Seguir el ritmo de la IA agota a cualquier developer, y Octoverse 2026 ayuda a ordenar el ruido con datos de GitHub sobre agentes, modelos, revisión de código y lenguajes.
El informe se publicó el 28 de octubre de 2026 y cubre la actividad entre el 1 de octubre de 2025 y el 30 de septiembre de 2026.
Aquí va lo que importa para quien programa a diario, con las cifras tal como las presenta el informe oficial de GitHub.
Octoverse 2026 en cifras: un año de actividad sin precedentes
Los desarrolladores enviaron código a GitHub 17,9 mil millones de veces en 12 meses. Eso supera lo registrado en 2024 y 2025 juntos.
Los commits, contando repos públicos y privados, llegaron a 34,3 mil millones. Es más del triple de lo que había hace dos años.
Los pull requests fusionados pasaron de 1.300 millones, un promedio de 3,5 millones diarios. Las cifras hablan solas:
La curva subió desde enero y se disparó hacia junio. Según GitHub, coincidieron modelos mejores, herramientas más maduras alrededor de ellos y agentes más capaces.
Esos agentes dejaron de ser sesiones sueltas. Ahora siguen el progreso durante días y orquestan a otros agentes especializados.
Además, trabajan en la nube y no solo en la máquina local. Eso cambió el ritmo de todo.
Un matiz importante: GitHub aclara que sus cifras de agentes son un piso. No toda la actividad con IA deja una señal detectable.
De probar agentes a trabajar con ellos
La pregunta ya no es si los desarrolladores usan IA, sino cuánto trabajo le delegan. Los datos del Octoverse 2026 apuntan a bastante.
Más del 40 % de los pull requests ya empieza con un agente
En septiembre de 2026, más del 40 % de los pull requests nacieron con el primer borrador de un agente. En marzo, la cifra era del 17 %.
Eso equivale a 110 millones de PRs en un solo mes, unas seis veces el volumen de marzo.
Ahora el trabajo parece ser primero enviar a un agente, dirigirlo y luego revisar lo que ha hecho dicho agente. Esto dice GitHub, aunque hay un «debate» abierto en redes como Twitter sobre si se debería o no hacer revisión humana.
Copilot Cloud Agent y el auge de delegar tareas completas
Entre los usuarios activos mensuales de GitHub Copilot, el 55 % ya usa funciones agénticas. Hace un año eran el 35 %.
El crecimiento más fuerte está en el modo más autónomo. Copilot Cloud Agent, donde el desarrollador asigna una tarea y el agente la resuelve solo, creció un 230 % interanual.
El chat con agentes creció un 85 %. O sea, se sigue preguntando, pero cada vez más se entregan tareas enteras.
Otro dato curioso: los repos públicos que mencionan interoperabilidad o ingeniería inversa subieron más de un 300 %, de unos 30.000 a más de 130.000.
Repos con archivo de configuración de agente: 8 veces más commits
Entre los repos creados en 2026, el promedio de los que tienen un archivo de configuración de agente registró ocho veces más commits que los que no.
No prueba causalidad, claro. Pero sí muestra que quienes construyen con agentes desde el día uno trabajan a otro ritmo.
Cómo cambia la revisión de código en la era de los agentes
Si los agentes escriben más, alguien tiene que revisar más. GitHub lo refleja con varias cifras sobre el control de calidad:
- Pull requests apilados (stacked PRs): Dividen un cambio grande en piezas pequeñas que se revisan en orden. Más de 264.000 desarrolladores los usaron desde su lanzamiento en preview el 30 de julio.
- Revisión de código con IA y GitHub Advanced Security: Ambos crecieron más de un 90 % interanual.
- Push protection: Ejecutó 5,8 mil millones de escaneos en busca de secretos expuestos, casi cuatro veces el ritmo de 2025.
- Dependabot: Se fusionaron más de 30 millones de PRs suyos, aproximadamente el doble que en 2025.
La lectura es clara: los developers invierten tanto en cómo revisan como en cómo generan.
La elección de modelos de IA en Octoverse 2026
Casarse con un solo modelo ya no es la norma. El informe lo deja bastante claro con datos de Copilot.
