El código generado por IA en GitHub se ha multiplicado por diez en un año

Un hilo publicado esta semana en Hacker News recoge una afirmación concreta y llamativa: el volumen de código generado o asistido por IA que llega a repositorios de GitHub es hoy diez veces mayor que en el mismo período de 2025. La fuente que alimenta el hilo es un artículo del blog de LoopIQ sobre automatización de compliance, que usa ese dato como contexto para argumentar por qué los flujos de revisión manual de código han quedado desbordados.

El punto de partida es interesante precisamente porque no viene de un informe de analistas ni de una nota de prensa de GitHub, sino de una empresa pequeña que trabaja en auditoría automatizada y que ha tenido que lidiar directamente con ese incremento de volumen en los proyectos de sus clientes. Eso le da un ángulo más pegado al terreno que las cifras agregadas que suelen publicar las grandes plataformas.

Por qué el volumen importa más que el porcentaje

Cuando se habla de «código IA» la métrica habitual es el porcentaje de líneas sugeridas por copilotos que los desarrolladores aceptan. GitHub Copilot lleva meses publicando ese número. Pero el dato que circula aquí es diferente: no habla de aceptación de sugerencias inline, sino de código que directamente llega a los repositorios —commits, pull requests, patches— con una autoría parcial o total asistida por modelos.

Esa distinción es relevante. Un desarrollador puede rechazar el 70 % de las sugerencias de su copiloto y aun así estar subiendo tres veces más código por semana del que subía antes, simplemente porque trabaja más rápido. El volumen bruto que entra en los repositorios es el número que estresan los sistemas de CI/CD, las herramientas de análisis estático, los procesos de revisión de código y, como señala LoopIQ, los controles de compliance.

Qué herramientas están detrás del salto

No hay una sola causa. En los últimos doce meses han convergido varios factores. Claude Code, la CLI oficial de Anthropic, incorporó soporte estable para subagentes y hooks, lo que ha permitido a equipos de ingeniería construir pipelines donde el modelo no solo sugiere código sino que abre pull requests, ejecuta tests y corrige errores de forma autónoma dentro de flujos supervisados. Herramientas similares del ecosistema de otros modelos han seguido una trayectoria parecida.

Al mismo tiempo, la ventana de contexto de un millón de tokens que ofrece Claude Opus 4.7 ha cambiado el tipo de tarea que se delega a los modelos: ya no son funciones aisladas, sino módulos completos con su documentación, sus tests y sus migraciones de base de datos. El resultado es que cada sesión de trabajo con IA produce más artefactos que antes, y todos esos artefactos acaban en el repositorio.

Quién nota el problema primero

Los equipos de desarrollo lo perciben como un problema de coordinación: más código en menos tiempo significa más conflictos de merge, más ruido en las revisiones y más presión sobre quien tiene que aprobar los cambios. Pero el artículo de LoopIQ pone el foco en un perfil diferente: los equipos de seguridad y cumplimiento normativo que tienen que auditar ese código antes de que llegue a producción.

En entornos regulados —banca, salud, infraestructuras críticas— cada línea de código puede necesitar trazabilidad, justificación de cambio y validación formal. Si el volumen se multiplica por diez pero los recursos humanos de auditoría no crecen al mismo ritmo, el cuello de botella no está en escribir el código sino en certificarlo. Eso abre espacio para herramientas de automatización de compliance como la que ofrece LoopIQ, lo que explica el ángulo comercial del artículo, aunque el dato en sí sea independiente de ese argumento.

Una cifra sin metodología publicada

Conviene ser precisos: el dato «10x» aparece citado en el artículo sin que se detalle la metodología concreta ni la muestra sobre la que se calcula. El hilo de Hacker News tiene apenas dos puntos y ningún comentario en el momento de escribir estas líneas, lo que indica que no ha generado debate ni escrutinio adicional todavía. No es un número auditado por un tercero.

Eso no lo invalida —las empresas que trabajan directamente con repositorios de clientes tienen acceso a datos que no son públicos—, pero sí obliga a tomarlo como señal de tendencia más que como estadística oficial.

---

Desde EP, el dato encaja con lo que observamos en los proyectos de integración que acompañamos: el volumen de código que pasa por manos de modelos ha crecido de forma sostenida, y los procesos de revisión humana están tardando en adaptarse. Que la presión llegue primero por el lado del compliance, antes que por el de la calidad técnica, es quizá el ángulo menos discutido de toda esta aceleración.