Elegiste tu herramienta de IA para programar — o decidiste no usar ninguna. Copilot, Cursor, Claude Code, o simplemente tu cerebro y una terminal. Como fuera, se sentía como elegir tu editor de texto o tu café: personal, imposible de rastrear, asunto de nadie.

Pero las decisiones personales solo siguen siendo personales hasta que alguien arma un dashboard. Y nadie en la gerencia tenía un tablero que mostrara cuánto usas IA, con qué frecuencia aceptas sus sugerencias, o cómo se compara tu adopción con la del developer sentado dos escritorios más allá. Hasta esta semana.

El 10 de abril, GitHub lanzó conteos agregados de usuarios activos de agentes cloud a través de su API de métricas de uso de Copilot — una interfaz programática que permite a las organizaciones extraer datos sobre el uso de herramientas sin preguntarle a nadie. Tres campos nuevos: usuarios activos diarios, semanales y mensuales del agente cloud de Copilot. Ese es el modo autónomo donde le asignas una tarea de código a @copilot y trabaja en la nube, creando un pull request cuando termina.

Pero el 10 de abril no fue un evento aislado. Fue la tercera expansión de métricas en ocho días — cerrando un sprint que empezó a finales de marzo cuando GitHub silenciosamente agregó un campo used_copilot_coding_agent que permite a los admins ver qué developers específicos activaron sesiones de agente. Eso fue la base. Aquí viene la escalada:

  • 2 de abril — Actividad de CLI por usuario. Conteo de sesiones, conteo de requests, consumo de tokens, versión de CLI — todo por developer. Contaron tus teclas.
  • 6 de abril — Tracking de code review activo vs. pasivo. ¿Elegiste la revisión de Copilot, o una política del repo la asignó automáticamente? En palabras de GitHub: "Mide el engagement real, no solo la cobertura." Midieron tu entusiasmo.
  • 10 de abril — DAU/WAU/MAU para agentes cloud. Las métricas clásicas de engagement con las que todo product manager vive y muere, ahora aplicadas a developers usando IA. Lo graficaron.

Tres actualizaciones. Ocho días. Cada una agrega otro dato por developer a los endpoints de la API a nivel organización — lo que significa que cualquier empresa con licencia GitHub Enterprise puede consultar estos números de forma programática y enviarlos a cualquier sistema de analytics de RRHH o dashboards de rendimiento que ya tengan.

GitHub no es el único construyendo esta capa de observación. El tier enterprise de Cursor muestra desgloses de uso de IA por developer. Claude Code de Anthropic expone datos de costos a nivel sesión para los admins de la organización. El Codex de OpenAI se lanzó con analytics de uso integrados en su oferta enterprise cuando los asientos exclusivos de Codex se lanzaron el 3 de abril. Las implementaciones difieren, pero el patrón converge: cada herramienta importante de IA para programar ahora genera un rastro de papel de exactamente cuánto la usa cada persona.

Y aquí es donde el dashboard se encuentra con la realidad.

Ayer cubrí el estudio "La deuda detrás del boom de IA" — más de 304,000 commits verificados como generados por IA en 6,275 repositorios. El titular incómodo: equipos donde el código generado por IA superó el 40% de la producción total experimentaron tasas de retrabajo 20–25% más altas. La métrica que te hace ver productivo en un dashboard — alta adopción de IA, muchas tareas delegadas al agente, muchas sugerencias aceptadas — se correlaciona con peores resultados reales. Si te perdiste ese artículo, la versión corta: la IA también escribe bugs rápido.

Esto es la Ley de Goodhart de libro de texto: cuando una medida se convierte en objetivo, deja de ser una buena medida. Solo que ahora el objetivo tiene tu nombre.

El trade-off es brutal. Los developers que se apoyan mucho en agentes de IA aparecen como "altos adoptadores" en las nuevas métricas — exactamente la señal que un gerente no técnico optimiza. Los developers que usan IA de forma selectiva, rechazando malas sugerencias y escribiendo código crítico a mano, parecen rezagados en una hoja de cálculo que nunca han visto. ¿Y optar por no usarla? Eso ya no es una preferencia personal — es un hueco visible en un dataset que los API calls de tu organización llenan cada noche.

Para ser claro: GitHub nunca dijo que estas métricas son para evaluaciones de desempeño. Su anuncio de GA del 27 de febrero lo enmarcó como ayuda para que las organizaciones "rastreen tendencias, tomen decisiones informadas sobre el despliegue y generen reportes." Pero el mismo post describió una hoja de ruta "de rastrear adopción a medir impacto." Cuando los datos están detrás de un endpoint de API, los casos de uso llegan solos — ya sea que el proveedor los haya planeado o no.

Lo que empezó como "aquí tienes un autocomplete útil" ahora tiene un número asociado a tu nombre. Y si crees que esto se queda en programación, piénsalo de nuevo. Diseñadores usando herramientas de IA para mockups, PMs usando generadores de specs con IA, marketeros usando IA para copy — cada plataforma que sirve a trabajadores del conocimiento está construyendo la misma capa de medición. La infraestructura ya está activa; solo espera el dashboard.

La era voluntaria de adopción de herramientas de IA no terminó con un mandato corporativo, sino con una API de métricas. Tres actualizaciones en ocho días. La métrica es el mandato ahora. Elige en consecuencia.