονομημένα για τον τύπο του έργου με τις σταθερές που δημοσιεύονται στην αρχική βιβλιογραφία.

Μοντέλο εκτίμησης	Προβλεπόμενη προσπάθεια	Προβλεπόμενη διάρκεια	Επιτάχυνση έναντι πραγματικού
COCOMO Basic (Organic)	913 ανθρωπομήνες	33,3 μήνες	2.282×
COCOMO Basic (Semi-Detached)	1.696 ανθρωπομήνες	33,7 μήνες	4.240×
COCOMO Basic (Embedded)	3.200 ανθρωπομήνες	33,1 μήνες	8.000×
COCOMO Intermediate (Semi-Det., ρυθμισμένο)	1.259 ανθρωπομήνες	30,4 μήνες	3.148×
COCOMO Intermediate (Embedded, ρυθμισμένο)	2.376 ανθρωπομήνες	30,1 μήνες	5.940×
COCOMO II Post-Architecture (ρυθμισμένο)	1.703 ανθρωπομήνες	30,3 μήνες	4.257×
Function Points (πρόχειρος υπολογισμός)	17,9 ανθρωπομήνες	7,5 μήνες	45×
Βάση αναφοράς παραγωγικότητας SLOC (25 SLOC/ημέρα)	573 ανθρωπομήνες	573,3 μήνες	1.433×
Putnam/SLIM	παραλείφθηκε (διάρκεια < 30 ημέρες· το T 4/3 εκρήγνυται)	δεν ισχύει	δεν ισχύει

Ο διάμεσος πολλαπλασιαστής παραγωγικότητας σε όλα τα μοντέλα είναι 4.240×. Ακόμη και το πιο συντηρητικό μοντέλο προβλέπει χρόνο παράδοσης περίπου 1.400 φορές μεγαλύτερο από αυτόν που χρειάστηκε. Το πιο αισιόδοξο, το Function Points, προέβλεψε και πάλι 7,5 ημερολογιακούς μήνες, δηλαδή 45× περισσότερο από τις 7 πραγματικές ημέρες. Σύμφωνα με τα μοντέλα, το έργο θα έπρεπε να είχε διαρκέσει από 7 μήνες έως 47 χρόνια. Μια έκδοση alpha ήταν έτοιμη για δοκιμές σε 7 ημέρες.

Τα μοντέλα διαφωνούν μεταξύ τους κατά 50× έως 8.000×

Τα μοντέλα αυτά δεν συμφωνούν μεταξύ τους. Στην ίδια βάση κώδικα, οι προβλέψεις κυμαίνονται από 17,9 έως 3.200 ανθρωπομήνες: διασπορά 178×. Η συγκριτική αξιολόγηση SEAA 2013 των COCOMO II, SEER-SEM, SLIM και TruePlanning σε 51 πραγματικά έργα βρήκε MMRE 50 έως 100%. Μια αξιολόγηση του 2023 στο σύνολο δεδομένων COCOMO NASA βρήκε MMRE κοντά στο 1,0 και PRED(0.25) = 0.0: ούτε ένα έργο δεν εκτιμήθηκε εντός του περιθωρίου σφάλματος 25%. Τα μοντέλα δεν σχεδιάστηκαν ποτέ για έργο με τη βοήθεια ΤΝ. Όμως το μέγεθος της απόκλισης, ακόμη και αν ληφθεί υπόψη η ανακρίβεια των μοντέλων, δείχνει ότι κάτι δομικό έχει αλλάξει.

Τι λέει πραγματικά η έρευνα για την αυτόνομη ΤΝ και την παραγωγικότητα των προγραμματιστών

