What Claude Stats Tell Us About AI Coding Tools

Si alguna vez te has preguntado cuál es la escala del desarrollo asistido por agentes, o te has preguntado qué tipos de problemas está ayudando a resolver Claude a los ingenieros, entonces tengo buenas noticias. Voy a responder un par de estas preguntas para ti. ¿Quién soy yo? Mi nombre es Joran Olberts. Soy el jefe de ingeniería de IA en Advanced.io, una empresa en Sudáfrica. Somos parte de un grupo más grande llamado Group Elephant. Tengo alrededor de una década de experiencia en ingeniería de software, y los últimos años me he centrado principalmente en la ingeniería de IA y el desarrollo de agentes.

Hace un par de meses, como proyecto paralelo, construí un sitio web llamado Claude's Code, y Claude's Code es un panel que muestra una serie de métricas que sigo de GitHub público. Así que cómo comenzó fue que empecé a ver el logo de Claude en la lista de contribuyentes de un gran número de repositorios que visito. Esto despertó mi interés, así que pensé que vería si hay una manera de averiguar cuántos repos tienen a Claude como contribuyente. Inicialmente, lo que hice fue mirar si había commits realizados por el bot de Claude.

Ahora, en este caso, el bot de Claude sería principalmente personas usando la Acción de GitHub para realizar algún tipo de cambio de código en su repositorio. Esto significa típicamente revisiones de código, pequeñas correcciones de errores en PRs para que puedas integrar la acción en GitHub. Solo encontré 8,000 commits, lo cual pensé que era demasiado bajo, pero eso fue principalmente porque solo estaba mirando los commits del bot. Ahora, después de eso, pensé, bueno, expandiré mi espacio de búsqueda. Así que he expandido mi espacio de búsqueda para mirar los mensajes de commit que fueron firmados por Claude.

Lo que eso significa es que al final del mensaje de commit, típicamente, si se utilizó Claude code para crear el commit, habrá una firma diciendo que Claude es coautor. Esto arrojó muchos, muchos más resultados. Así que después de definir el pipeline, ahora tengo un pipeline que se ejecuta continuamente y que lee esos mensajes de commit, y luego tengo un par de estadísticas interesantes en mi panel que muestro. Hoy, quiero hablar un poco sobre las estadísticas que encontré allí, pero voy a hablar sobre por qué creo que ver la codificación agentic como una fase o una moda, o como un contribuyente no serio al mundo de la ingeniería de software, es un error.

Así que brevemente, tal vez una historia interesante sobre el panel. Cuando lo lancé originalmente, lo publiqué en Hacker News. Estaba en show HN. No tuvo mucho éxito. No obtuve tracción. A nadie le pareció demasiado interesante, lo cual está bien. Eso sucede, creo, frecuentemente con estos proyectos. Un par de días después de publicarlo, sin embargo, alguien más publicó haciendo referencia a mi panel, y esto despegó. En un par de horas, estaba en la página principal de Hacker News, y de repente tenía miles de visitantes. Si alguien tiene experiencia en salir en vivo, estoy seguro de que saben que las cosas no suelen salir como se planean.

Así que esa noche, no dormí mucho, pero el pequeño servidor que tengo funcionando, el pequeño servidor patata, sobrevivió. Y en el transcurso de un par de días, recibí alrededor de 20,000 visitantes. Y más interesante aún, algo de atención de, creo, algunos, digamos, gigantes en el espacio. Por ejemplo, Boris Churney me compró un café. Así que gracias, Boris, si alguna vez ves esto. Lo cual ayudó a mantener el servidor vivo un poco más. Entonces, ¿qué vi inicialmente? Creo que lo más importante, y la pregunta que quería responder inicialmente era, ¿cuál es el alcance o la escala de los despliegues o desarrollos de Cloud Code?

Ahora, en los últimos meses, hemos encontrado una cantidad enorme de commits. Cloud Code fue lanzado al público en febrero de 2025. Y eso significa que estamos 14 meses más o menos después en esta etapa, 15 meses después. En ese lapso de tiempo, he recogido 45, un poco más de 45 millones de commits firmados por Cloud. Podría haber más. Por supuesto, espero que haya más, algunos que no recogí, pero esto ya es una escala enorme.

