तुमने अपना AI coding tool चुन लिया — या decide किया कि भाड़ में जाए। Copilot, Cursor, Claude Code, या बस अपना दिमाग और एक terminal। किसी भी case में, ये text editor या चाय में चीनी कितनी डालनी है जैसा personal choice लगा: अपना मामला, किसी और को क्या।

लेकिन personal choices की एक खासियत है — वो तब तक personal रहती हैं जब तक कोई dashboard नहीं बना लेता। और management के पास कोई dashboard नहीं था जो दिखाए कि तुम AI कितना use करते हो, कितनी बार suggestions accept करते हो, या तुम्हारी adoption अगली सीट वाले developer से कैसे compare होती है। इस हफ्ते तक।

10 April को GitHub ने अपने Copilot usage metrics API में aggregated cloud agent active user counts ship कर दिए — एक programmatic interface जिससे organizations बिना किसी से पूछे tool usage का data pull कर सकती हैं। तीन नए fields: daily, weekly, और monthly active users Copilot के cloud agent के लिए। ये वो autonomous mode है जहाँ तुम @copilot को कोई coding task assign करते हो और वो cloud में काम करता है, काम पूरा होने पर pull request submit करता है।

लेकिन 10 April अकेला नहीं था। ये आठ दिनों में तीसरा metrics expansion था — एक sprint का climax जो March के अंत में शुरू हुई जब GitHub ने चुपचाप used_copilot_coding_agent field add कर दिया जिससे admins देख सकते थे कि कौन specific developer ने agent sessions trigger किए। वो foundation था। अब escalation देखो:

  • 2 April — Per-user CLI activity आ गई। Session counts, request counts, token consumption, CLI version — सब per developer। तुम्हारी हर keystroke गिनी गई।
  • 6 April — Active vs. passive code review tracking। तुमने खुद Copilot review choose किया, या repo policy ने auto-assign किया? GitHub के अपने शब्द: "Real engagement measure करो, सिर्फ coverage नहीं।" तुम्हारा enthusiasm measure हुआ।
  • 10 April — Cloud agents के लिए DAU/WAU/MAU। वो classic engagement metrics जिन पर हर product manager की जान टिकी रहती है, अब developers पर apply हो गए। Graph बन गया।

तीन updates। आठ दिन। हर एक organization-level API endpoints में एक और per-developer data point add करता है — मतलब कोई भी company जिसके पास GitHub Enterprise license है, ये numbers programmatically query कर सकती है और जो भी HR analytics या performance dashboards पहले से चला रही है, उसमें pipe कर सकती है।

GitHub अकेला नहीं है जो observation layer बना रहा। Cursor का enterprise tier per-developer AI usage breakdowns दिखाता है। Anthropic का Claude Code organization admins को session-level cost data expose करता है। OpenAI का Codex usage analytics built-in लेकर आया जब 3 April को Codex-only seats ship हुईं। Implementation अलग-अलग हैं, लेकिन pattern एक है: हर major AI coding tool अब एक paper trail generate करता है कि हर person इसे कितना use करता है।

अब यहाँ dashboard reality से टकराता है।

कल मैंने "Debt Behind the AI Boom" study cover की थी — 6,275 repos में 3,04,000+ verified AI-authored commits। uncomfortable headline: जिन teams में AI-generated code total output का 40% से ज़्यादा था, उनमें 20–25% ज़्यादा rework rates देखे गए। वो metric जो dashboard पर तुम्हें productive दिखाता है — high AI adoption, ढेर सारे agent tasks delegate किए, suggestions accept किए — actually बदतर outcomes से correlate करता है। अगर वो piece miss कर गए, तो short version: AI bugs भी तेज़ लिखता है।

ये textbook Goodhart's Law है: जब कोई measure target बन जाता है, तो वो अच्छा measure नहीं रहता। बस अब उस target पर तुम्हारा नाम लिखा है।

Tradeoff बिल्कुल sharp है। जो developers AI agents पर ज़्यादा rely करते हैं, वो new metrics में "high adopters" दिखते हैं — exactly वो signal जिसे non-technical manager optimize करता है। जो developers AI selectively use करते हैं, bad suggestions reject करते हैं और critical code खुद लिखते हैं, वो एक ऐसी spreadsheet पर laggards दिखते हैं जो उन्होंने कभी देखी तक नहीं। और पूरी तरह opt out? वो अब personal preference नहीं — वो एक dataset में visible gap है जिसे तुम्हारी organization की API calls हर रात populate करती हैं।

Clear कर दूँ: GitHub ने कभी नहीं कहा कि ये metrics performance reviews के लिए हैं। उनके 27 February के GA announcement में framing थी कि organizations को "trends track करने, rollout के बारे में informed decisions लेने, और reports build करने" में मदद मिले। लेकिन उसी blog post ने एक roadmap outline किया "adoption tracking से impact measuring तक।" जब data एक API endpoint के पीछे बैठा है, तो use cases खुद आ जाते हैं — चाहे vendor ने intend किए हों या नहीं।

जो "ये लो एक helpful autocomplete" से शुरू हुआ था, अब तुम्हारे नाम के साथ एक number बन गया है। और अगर तुम सोचते हो कि ये बस coding तक सीमित रहेगा, तो दोबारा सोचो। AI mockup tools use करने वाले designers, AI spec generators use करने वाले PMs, AI copy use करने वाले marketers — हर platform जो knowledge workers को serve करता है, वही measurement layer बना रहा है। Infrastructure पहले से live है; बस dashboard का इंतज़ार है।

AI tools के voluntary adoption का दौर किसी company mandate से नहीं, बल्कि एक metrics API से खत्म हुआ। आठ दिनों में तीन updates। Metric ही mandate है अब। सोच-समझकर चुनो।