Το ποσοστό 4.240× είναι ακραίο, και δεν θέλω να το υπερτιμήσω. Η δημιουργία νέου κώδικα από το μηδέν φουσκώνει τον όγκο των αλλαγών, και οι γραμμές κώδικα (SLOC) είναι αδύναμος δείκτης της αξίας. Ας δούμε λοιπόν τη βιβλιογραφία με αξιολόγηση από ομότιμους. Οι βοηθοί τύπου Copilot προσφέρουν μέτρια αλλά πραγματικά οφέλη. Οι Peng et al. (2023) διαπίστωσαν ότι οι προγραμματιστές που χρησιμοποιούσαν έναν βοηθό προγραμματισμού ΤΝ ολοκλήρωσαν μια εργασία 55,8% ταχύτερα (95% CI: 21 έως 89%). Η RCT των Microsoft/Accenture/Fortune 100 (2025), η μεγαλύτερη μελέτη μέχρι σήμερα με n=4.867, βρήκε αύξηση 26% στις ολοκληρωμένες εργασίες. Η εσωτερική RCT της Google (2024) βρήκε μείωση περίπου 21% στον χρόνο ανά εργασία. Το πείραμα πεδίου της BIS/Ant Group (2024) μέτρησε αύξηση 55% στην παραγωγή κώδικα για το λιγότερο έμπειρο προσωπικό. Η τίμια σύνοψη: 1,26× έως 1,56× σε κατάλληλες εργασίες. Πραγματικό όφελος, αλλά όχι μετασχηματιστικό. Η αυτόνομη ΤΝ λειτουργεί σε διαφορετικό καθεστώς. Η ανασκόπηση της Cognition για το Devin το 2025 ανέφερε αποτελέσματα πελατών 10× σε μεταφορές ETL, 14× σε μεταβάσεις εκδόσεων Java και 20× σε διορθώσεις ασφαλείας. Η Nubank ανέφερε 12× βελτίωση της αποδοτικότητας και 20× εξοικονόμηση κόστους σε μια αναδιάρθρωση πολλών εκατομμυρίων γραμμών που είχε εκτιμηθεί ως πολυετές εγχείρημα χιλίων μηχανικών. Το δικό μας έργο βρίσκεται ακριβώς σε αυτό το εύρος: το ιστόγραμμα των commits δείχνει πυκνές εξάρσεις στις 22:00, στις 00:00 και στη 01:00, το αποτύπωμα συνεδριών που καθοδηγούνται από πράκτορες ΤΝ. Τα αντίθετα στοιχεία είναι πραγματικά. Η RCT του Metr.org το 2025 (16 έμπειροι προγραμματιστές, 246 εργασίες σε ώριμα έργα) διαπίστωσε ότι η ΤΝ αύξησε τον χρόνο ολοκλήρωσης κατά 19%: επιβράδυνε τους έμπειρους προγραμματιστές σε οικείες βάσεις κώδικα. Μια μελέτη διαφοράς στις διαφορές του 2026 σε 807 αποθετήρια GitHub που υιοθέτησαν εργαλεία ΤΝ (He et al., MSR ’26) βρήκε μια «παροδική» ώθηση στην ταχύτητα και μια «επίμονη» αύξηση της πολυπλοκότητας του κώδικα, που οδήγησε σε μακροπρόθεσμη επιβράδυνση. Ο τίτλος τα λέει όλα: Speed at the Cost of Quality. Η συναίνεση: η ΤΝ βοηθά πολύ στην ανάπτυξη από το μηδέν και στη δομημένη ανάπτυξη, βοηθά μέτρια σε εργασίες συμπλήρωσης κώδικα και μπορεί να βλάψει την ταχύτητα σε ώριμες βάσεις κώδικα. Το χρέος ποιότητας είναι πραγματικό.

Γιατί αποτυγχάνουν τα μοντέλα: τρεις δομικές μεταβολές

Κανένας από τους παράγοντες κόστους των κλασικών μοντέλων δεν έχει ρύθμιση για την περίπτωση όπου «ο προγραμματιστής διαθέτει έναν αυτόνομο πράκτορα που δεν κοιμάται ποτέ και κρατά ολόκληρη τη βάση κώδικα στο πλαίσιό του». Τρεις μεταβολές καταρρίπτουν την καμπύλη της διάρκειας:

1. Το σημείο συμφόρησης της πληκτρολόγησης έχει εξαφανιστεί.