Además de eso, hay alrededor de 2.4 millones de repositorios únicos. Así que esto está bastante extendido. No necesariamente estamos viendo un lote muy pequeño de repositorios generando una cantidad enorme de código, aunque hay algunas excepciones a esa regla. Así que definitivamente lo primero que puedes ver es que hay un volumen enorme de código generado por Cloud Code. Específicamente, estamos viendo alrededor de 50 mil millones de líneas de código que han sido contribuidas a GitHub público. Y ese es el código neto. Así que tenemos más, son 85 mil millones más o menos, pero ha habido varias eliminaciones, así que una especie de refactorización, puedes imaginar.

Pero a pesar de eso, estamos viendo 50 mil millones de líneas de código que han sido contribuidas. También podemos ver algo interesante en la distribución de lenguajes. Ahora, verás que hay un gran número de lenguajes desconocidos. Así que eso significa que en ese repositorio, el lenguaje no ha sido enviado o no pudo ser detectado fácilmente. Volveré a eso. Pero lo que quiero mencionar es la popularidad de TypeScript y Python. Ahora, creo que cualquiera que trabaje en el espacio de la IA no se sorprenderá por esto. Específicamente, Python es un lenguaje bastante popular, digamos, enfocado en IA en estos días. Está impulsado en gran medida por el desarrollo de aprendizaje automático y ciencia de datos.

Está impulsado en gran medida por el desarrollo de aprendizaje automático y ciencia de datos. Pero también, creo que más recientemente, con la popularidad del vibe coding en aumento, muchos proyectos personales han surgido usando Python porque es bastante fácil comenzar. Y parece que los agentes son muy buenos programándolo. Creo que es una historia similar para TypeScript. Pero con TypeScript, tenemos otros impulsores, creo, contribuyendo aquí. Muchas personas están desarrollando aplicaciones web, o alguna versión de aplicaciones multiplataforma. Y también creo que el aumento en popularidad de cosas como Next.js y React han contribuido a esto.

Así que no es demasiado sorprendente ver a TypeScript y Python clasificados altamente. Lo que encontré interesante es que vemos lenguajes como Rust, Dart y Zig también clasificados relativamente alto. Ahora, lo que creo que está sucediendo allí, y estos todavía son mucho más pequeños que el resto, pero lo que creo que está sucediendo allí es que los agentes están haciendo mucho más fácil programar en lenguajes que tradicionalmente podrían haber sido considerados ligeramente más técnicamente difíciles. Así que lo que eso permite a los desarrolladores hacer, digamos alguien como yo, donde podría estar interesado en desarrollar una aplicación usando Rust, o ya he desarrollado una aplicación, y me gustaría mejorar el rendimiento.

En el pasado, habría sido una tarea monumental reescribir esa base de código. Pero ahora lo que puedo hacer es usar un agente como Cloud Code. Y luego puedo hacer que eso pase por la reescritura conmigo. En algunos casos, podría simplemente hacer la reescritura directamente. Y creo que es por eso que estamos viendo un aumento en lenguajes como Rust y Zig, reescrituras de bibliotecas, pero también solo proyectos personales que habrían sido escritos en otros lenguajes como Python, que son un poco más fáciles de entender o asimilar, ahora están siendo escritos en lenguajes más difíciles como Rust o Zig.

Inicialmente, el panel de control recibió mucha atención porque alguien mencionó que más del 90% de los commits son para repos con menos de dos estrellas. Entonces, ¿por qué importa cuántas estrellas tiene el repo? Muchas personas dirán que no necesariamente significa que sea un buen o mal repo. Estoy de acuerdo con eso. Pero si tienes más de dos estrellas, al menos significa que otra persona ha encontrado algún tipo de valor en el repo. Si hay una o menos estrellas, podría ser que te hayas auto-estrellado el repo, o que sea solo un proyecto personal. Así que esto ayuda un poco a eliminar algo de ese ruido de proyecto personal o proyecto de demostración o proyecto de prueba, digamos, de las estadísticas.

Ahora, esto, nuevamente, no es inesperado. Tiene sentido que la mayoría de los proyectos de Cloud Code sean proyectos personales o un nuevo proyecto, es una tecnología relativamente nueva. Y creo que notarás que las estadísticas originales eran que más del 90% tenían menos de dos estrellas. Y eso, parece estar disminuyendo. Así que estos proyectos, en algunos casos, están realmente ganando usuarios y ganando estrellas, lo cual creo que es un fenómeno interesante. Solo en números, eso significa que solo alrededor de ocho millones de los aproximadamente 45 millones de commits están en estrellas y repos que tienen algunas estrellas.

