Wybrałeś swoje narzędzie do kodowania z AI — albo świadomie je olałeś. Copilot, Cursor, Claude Code, a może po prostu twój mózg i terminal. Tak czy inaczej, to było jak wybór edytora tekstu albo kawy: sprawa osobista, nieśledzona, nikogo nie obchodząca.

Ale z osobistymi wyborami jest tak, że pozostają osobiste tylko do momentu, aż ktoś zbuduje dashboard. A do tej pory nikt w zarządzie nie miał dashboardu pokazującego, ile korzystasz z AI, jak często akceptujesz jego sugestie ani jak twoja adopcja wypada na tle kolegi siedzącego dwa biurka dalej. Do tego tygodnia.

10 kwietnia GitHub udostępnił zagregowane liczby aktywnych użytkowników cloud agentów przez swoje Copilot usage metrics API — programistyczny interfejs, który pozwala organizacjom wyciągać dane o wykorzystaniu narzędzi bez pytania kogokolwiek. Trzy nowe pola: dzienna, tygodniowa i miesięczna liczba aktywnych użytkowników cloud agenta Copilota. Chodzi o tryb autonomiczny, w którym przydzielasz zadanie do @copilot, a on sam koduje w chmurze i tworzy pull request, gdy skończy.

Ale 10 kwietnia nie było odosobnionym wydarzeniem. To trzecie rozszerzenie metryk w ciągu ośmiu dni — kulminacja sprintu, który zaczął się pod koniec marca, gdy GitHub po cichu dodał pole used_copilot_coding_agent, pozwalające adminom zobaczyć, którzy konkretni deweloperzy uruchamiali sesje agenta. To był fundament. A oto eskalacja:

  • 2 kwietnia — Per-user CLI activity wylądowało w raportach. Liczba sesji, liczba zapytań, zużycie tokenów, wersja CLI — wszystko per deweloper. Policzyli twoje klawisze.
  • 6 kwietnia — Aktywne vs. pasywne śledzenie code review. Czy sam wybrałeś review przez Copilota, czy polityka repozytorium przydzieliła je automatycznie? Słowa samego GitHuba: "Mierz prawdziwe zaangażowanie, nie tylko pokrycie." Zmierzyli twój entuzjazm.
  • 10 kwietnia — DAU/WAU/MAU dla cloud agentów. Klasyczne metryki engagementu, którymi żyje i umiera każdy product manager, teraz zastosowane do deweloperów korzystających z AI. Zrobili z tego wykres.

Trzy aktualizacje. Osiem dni. Każda dodaje kolejny punkt danych per deweloper do endpointów API na poziomie organizacji — co oznacza, że każda firma z licencją GitHub Enterprise może odpytywać te liczby programistycznie i wpychać je do dowolnych dashboardów HR-owych czy performance review, które już mają.

GitHub nie jest jedyny w budowaniu tej warstwy obserwacyjnej. Enterprise tier Cursora udostępnia rozbicie wykorzystania AI per deweloper. Claude Code od Anthropic pokazuje dane o kosztach sesji adminom organizacji. OpenAI's Codex wystartował z wbudowaną analityką użycia w ofercie enterprise, gdy miejsca Codex-only pojawiły się 3 kwietnia. Implementacje się różnią, ale wzorzec jest zbieżny: każde większe narzędzie AI do kodowania generuje teraz papierowy ślad tego, ile dokładnie każda osoba z niego korzysta.

I tu dashboard spotyka się z rzeczywistością.

Pisałem wczoraj o badaniu "Debt Behind the AI Boom" — ponad 304 000 zweryfikowanych commitów autorstwa AI w 6275 repozytoriach. Niewygodny nagłówek: zespoły, w których kod generowany przez AI przekraczał 40% całkowitego outputu, doświadczały 20–25% wyższych wskaźników przeróbek. Metryka, która sprawia, że wyglądasz produktywnie na dashboardzie — wysoka adopcja AI, dużo zadań delegowanych agentowi, dużo zaakceptowanych sugestii — koreluje z gorszymi realnymi wynikami. Jeśli przegapiłeś tamten tekst, w skrócie: AI pisze bugi równie szybko.

To podręcznikowe prawo Goodharta: gdy miara staje się celem, przestaje być dobrą miarą. Tyle że teraz ten cel ma twoje imię i nazwisko.

Kompromis jest ostry. Deweloperzy mocno opierający się na AI agentach pojawiają się jako "high adopters" w nowych metrykach — dokładnie sygnał, pod który optymalizuje nietechniczny manager. Deweloperzy, którzy korzystają z AI selektywnie, odrzucając złe sugestie i pisząc krytyczny kod ręcznie, wyglądają jak maruderzy w arkuszu kalkulacyjnym, którego nigdy nie widzieli. A całkowita rezygnacja z AI? To już nie osobista preferencja — to widoczna dziura w zbiorze danych, który API twojej organizacji uzupełnia co noc.

Dla jasności: GitHub nigdy nie powiedział, że te metryki są przeznaczone do ocen pracowniczych. Ich ogłoszenie GA z 27 lutego ujęło to jako pomoc organizacjom w "śledzeniu trendów, podejmowaniu świadomych decyzji o wdrożeniu i tworzeniu raportów." Ale ten sam post nakreślił roadmapę "od śledzenia adopcji do mierzenia wpływu." Gdy dane siedzą za endpointem API, przypadki użycia pojawiają się same — niezależnie od intencji vendora.

To, co zaczęło się jako "oto pomocne autouzupełnianie", ma teraz numer przypisany do twojego nazwiska. I jeśli myślisz, że to zostanie w kodowaniu — pomyśl jeszcze raz. Designerzy korzystający z AI do mockupów, PM-owie korzystający z AI do specyfikacji, marketerzy korzystający z AI do tekstów — każda platforma obsługująca knowledge workers buduje tę samą warstwę pomiarową. Infrastruktura już działa; czeka tylko na dashboard.

Dobrowolna era adopcji narzędzi AI zakończyła się nie mandatem firmy, lecz metrics API. Trzy aktualizacje w osiem dni. Metryka jest teraz mandatem. Wybieraj z głową.