Τα μοντέλα υποθέτουν ότι ένα σημαντικό μέρος της προσπάθειας είναι μηχανικό: επαναλαμβανόμενος κώδικας, σκελετοί, επαναλαμβανόμενες αναδιαρθρώσεις, πόροι τοπικοποίησης και άλλα δομημένα δεδομένα. Σε αυτό το έργο, μεγάλο μέρος του όγκου είναι εξαιρετικά κανονικό κείμενο και συνδεσμολογία που ένας πράκτορας μπορεί να παραγάγει ή να μετασχηματίσει μαζικά. Ακόμη και ο κώδικας που παλιά γραφόταν με το χέρι (σκελετοί, constructors, κώδικας σύνδεσης με την πλατφόρμα) παράγεται πλέον σε ριπές, όχι γραμμή προς γραμμή.

2. Το κόστος της εναλλαγής πλαισίου καταρρέει.

Ένας άνθρωπος που μεταβαίνει από το επίπεδο πρωτοκόλλου στο επίπεδο δεδομένων και στη μηχανή απόδοσης πληρώνει κάθε φορά ένα τίμημα για να ξαναφορτώσει το πλαίσιο. Ένας πράκτορας που έχει διαβάσει ολόκληρο το αποθετήριο των 672 αρχείων το πληρώνει μία φορά. Αυτή η ασυμμετρία πολλαπλασιάζεται γρήγορα σε μια βάση κώδικα αυτού του μεγέθους.

3. Το ημερολόγιο δεν είναι πια το σημείο συμφόρησης.

Τα μοντέλα μετατρέπουν τους ανθρωπομήνες σε ημερολογιακούς μήνες μέσω μιας εξίσωσης στελέχωσης που υποθέτει μια ανθρώπινη εργάσιμη ημέρα. Οι συνεδρίες των πρακτόρων συνεχίζονται όλη τη νύχτα. Το ιστόγραμμα των commits δείχνει σταθερή παραγωγή από τις 07:00 έως τη 01:00: 18 ενεργές ώρες, όχι 8.

Η εμπειρική βαθμονόμηση με τον ίδιο συγγραφέα

Καθώς τα παραμετρικά μοντέλα διαφωνούν κατά τάξεις μεγέθους, εκτέλεσα επίσης μια εμπειρική βαθμονόμηση μεταξύ έργων, συγκρίνοντας τον δικό μου όγκο αλλαγών κώδικα ανά ανθρωποημέρα πριν και μετά την υιοθέτηση ενός εργαλείου αυτόνομης ΤΝ, σε τρία άλλα αποθετήρια παραγωγής του ίδιου οικοσυστήματος:

Έργο	Αλλαγές/ημέρα πριν από την ΤΝ	Αλλαγές/ημέρα με ΤΝ	Πολλαπλασιαστής
Έργο A (εξισορροπητής φορτίου)	673	2.056	3,1×
Έργο B (υπηρεσία αναφορών)	239	2.127	8,9×
Έργο C (υπηρεσία επεξεργασίας)	1.322	982	0,7×
Σύνολο (μέσος όρος / διάμεσος)	δεν ισχύει	δεν ισχύει	4,2× / 3,1×

Ίδιος συγγραφέας, ίδιος τομέας, πραγματική εργασία συντήρησης. Ο εμπειρικός πολλαπλασιαστής είναι 3 έως 9×, πολύ πιο συντηρητικός από το 4.240× της ανάπτυξης από το μηδέν, και συνεπής με το ανώτερο όριο της δημοσιευμένης έρευνας για την αυτόνομη ΤΝ. Ένα έργο έγινε μάλιστα πιο αργό: τα οφέλη εξαρτώνται από την εργασία, δεν είναι καθολικά.

Τι σημαίνει αυτό για τον σχεδιασμό έργων

Αν εξακολουθείτε να εκτιμάτε έργα λογισμικού με μη βαθμονομημένα μοντέλα και βάση αναφοράς 25 SLOC την ημέρα, θα πέφτετε έξω κατά μία έως τρεις τάξεις μεγέθους στην εργασία με τη βοήθεια ΤΝ. Αυτό κάνουμε στη RIADVICE:

1. Βαθμονομήστε με βάση το δικό σας ιστορικό. Συγκρίνετε τη δική σας παραγωγή κώδικα ανά ανθρωποημέρα με και χωρίς ΤΝ. Είναι φθηνότερο, πιο τίμιο και δίνει ένα εύρος 3 έως 9× που μπορείτε να υπερασπιστείτε σε ένα χρονοδιάγραμμα έργου.
2. Διαχωρίστε την ανάπτυξη από το μηδέν από τη συντήρηση. Ο πολλαπλασιαστής της αυτόνομης ΤΝ είναι μεγαλύτερος στην ανάπτυξη από το μηδέν και στη δομημένη ανάπτυξη, και μικρότερος (μερικές φορές αρνητικός) στη συντήρηση ώριμων βάσεων κώδικα. Μην εφαρμόζετε τον ίδιο αριθμό και στα δύο.
3. Προβλέψτε το χρέος ποιότητας στον προϋπολογισμό. Η ταχύτητα της ΤΝ συνοδεύεται από επίμονη αύξηση της πολυπλοκότητας. Σχεδιάστε μια φάση σταθεροποίησης και μετρήστε τη: παρακολουθήστε την κυκλωματική πολυπλοκότητα και εκτελέστε ανίχνευση αντιγραμμένου κώδικα σε κάθε έκδοση.
4. Εκτιμήστε ολόκληρη την καμπύλη, όχι μόνο την αρχή της. Ένα κέρδος ταχύτητας 10× που διπλασιάζει την πυκνότητα σφαλμάτων δεν είναι κέρδος 10×: είναι ένα χρονοδιάγραμμα που μετακινήθηκε νωρίτερα με τίμημα μια μεγαλύτερη ουρά σταθεροποίησης.

Συμπέρασμα

Ένα έργο που, σύμφωνα με κάθε μοντέλο εκτίμησης, θα έπρεπε να διαρκέσει από 7 μήνες έως 47 χρόνια έφτασε σε έκδοση alpha έτοιμη για δοκιμές σε 7 ημέρες. Ο διάμεσος πολλαπλασιαστής 4.240× δεν πρέπει να γίνει το χρονοδιάγραμμα κανενός έργου. Είναι όμως σαφές σήμα ότι η διάρκεια της ανάπτυξης σύνθετου λογισμικού συμπιέζεται ξανά από την ίδια δύναμη που συμπιέζει την προσπάθεια. Η δημοσιευμένη έρευνα δείχνει ότι η ΤΝ αποδίδει από μια ώθηση 1,26× έως μια εκτίναξη 20×, με πραγματικό κίνδυνο αρνητικών αποδόσεων σε ώριμες βάσεις κώδικα και ένα μετρήσιμο τίμημα στην ποιότητα. Τα μοντέλα που μας έλεγαν ότι αυτό το έργο θα έπρεπε να διαρκέσει δεκαετίες είναι τα ίδια μοντέλα που τρέχουν ακόμη σήμερα στα υπολογιστικά φύλλα εκτίμησης των επιχειρήσεων. Το ερώτημα δεν είναι αν η αυτόνομη ΤΝ αλλάζει τη διάρκεια των έργων: η έρευνα το έχει απαντήσει. Το ερώτημα είναι αν η πρακτική εκτίμησής σας έχει προλάβει τα δεδομένα. Αν οι αριθμοί σας προέρχονται ακόμη από ένα μοντέλο του 1981 βαθμονομημένο σε COBOL και assembly, είναι ώρα να τους βαθμονομήσετε ξανά, ή τουλάχιστον να πάψετε να πιστεύετε το ημερολόγιο που τυπώνει.

«Υπάρχουν ακόμη σημαντικά περιθώρια βελτίωσης για να αντιμετωπιστούν καλύτερα οι προκλήσεις πρόβλεψης που συναντώνται στην πράξη.»

Accuracy of Contemporary Parametric Software Estimation Models, SEAA 2013

🏆 Αξιόπιστη τεχνογνωσία μηχανικής και cloud

RIADVICE: ο αξιόπιστος συνεργάτης σας στην τεχνολογία λογισμικού

Σχεδιάζουμε, αναπτύσσουμε και θέτουμε σε λειτουργία σύνθετα συστήματα λογισμικού με την πειθαρχία μηχανικής και τα εργαλεία που χρειάζονται για να παραδίδουμε στην εποχή της ΤΝ: εντός χρόνου, εντός προϋπολογισμού και με ποιότητα.