Lo otro interesante es el crecimiento. Algo de esto simplemente tiene sentido. Así que nuevamente, el lanzamiento, el primer, creo, beta fue en febrero. Así que ves un pequeño aumento en los commits allí, y luego el lanzamiento público, creo, fue en mayo, abierto al público, y luego ves un aumento aquí. Ahora, estas líneas verticales que ves, son lanzamientos de productos por Anthropic. Algunos de ellos son modelos. Y luego, por supuesto, en este caso aquí, tenemos el propio lanzamiento de Cloud Code allí. Así que a veces corresponden a aumentos. Lo que creo que es revelador aquí es que comenzamos a ver casi una meseta. Y luego, justo después de la temporada navideña, hay un crecimiento exponencial en el uso.

Y si miras esta descomposición con una granularidad diaria, puedes ver realmente ese aumento directamente después de Navidad. Solo puedo especular por qué sucedió eso, pero mi sensación es que las herramientas maduraron y los modelos maduraron. Y también, en ese momento, la gente tenía un poco de tiempo libre. Así que pudieron jugar con quizás agentes que no habían probado antes y descubrieron que eran bastante capaces. Así que después de diciembre, vemos este crecimiento exponencial en el número de commits por día.

Actualmente, parece haber comenzado a estabilizarse. Así que no estamos viendo tanto crecimiento. El tiempo de duplicación inicialmente en ese período exponencial era cuestión de días. Veías el número de commits duplicarse en días o semanas. Ahora, estamos viendo un tiempo de duplicación de alrededor de cuatro meses. Aún impresionante. Si tomas en cuenta eso, significaría que tenemos más de 19 millones de commits entonces. Así que el ritmo actual es de alrededor de 400,000 commits y nuevos commits a GitHub público por día firmados por Cloud Code.

Así que quería acercarme un poco a esos datos. Y para hacer eso, seleccioné lo que considero decir los 100 repos más populares y luego elegí un marco de tiempo que incluye parte de este tiempo en el que tuvimos un pico y parte del tiempo anterior a eso. Así que de agosto a marzo. Los repos fueron seleccionados principalmente en base al conteo de estrellas nuevamente. Pero creo que estarás de acuerdo, si miras los cinco primeros aquí, que estos son repositorios populares y ampliamente conocidos. Luego los dividí en proyectos enfocados en AI y proyectos no enfocados en AI. Ahora, sé que los proyectos no AI tienen componentes de AI en algunos casos, pero creo que se espera que los proyectos de AI hagan uso del desarrollo agentic.

Así que algunas de las señales o información interesante, creo, tal vez se destacan mejor en proyectos que no están específicamente enfocados en AI, haciendo uso de la codificación agentic. Algunos de esos saltan inmediatamente a la vista, ¿verdad? Dano, Home Assistant, Bunn, realmente todos los no-AI son bastante populares. Y luego en el lado de AI, verás términos familiares, incluso si no conoces el proyecto, ¿verdad? MCP siendo bastante grande allí. Así que intenté ver cómo están usando estos proyectos. Cómo hice esto fue que tomé mi muestra de 2,500 commits de esos repos, luego los descompuse en cambios más atómicos. Si había múltiples cambios, entonces ejecuté una especie de etiquetado abierto para resumir cuáles eran los cambios, en qué categorías caen. Y luego ejecuté un algoritmo de agrupamiento para ver qué grupos emergen.

Así que aquí tenemos los seis grupos más grandes que surgieron, y estos tienen sentido. Correcciones de errores, cambios de características, documentación, refactorización, pruebas, y luego cambios de UI o visuales. Un par de cosas aquí me parecen interesantes. En primer lugar, hay un poco de contraste entre los repos de AI y no-AI. Vemos que los repositorios de AI están contribuyendo con más características en lugar de que los repos no-AI se enfoquen principalmente en correcciones de errores. Creo que eso tiene sentido. Por un lado, se espera que los repositorios de AI sean más nuevos, por lo que pueden estar generando más características, pero estos son típicamente repos bastante maduros. Así que no es que todavía estén implementando el sistema, ¿verdad? Tienen que haber alcanzado algún tipo de estabilidad para ser tan populares como son. Y luego se espera que los repos no-AI estén implementando principalmente correcciones de errores, pero interesante de todos modos.

