Early Adoption of Agentic Coding Tools by GitHub Projects
Este estudio analiza más de 25,000 pull requests generados por agentes a través de 2,300 repositorios de GitHub para revelar que, si bien la adopción intensiva de herramientas de codificación agénticas permanece concentrada en un pequeño subconjunto de proyectos, la integración exitosa depende fuertemente de modelos de supervisión de un solo humano y varía significativamente según el tamaño del proyecto y la productividad.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Imagina el mundo del desarrollo de software como un enorme y bullicioso sitio de construcción donde millones de personas están construyendo rascacielos digitales, línea de código tras línea de código. Durante años, los trabajadores de este sitio han utilizado "asistentes inteligentes": herramientas que sugieren el siguiente ladrillo o ayudan a reparar una pared tambaleante. Pero recientemente, ha llegado un nuevo tipo de trabajador: la herramienta "agéntica". Piensa en estos no como asistentes que solo susurran sugerencias, sino como pasantes semiautónomos. Estos pasantes digitales pueden mirar un plano, construir una habitación nueva, probarla para asegurarse de que las luces funcionen e incluso llamar a la puerta del gerente de proyecto para preguntar: "¿Podemos incluir esto?". Este cambio es emocionante porque promete acelerar la forma en que construimos software, pero también plantea una gran pregunta: ¿Cómo trabajan realmente los equipos humanos con estos nuevos pasantes digitales? ¿Les confían las llaves de todo el edificio o mantienen una correa corta? Esta es la historia de cómo los proyectos de código abierto están tratando de descubrir las reglas de esta nueva asociación humano-agente.
El artículo "Early Adoption of Agentic Coding Tools by GitHub Projects" actúa como una historia de detectives, investigando cómo miles de proyectos de software están manejando a estos nuevos pasantes digitales. Los investigadores analizaron una enorme pila de datos: 25,264 "pull requests" (que son básicamente solicitudes formales para añadir nuevo código) de 2,361 proyectos diferentes en GitHub. Se centraron en una ventana específica de tres meses (mayo, junio y julio de 2025) y rastrearon tres agentes de codificación de IA populares: Copilot, Codex y Claude Code. Su objetivo era responder tres preguntas principales: ¿Cuántos proyectos están utilizando realmente estas herramientas? ¿Qué tan productivos son estos proyectos cuando las usan? Y, lo más importante, ¿cómo trabajan juntos los humanos y los agentes?
Aquí está lo que reveló la investigación, y es un poco más matizado de lo que podrías esperar.
Primero, los investigadores descubrieron que, si bien estas herramientas se están utilizando en miles de lugares, el "trabajo pesado" está ocurriendo en un rincón muy pequeño del sitio de construcción. Si eligieras un proyecto al azar, la mediana (el punto medio) solo generó uno o dos pedidos realizados por agentes durante esos tres meses. Es como descubrir que, aunque existe un nuevo tipo de herramienta eléctrica, la mayoría de las cuadrillas de construcción solo la usan una o dos veces al mes. El estudio sugiere que la "adopción intensiva" todavía está concentrada en un subconjunto relativamente pequeño de proyectos. Sin embargo, hay un giro: el tamaño del equipo importa mucho. Los proyectos pequeños (con 1 a 5 colaboradores) fueron mucho más entusiastas al lanzarse. Tenían un mayor porcentaje de miembros de su equipo usando las herramientas y, en promedio, generaron mucha más actividad de agentes que los proyectos masivos de tamaño corporativo. De hecho, los proyectos pequeños promediaron unos 50 pedidos de agentes por repositorio, mientras que los proyectos medianos y grandes promediaron solo de 5 a 7. Parece que las cuadrillas más pequeñas están más dispuestas a dejar que los pasantes digitales corran libres, mientras que los grandes equipos siguen siendo muy cautelosos.
Segundo, el equipo analizó la productividad, preguntando: "¿Cuánto código se está construyendo realmente por persona?". Compararon sus hallazgos con un referente de la industria que sugiere que un desarrollador humano podría manejar alrededor de 36 solicitudes en tres meses. Los resultados mostraron que la mayoría de los proyectos quedaron por debajo de esta línea. Solo una pequeña fracción —apenas 25 de los 2,361 proyectos (aproximadamente el 1%)— logró superar esa marca de 36 solicitudes. Esto sugiere que, aunque las herramientas son capaces, la mayoría de los equipos aún no están generando un volumen masivo de trabajo de agentes. Los pocos proyectos que sí superaron la línea eran principalmente los pequeños, lo que indica que la alta productividad con estas herramientas puede depender de condiciones específicas del proyecto que aún no comprendemos del todo.
Finalmente, el estudio observó la "danza" entre humanos y agentes. ¿Quién está realmente al mando? La respuesta es abrumadoramente una sola persona. En casi el 79% de los casos, un único desarrollador humano fue quien revisó el trabajo del agente y también quien lo integró al proyecto. Es un modelo de "supervisión individual". Imagina a un profesor calificando la tarea de un estudiante y luego poniéndola inmediatamente en el registro de calificaciones sin pedir una segunda opinión a un colega. Aunque los proyectos más grandes mostraron un poco más de trabajo en equipo (con varias personas revisando), la gran mayoría de las veces, la colaboración humano-agente es una relación de uno a uno. El artículo sugiere que, incluso con estos agentes tan potentes, el papel humano de revisar y aprobar sigue siendo central y no ha sido reemplazado por una red de seguridad basada en el equipo.
En resumen, este artículo pinta la imagen de un experimento temprano. Los pasantes digitales están aquí y están trabajando duro en algunos equipos pequeños y ágiles, pero para la mayoría de los proyectos, apenas están empezando a probar el agua. El estudio sugiere que, para que estas herramientas transformen verdaderamente el desarrollo de software, no se trata solo de hacer a los agentes más inteligentes; se trata de cómo los equipos humanos se organizan para confiar, revisar y gestionar el trabajo que estos agentes producen. El futuro de esta asociación depende de encontrar el equilibrio adecuado entre dejar que los agentes corran y mantener una mano humana firmemente sobre el volante.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.