Μάθετε περισσότερα για τις υπηρεσίες μας →

📚 Πηγές και περαιτέρω ανάγνωση

Το άρθρο βασίζεται σε έρευνες με αξιολόγηση από ομότιμους, τυχαιοποιημένες ελεγχόμενες δοκιμές και αναφορές πεδίου του κλάδου για την παραγωγικότητα στην ανάπτυξη λογισμικού με τη βοήθεια ΤΝ και για την εκτίμηση της προσπάθειας λογισμικού:

• Μελέτες παραγωγικότητας με ΤΝ (RCT και πειράματα πεδίου)
• Peng, S., Kalliamvakou, E., Cihon, P., & Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot, arXiv:2302.06590: μείωση 55,8% στον χρόνο ολοκλήρωσης της εργασίας
• Cui, R., et al. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers: Microsoft Research, n=4.867, +26,08% ολοκληρωμένες εργασίες
• Dam, S., et al. (2024). How much does AI impact development speed? An enterprise-based randomized controlled trial, arXiv:2410.12944: RCT της Google, n=96, μείωση περίπου 21% στον χρόνο ανά εργασία
• Becker, B., et al. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity: Metr.org, RCT, n=16, 246 εργασίες· η ΤΝ αύξησε τον χρόνο ολοκλήρωσης κατά 19%
• He, H., Miller, C., Agarwal, S., Kästner, C., & Vasilescu, B. (2026). Speed at the Cost of Quality: How Cursor AI Increases Short-Term Velocity and Long-Term Complexity in Open-Source Projects, arXiv:2511.04427: μελέτη διαφοράς στις διαφορές (DiD) σε 807 αποθετήρια GitHub· MSR ’26
• Evolver Business Solutions (2026). For a few tokens more: The productivity effect of AI tools on software development tasks: αναπαραγωγή με εύρημα +13% (μη στατιστικά σημαντικό)
• Αναφορές του κλάδου για την αυτόνομη ΤΝ
• Cognition AI (2025). Devin’s 2025 Performance Review: Learnings From 18 Months of Agents At Work: 10× σε μεταφορές ETL, 14× σε μεταβάσεις Java, 20× σε διορθώσεις ασφαλείας
• Nubank / Cognition. How Nubank refactors millions of lines of code to improve engineering efficiency with Devin: 12× σε ώρες μηχανικής, 20× εξοικονόμηση κόστους σε αναδιάρθρωση πολλών εκατομμυρίων γραμμών
• BIS / Ant Group (2024). Πείραμα πεδίου· +55% παραγωγή κώδικα, κυρίως στο λιγότερο έμπειρο προσωπικό
• Εκτίμηση προσπάθειας λογισμικού: θεμέλια και ακρίβεια
• Boehm, B. W. (1981). Software Engineering Economics. Prentice Hall: το αρχικό COCOMO
• Boehm, B. W., Abts, C., & Chulani, S. (2000). Software Cost Estimation with COCOMO II. Prentice Hall: βαθμονομημένο σε 161 έργα
• SEAA 2013. Accuracy of Contemporary Parametric Software Estimation Models: COCOMO II, SEER-SEM, SLIM, TruePlanning σε 51 έργα· MMRE 50 έως 100%
• Kemerer, C. F. (1993). An empirical validation of software cost estimation models, Communications of the ACM
• Nguyen, V., et al. (2019). Determining relevant training data for effort estimation using window-based COCOMO calibration: βαθμονόμηση με βάση παράθυρα σε 341 + 93 έργα
• Ahmad, M., & Wani, M. A. (2023). Evaluation of COCOMO Model Accuracy in Software Effort Estimation: MMRE περίπου 1,0, PRED(0.25) = 0.0
• Putnam, L. H. (1978). A general empirical solution to the macro software sizing and estimation problem. IEEE TSE: το μοντέλο Putnam/SLIM

⚡ Η RIADVICE.com προσφέρει αξιόπιστη μηχανική, τεχνογνωσία cloud και λύσεις λογισμικού επιχειρησιακού επιπέδου: εντός χρόνου, εντός προϋπολογισμού και με ποιότητα.