Luego, la otra cosa que creo que es interesante es que estamos viendo cambios de UI y visuales todavía siendo una gran parte de esto, pero la menor de las seis más populares. Y esto tiene sentido para mí. Creo que en el espacio de UI y UX, estamos viendo que los diseñadores y desarrolladores todavía están más involucrados en ese espacio, pero esto parece estar cambiando con modelos multimodales más modernos. Aparte de eso, el resto de ellos rastrean documentación, refactorización y pruebas. Esas son cosas que quisiéramos que AI hiciera porque no siempre son las más divertidas. Recogí un par de contrastes más interesantes, digamos, entre los de AI y no-AI. Por un lado, los repos de AI parecen tener commits de Cloud Code más frecuentemente.

Así que en una ventana de 11.8 horas, cada 11.8 horas, típicamente ves un commit de Cloud Code en uno de estos repositorios. Eso es más largo en los repositorios no-AI, 16.5 horas. Nuevamente, solo puedo especular sobre por qué es así, pero creo que los repositorios orientados a AI, los repositorios de AI están usando la codificación agentic de una manera ligeramente más autónoma, tal vez menos involucrados en el proceso, podrían estar confiando, por así decirlo, un poco más en la AI. También estás viendo que los repositorios de AI tienen, debido a eso, más commits. Y estás viendo que el tamaño de los cambios en los repositorios de AI es típicamente un poco más pequeño. Así que parece que están haciendo commits de manera más atómica. No es una brecha extremadamente grande, 40 a 39 líneas en comparación con las 64 líneas en los repositorios no-AI.

Así que la cadencia realmente es lo que notarías aquí, que en los repositorios de AI, estamos viendo commits más frecuentes y pequeños por parte de los agentes en comparación con los repositorios no-AI. En ambos casos, recogemos algunos cambios muy grandes de vez en cuando. Para ver qué podrían ser esos, elegí dos repositorios y volví a hacer un acercamiento, observando específicamente lo que han hecho usando Cloud Code en su repositorio. Así que primero, Apache Superset, que es una plataforma BI, una plataforma de análisis de negocios. Y Superset no es abiertamente un producto agentic ni nada por el estilo. Así que fue categorizado en los repositorios no-AI, en mi caso.

Y lo que vemos en Superset es desde octubre, que es realmente cuando comenzamos a ver el primer aumento en los commits de Cloud Code de ellos, hasta marzo, 246 commits por el agente, así que firmados por el agente. Así que no es un número extremadamente grande de commits, pero sí vemos un número bastante grande de líneas, ¿verdad? Así que han añadido alrededor de 164,000 líneas usando Cloud Code a su repositorio, lo cual creo que es bastante significativo. Eso es bastante trabajo. Para entender qué estaba causando eso, miré los, digamos, cambios de gran impacto. Extraje algunos de los commits más grandes y vemos algunas cosas esperadas aquí. El primero allí, trabajo de tipo i18n que puede ser muy tedioso, tiene sentido que descargues eso a un agente. Y un par de otras cosas, documentación y luego algunos datos de ejemplo que estaban modernizando.

