Agentic Much? Adoption of Coding Agents on GitHub
Agentic Much? Adoption of Coding Agents on GitHub оценивает распространение кодирующих агентов по конфигурационным файлам, коммитам, веткам и меткам pull request. Авторы обнаруживают следы в 22,20–28,66% отобранных активных репозиториев, но эта оценка относится к специальной выборке и зависит от частично наблюдаемых сигналов.
Методология и данные
1 блокМногоэвристическая перепись по файлам, .gitignore, авторству коммитов, веткам и меткам pull request с ручной проверкой случайных выборок. Диапазон внедрения строится из наблюдаемых сигналов и экстраполяции скрытой commit-активности.
Ключевые результаты
4 блока128 018 зрелых активных проектов
Ключевой вывод
Выборка включает не-форки минимум с 10 звёздами, 5 000 строками, 100 коммитами и недавней активностью, а не весь GitHub.
Оценка внедрения 22,20–28,66%
Ключевой вывод
Нижняя граница суммирует файловые и commit-сигналы, верхняя экстраполирует невидимую активность; обе зависят от наблюдаемости.
Несколько сигналов обязательны
Ключевой вывод
Конфигурации, подписи, ветки и метки видят разные рабочие процессы; явные ложные срабатывания после проверки были редки, но полнота неизвестна.
Большой коммит не равен пользе
Ключевой вывод
Медианный видимый ИИ-коммит добавлял примерно втрое больше строк, однако состав задач и смешанное авторство не позволяют выводить продуктивность или качество.
Подробности из отчетаПоказатьСкрыть
Agentic Much? Adoption of Coding Agents on GitHub оценивает распространение кодирующих агентов по конфигурационным файлам, коммитам, веткам и меткам pull request. Авторы обнаруживают следы в 22,20–28,66% отобранных активных репозиториев, но эта оценка относится к специальной выборке и зависит от частично наблюдаемых сигналов.
Выборка и период
Исследование охватывает события с 1 января 2025 года по 21 февраля 2026 года. Из исходного набора публичных GitHub-проектов минимум с 10 звёздами авторы оставили не-форки как минимум с 5 000 строк кода, 100 коммитами и активностью за последние три месяца. После технических исключений и удаления dotfiles-репозиториев выборка составила 128 018 проектов.
Это не случайная выборка всего GitHub. Она сознательно смещена к зрелым и активным открытым проектам и не охватывает частные корпоративные репозитории.
Четыре типа наблюдаемых следов
Агенты определялись по конфигурационным файлам, авторству и соавторству коммитов, шаблонам имён веток и меткам pull request. Дополнительно авторы искали упоминания файлов в .gitignore, чтобы увидеть проекты, где конфигурация не попадает в репозиторий.
Эвристики проверили на случайных выборках примерно по 400 файлов, коммитов и pull request с независимой разметкой двух авторов. После согласования доля явных ложных срабатываний была около 0,5–1%, ещё примерно 3% случаев остались пограничными. Высокая точность видимого сигнала не означает высокой полноты: пользователь может отключить подпись или вручную закоммитить результат агента.
Диапазон оценки внедрения
Файловые сигналы обнаружены в 12,08% проектов. Ещё 11,51% проектов без файловых следов имели видимые агентные коммиты. Простая сумма даёт консервативную оценку 22,20%, а экстраполяция скрытой commit-активности — верхнюю оценку 28,66%.
Нижняя граница может пропускать инструменты и отключённые метаданные. Верхняя зависит от экстраполяции, а конфигурационный файл может сохраниться после эксперимента, даже если агент больше не используется. Поэтому диапазон — модель наблюдаемости в этой выборке, а не точная доля всех разработчиков или репозиториев.
Как выглядят видимые коммиты
ИИ-ассистированные коммиты в среднем затрагивали больше строк и файлов: медиана добавленных строк была примерно втрое выше человеческой, а очень крупные изменения встречались примерно вдвое чаще. В случайной выборке из 790 коммитов Claude Code на функции пришлось 35,7%, на исправления — 29,9%.
Размер не равен продуктивности или качеству. Состав задач, возраст проекта и способ маркировки различаются; squash merge может приписать агенту смешанный вклад, а незаметные агентные изменения попадают в человеческую группу. Работа описывает adoption и артефакты, но не устанавливает причинный эффект агентов.
Практический вывод
Кодирующие агенты уже оставляли следы в широком спектре зрелости, языков и тематик проектов. Главный методологический вывод важнее точного процента: измерение по одному виду метаданных систематически неполно, а исследования эффекта должны отдельно учитывать видимость, интенсивность и реальное участие человека.