47 modelos y ninguno supera el 25 %
En septiembre, el 61 % de los usuarios que eligieron modelo por su cuenta usó más de uno. Cuatro meses antes, era el 50 %.
Los planes de pago pasaron de 29 modelos distintos en mayo a 47 en septiembre. Ninguno concentró más del 25 % de las solicitudes.
GitHub detectó tres patrones. Primero, los modelos nuevos se usan intensamente antes de que la mayoría los pruebe. Segundo, cuando un modelo pierde cuota de solicitudes, los developers lo mantienen en rotación. Y tercero, casi nadie se queda con un solo tipo de modelo por mucho tiempo.
Razonamiento, propósito general o modelos rápidos
De cada 100 solicitudes con modelo elegido por el developer, el reparto fue este:
El dato sugiere que los developers ajustan el modelo a la tarea: pensar a fondo para planificar y algo ligero para lo rápido.
Selección automática y Copilot Fusion
En septiembre, el 63 % de los developers con plan de pago usó al menos una vez la selección automática de modelo. Copilot decide por ellos.
Del mismo impulso nació Project HydraFusion, una vista previa de orquestación de modelos que enrutó casi 60.000 sesiones. Hoy es GitHub Copilot Fusion, de disponibilidad general.
IA y lenguajes de programación: TypeScript lidera
El orden por contribuyentes se mantuvo: TypeScript primero, Python segundo y JavaScript tercero. Rust, además, duplicó su comunidad en un año.
Lo interesante es dónde aparece más la IA. En los lenguajes de comunidades que más crecen, la participación es mayor:
Hay otra pista. Entre los repos creados en 2026 con señal de agente, TypeScript fue el lenguaje principal en el 35 %, frente al 24 % de los repos sin ella.
GitHub plantea una hipótesis: cuando el developer no especifica lenguaje, los agentes parecen inclinarse por un grupo reducido, con TypeScript a la cabeza. Para profundizar, está el análisis de cómo la IA moldea la elección tecnológica del Octoverse anterior.
La IA llega a industrias que antes no programaban
Por primera vez, GitHub clasificó los repositorios públicos por industria. En minería, salud, agricultura y servicios administrativos, más de cuatro de cada diez repositorios mencionan IA.
Sin embargo, los PRs abiertos por agentes siguen siendo raros ahí: menos del 3 %. Mencionar IA y delegarle trabajo son cosas distintas.
La construcción rompe el patrón. Cerca de un cuarto de sus repos menciona IA, pero alrededor del 9 % tiene PRs abiertos por agentes, el mayor porcentaje de cualquier sector.
Detrás hay profesionales que conocen su campo y ahora construyen con agentes: laboratorios que analizan imágenes de tejido, universidades que clasifican vídeo de pollos jugando o ministerios que abren portales de contratos públicos.
Qué implica el Octoverse 2026 para el trabajo diario de un developer
Los datos no dicen cómo programar, pero sí hacia dónde se mueve la práctica. Estas son las ideas más accionables:
- Saber especificar pesa más. Si el flujo arranca con un agente, la claridad de la instrucción define la calidad del borrador.
- Revisar se vuelve la habilidad central. Los PRs de agentes tocan más archivos, así que conviene dominar PRs pequeños y apilados.
- Probar varios modelos es lo habitual. Alternar entre razonamiento profundo y modelos rápidos ya es la norma, no la excepción.
- Configurar el repo para agentes parece rentable. Los repos nuevos con archivo de configuración muestran mucha más actividad.
- Cuidar la seguridad sigue en el centro. El escaneo de secretos y las actualizaciones automáticas crecieron a la par que la IA.
Lo que no cambia: el criterio humano decide
GitHub cierra su informe con una idea sencilla. Alguien tiene que proponer la idea y alguien tiene que decidir si el código funciona y si merece estar ahí.
Lo que cambió es la distancia entre una ocurrencia de fin de semana y algo real. Con agentes, esa distancia es mucho más corta.
Las herramientas seguirán cambiando y aparecerán industrias inesperadas. Qué construir, y para quién, sigue siendo decisión de cada developer.
SEO estratega y redactor de contenidos especializado en temas de tecnología. Experto en crear estrategias de contenido que comunican complejidad técnica de forma clara y accesible.