Pero lo que creo que destaca aquí es que también usaron Cloud Code para hacer, y cito, mejoras comprensivas de calidad en TypeScript. Estos son cambios en el front end y están delegando al agente para mejorar la calidad del código escrito por humanos, lo cual creo que es significativo, ¿verdad? Significa que SuperSig definitivamente está poniendo bastante responsabilidad en manos del agente. El segundo caso de uso que encontré interesante, y este no es un repositorio en el top 100, de hecho, pero lo noté yo mismo en el tablero, es Clickhouse. Entonces, Clickhouse es una base de datos usualmente utilizada para análisis de datos o ciencia de datos. Y Clickhouse es extremadamente popular. Ha ganado bastante popularidad ahora también. Y han estado haciendo un uso extensivo, pero están haciendo un uso extensivo de Cloud Code. Entonces, en el caso de Clickhouse, estamos viendo un tipo diferente de uso, creo, muchos más commits. Tienen, ya sabes, 10 veces los commits que recogí en el lado de SuperSig durante el mismo período de tiempo. No muchas adiciones de características, en sus casos, se inclina en gran medida hacia pruebas CI e infraestructura. Y creo que este es un buen ejemplo de un tipo diferente de uso de Cloud Code, donde el agente está asumiendo tu tipo de trabajo de tareas y asegurándose de que los ingenieros estén dedicando su tiempo a lo que consideraría el trabajo más interesante y más emocionante, que es el desarrollo de características y tal vez algunas correcciones de errores. Así que, eso no significa que el agente no esté haciendo correcciones de errores para ellos, pero la mayor parte de esto es una especie de optimización e integración continua e infraestructura. Específicamente, un par de commits que seleccioné allí. Creo que la mayoría de esto no es lo más interesante. Así que tenemos ese tipo de prueba e infraestructura en fallos conocidos. Pero luego lo que vemos aquí es que también están escribiendo Cloud Skills en su repositorio. Ahora, esto es esperado en algunos casos, pero estamos viendo más y más de esto, donde los repositorios, proyectos existentes ahora tienen directorios de Cloud Skill en sus repositorios. Así que, en este caso, tenemos Cloud Writing Skills para sí mismo para ayudar con el perfilado de consultas y flujos de trabajo de PR, lo cual encontré realmente interesante. Muy bien. Así que creo que hay mucha información para ganar allí. Y todavía estoy aprendiendo mucho de lo que he extraído y estaré aprendiendo por un tiempo, creo. Algo que he estado recogiendo recientemente es que tenemos un aumento en los repositorios que explícitamente son Cloud Skill o Cloud Adjacent, repositorios tipo Cloud Tool. Específicamente, hay alrededor de 45,000, 44,000 repositorios que mencionan Cloud Skills o Cloud Tools en su nombre o en sus descripciones. Así que estos son repositorios, no commits, lo cual es un número bastante grande de ellos que existen solo para ser repositorios de Cloud Skill. Y eso está creciendo. Ese número está creciendo. Si miramos más ampliamente para ver repositorios que mencionan Cloud, en general, mencionamos Cloud Tools, MCPs, o Skills. Nuevamente, específicamente enfocados alrededor de Cloud, estamos viendo alrededor de 170,000 de estos repositorios. Así que eso es el 6.6% de todos los repositorios de Cloud o repositorios que tienen commits de Cloud que he leído, lo cual creo que es un número significativo, existen puramente para atender a Cloud. Y nuevamente, ese es un número creciente.

Todos estos parecen estar bastante activos. No son en su mayoría proyectos obsoletos, el 99.9% de ellos tienen actividad reciente. Así que, definitivamente, esta es una tendencia en crecimiento actualmente.

Todo esto para decir, creo que he respondido la pregunta que tenía, ¿verdad? ¿Está AI haciendo un trabajo real en proyectos reales a una escala significativa, una escala notable, y está sucediendo con frecuencia? ¿Es esto ahora algo del día a día? Creo que la respuesta a la pregunta es un rotundo sí. Definitivamente, al menos desde la perspectiva de Cloud Code y en GitHub público, Cloud está contribuyendo una cantidad significativa de código a bases de código que están viendo uso diario, proyectos significativos, importantes, repos que no son necesariamente repos de AI, que no son necesariamente de moda, solo infraestructura central real, software crítico está viendo una contribución muy real, aparentemente valiosa por parte de Cloud Code y definitivamente por otras herramientas de codificación agenticas.

Así que, espero haber respondido algunas de las preguntas que puedan haber tenido. Y ha sido un placer llevarlos a través de mi descenso a la locura. Si alguien tiene alguna otra pregunta, solo queremos enviar un saludo, algo interesante, no duden en comunicarse. Muchas gracias, Elon, por tu enorme investigación y por presentarnos todos los resultados y perspectivas. Mientras esperamos más preguntas de nuestros asistentes virtuales, tengo un par para ti.

Entonces, esto fue sobre Cloud Code, que claramente se marcó a sí mismo como un contribuyente modelo. ¿Hay otros modelos o tal vez agentes de codificación que se autoidentifiquen de la misma manera que lo hace Cloud? Sí, es una buena pregunta. Primero, gracias a todos los que sintonizaron. Sí, Maxim, de hecho he encontrado un par de otros agentes que se autoidentifican. Estos laboratorios Frontier están motivados para que los agentes se identifiquen porque les gustaría evitar entrenar en código generado por AI en muchos casos. Específicamente, de manera interesante, estoy viendo que más y más modelos de Mistral se identifican, lo cual no esperaba exactamente. Pero de vez en cuando, hago una pequeña búsqueda manual para verificar si hay algo más a lo que debería prestar atención. La razón por la que elegí Cloud Code es porque creo que fue el primero muy popular que fue completamente agentico.

Inicialmente tuvimos Cursor, pero eso era codificación asistida por AI. Pero Cloud fue el primero que realmente dijo, está bien, estoy generando todo el código, escribiendo los commits, y parece que Cloud es definitivamente el que lo hace de manera más agresiva, aunque puedes desactivarlo. He visto en mi propio trabajo que a veces incluso desactivándolo no siempre hace que no firme. Por cierto, también noté, hago mucho trabajo con AI yo mismo, y noté que cuando uso GitHub Copilot, también agrega explícitamente a Copilot como... Primero, era solo contribuyente. Ahora es co-contribuyente. Ahora todo este código está marcado como dos desarrolladores, Copilot y el desarrollador real. ¿Notaste eso también? Y también, ¿hiciste alguna investigación sobre GitHub Copilot específicamente? Sí, lo he notado. De hecho, Cloud también hace ambas cosas en algunos casos. Así que en algunos commits verás a Cloud listado como coautor, y en otros, Cloud estará listado como autor. No parece que haya necesariamente un patrón con eso, aunque he notado que Opus, por ejemplo, es más agresivo al listarse como coautor. Así que no estoy seguro si eso es algo que Anthropic manejó en el entrenamiento. He notado lo mismo con Copilot.js. No he estado recopilando las estadísticas para eso explícitamente, pero planeo hacer un poco de monitoreo para Copilot y algunos de los otros agentes. Creo que la popularidad de Codex también está aumentando. Así que en algún momento, con suerte, tendré algo allí. Por favor, mantennos informados sobre tu próxima investigación.

Y tenemos preguntas de nuestros queridos asistentes. ¿Has encontrado alguna correlación entre problemas de seguridad y el uso intensivo de Cloud? Permíteme generalizar eso un poco. ¿Ves que cuanto más activamente la gente usa cualquier sistema de AI, tal vez más o menos, no sé, problemas de seguridad con los que terminan? Sí, es una buena pregunta. Y es una que en realidad no está necesariamente relacionada con la seguridad, sino más generalmente, estoy tratando actualmente de rastrear si hay una correlación entre el número de problemas generalmente abiertos en un proyecto y el uso de un agente de AI, no específicamente de seguridad, pero creo que probablemente habrá problemas de seguridad allí también.

Hasta ahora, lo que he visto es que los proyectos que adoptan el desarrollo de AI ven un aumento, digamos, en el número de issues abiertos en GitHub. Pero el problema es que eso no es necesariamente causalidad. Creo que lo que está sucediendo es que simplemente están produciendo más código. Y porque estás produciendo más código, inherentemente, tienes más issues. Estos issues no son necesariamente bugs. Muchos de ellos son una especie de problemas funcionales. Pero es una buena pregunta. No tengo una respuesta simple para eso. Creo que es una pregunta que muchos de nosotros probablemente querríamos saber la respuesta.

Sí, diría que esta es una pregunta multidimensional. Por supuesto, el resultado final depende no solo del modelo en sí o no solo del arnés, sino también realmente depende mucho del contexto que adjuntas mientras usas este modelo. Y no recuerdo quién hizo esta investigación, pero creo que está disponible en algún lugar que muestra claramente que cuanto peor condición esté tu base de código, mejor será la posibilidad de que obtengas código con mal olor como resultado del modelo. Porque, quiero decir, es un juego de patrones, ¿verdad? Un patrón que se aprende del código durante el entrenamiento y los mismos patrones aprendidos durante la inferencia. Simplemente proporcionas mal contexto.

Sí, lo siento, Martin, un punto más sobre eso. Hay una cosa que vale la pena mencionar aquí es que parece que AI es más prolífica en la codificación de TypeScript. Mencioné esto en mi charla también. Que TypeScript y JavaScript son frameworks o lenguajes muy populares, y los frameworks asociados con ellos son muy populares. Y al menos por el momento, si miras la investigación de la cadena de suministro, los ataques a la cadena de suministro son bastante prevalentes en npm. Así que eso también contribuye. El ingeniero sigue siendo responsable de establecer la escena, como dijiste. Si es una mala base de código para empezar, probablemente terminarás con algún código malo. Si es una mala pila tecnológica, probablemente terminarás con algunos problemas.

100%. Y me gusta que la siguiente pregunta tenga un tono un poco opuesto. Es sobre la popularidad de Clickhouse. Entonces está creciendo y alguien nos pregunta, ¿crees que hay correlación entre el creciente popularidad y el hecho de que usan activamente Claude para construir este producto? Tendría que especular para responder a esta pregunta. Creo que no creo que sea necesariamente el uso de Claude lo que lo impulsa, pero sí creo que Clickhouse está usando esto activamente para acelerar su desarrollo. Y en este momento, eso les está permitiendo aprovechar la popularidad que han ganado y explotar eso. Así que diría que sí, creo que está contribuyendo. No creo que sea necesariamente que Claude lo esté haciendo más popular, pero les está permitiendo desarrollar y arreglar cosas más rápido. Y eso está ayudando al proyecto, supongo.

Sí, por supuesto. Quiero decir, siento que esta es una pregunta más divertida. Y quiero decir, eso sería demasiado bueno para ser verdad, ¿verdad? Si solo usas cualquier asistente de AI, tu producto se vuelve cada vez más popular. Definitivamente eso contribuye, ¿verdad? Pero si desarrollas tan rápido y en la dirección correcta, lo que es aún más importante, tal vez, entonces sí. Me encanta eso, sabes, estas diferencias entre velocidad y dirección, cómo explicamos eso. Entonces, la velocidad, esto es solo la velocidad del movimiento, ¿verdad? Pero la dirección también incluye dirección, ¿verdad? Porque puedes moverte rápido, pero en una dirección ligeramente diferente, y entonces está totalmente mal.

La siguiente pregunta es sobre... Entonces representaste algunas métricas, ¿verdad? Quiero decir, también diferentes que podrían ser interesantes de considerar. ¿Qué te hizo elegir específicamente el conjunto que presentaste? Sí, entonces, en primer lugar, la razón por la que hice eso, comencé a hacer el seguimiento en primer lugar, fue solo para satisfacer mi propia curiosidad. He estado siguiendo el desarrollo de modelos de lenguaje grandes. Vengo de un trasfondo de AI, así que para mí, fue fascinante en ese sentido. Y cuando comenzamos a usar herramientas de codificación agentic, herramientas de codificación AI, en general, creo que a veces te preguntas si es solo tu burbuja la que está haciendo uso de ello, o si está viendo un uso generalizado.

Así que tuve esa misma pregunta, y por eso inicialmente comencé a rastrear las métricas. Pero las métricas específicas que discutí, es porque estaba bastante sorprendido, creo, de ver qué tan rápido, especialmente en este año, desde enero hasta ahora, el uso de códigos cortos se extendió. Quiero decir, fue como un incendio forestal, absolutamente un crecimiento exponencial.

Pero la siguiente pregunta inmediata es, ¿está contribuyendo de manera valiosa? Así que por eso intenté obtener esas métricas. Estaba tratando de pensar, ¿cómo sabrías si estas son contribuciones útiles? Y creo que cómo es útil es si está trabajando en código crítico, y viendo un uso continuo. Con suerte, proyectos como Kickhouse, por ejemplo, si no están viendo contribuciones valiosas, detendrían el uso. Pero no lo han hecho. Están viendo un aumento en el código útil.

Absolutamente. Quiero decir, en mis sesiones sobre AI y desarrollo nativo, también destaco la importancia de seleccionar las métricas correctas, porque puedes medir tantas cosas, pero no necesariamente algo que te dé algunas ideas. ¿Te trae retorno de inversión en estas herramientas o no? Sí, creo que en realidad abordamos una pregunta de Chris sobre otras herramientas además de cloud, e incluso nos prometiste compartir toda la próxima investigación sobre proveedores de modelos alternativos, proveedores alternativos.

Y creo que en realidad abordamos la sobre la correlación de los modelos con los commits, ¿verdad? Esta es en realidad la forma en que haces esta investigación. Sí, sí, absolutamente. Muchos de los modelos identifican el modelo específico. No rastreé todo eso en el sitio, pero Opus y Haiku están bastante felices de ofrecerse si fueron ellos quienes contribuyeron. Bien, muchas gracias, Jörgen. Fue una sesión y discusión perspicaz, y por supuesto, mantengámonos en contacto. Adiós. Sí, gracias, Maxim. Gracias a todos. Adiós.