Você escolheu sua ferramenta de código com IA — ou decidiu pular essa. Copilot, Cursor, Claude Code, ou só seu cérebro e um terminal. De qualquer forma, parecia escolher seu editor de texto ou seu café: pessoal, intransferível, problema seu.

Mas o lance das escolhas pessoais é que elas só continuam pessoais até alguém montar um dashboard. E ninguém na gestão tinha um painel mostrando quanto você usa IA, com que frequência aceita as sugestões, ou como sua adoção se compara ao dev sentado duas mesas à frente. Até esta semana.

No dia 10 de abril, o GitHub lançou contagens agregadas de usuários ativos do cloud agent pela API de métricas de uso do Copilot — uma interface programática que permite às organizações puxar dados sobre uso de ferramentas sem perguntar pra ninguém. Três campos novos: usuários ativos diários, semanais e mensais do cloud agent do Copilot. É o modo autônomo em que você atribui uma tarefa de código ao @copilot e ele trabalha na nuvem, abrindo um pull request quando termina.

Mas 10 de abril não foi um caso isolado. Foi a terceira expansão de métricas em oito dias — fechando uma sprint que começou no final de março, quando o GitHub discretamente adicionou o campo used_copilot_coding_agent, permitindo que admins vejam quais desenvolvedores específicos acionaram sessões de agente. Essa foi a fundação. Aqui vai a escalada:

  • 2 de abril — Atividade de CLI por usuário entrou no ar. Contagem de sessões, contagem de requisições, consumo de tokens, versão da CLI — tudo por desenvolvedor. Contaram suas teclas.
  • 6 de abril — Rastreamento de code review ativo vs. passivo. Você escolheu o review do Copilot, ou uma política do repositório atribuiu automaticamente? Nas palavras do próprio GitHub: "Medir engajamento real, não apenas cobertura." Mediram seu entusiasmo.
  • 10 de abril — DAU/WAU/MAU para cloud agents. As métricas clássicas de engajamento pelas quais todo product manager vive e morre, agora aplicadas a desenvolvedores usando IA. Fizeram o gráfico.

Três atualizações. Oito dias. Cada uma adiciona mais um ponto de dados por desenvolvedor a endpoints de API no nível da organização — o que significa que qualquer empresa com licença GitHub Enterprise pode consultar esses números programaticamente e alimentar qualquer dashboard de RH ou performance que já use.

O GitHub não é o único construindo essa camada de observação. O tier enterprise do Cursor mostra breakdowns de uso de IA por desenvolvedor. O Claude Code da Anthropic expõe dados de custo por sessão para admins de organizações. O Codex da OpenAI lançou com analytics de uso integrados à oferta enterprise quando os planos exclusivos de Codex foram liberados em 3 de abril. As implementações diferem, mas o padrão converge: toda ferramenta de código com IA agora gera um rastro de papel de exatamente quanto cada pessoa a utiliza.

Agora é onde o dashboard encontra a realidade.

Eu cobri o estudo "A Dívida por Trás do Boom da IA" ontem — 304.000+ commits verificados como escritos por IA em 6.275 repositórios. A manchete desconfortável: equipes onde código gerado por IA ultrapassou 40% da produção total experimentaram taxas de retrabalho 20–25% maiores. A métrica que te faz parecer produtivo num dashboard — alta adoção de IA, muitas tarefas delegadas ao agente, muitas sugestões aceitas — se correlaciona com piores resultados reais. Se você perdeu aquele artigo, a versão curta: IA escreve bugs rápido também.

Isso é a Lei de Goodhart na prática: quando uma medida se torna uma meta, ela deixa de ser uma boa medida. Só que agora a meta tem seu nome.

A troca é brutal. Desenvolvedores que dependem pesado de agentes de IA aparecem como "grandes adotantes" nas novas métricas — exatamente o sinal que um gestor não-técnico otimiza. Desenvolvedores que usam IA seletivamente, rejeitando sugestões ruins e escrevendo código crítico na mão, parecem atrasados numa planilha que nunca viram. E recusar totalmente? Isso não é mais uma preferência pessoal — é uma lacuna visível num dataset que as chamadas de API da sua organização populam toda noite.

Pra deixar claro: o GitHub nunca disse que essas métricas são feitas para avaliações de desempenho. O anúncio de GA em 27 de fevereiro enquadrou tudo como ajudar organizações a "acompanhar tendências, tomar decisões informadas sobre rollout e criar relatórios." Mas o mesmo post delineou um roadmap "de rastrear adoção a medir impacto." Quando os dados ficam atrás de um endpoint de API, os casos de uso seguem — quer o vendor tenha pretendido ou não.

O que começou como "aqui vai um autocomplete útil" agora tem um número vinculado ao seu nome. E se você acha que isso fica só no código, pense de novo. Designers usando ferramentas de mockup com IA, PMs usando geradores de spec com IA, marketeiros usando IA pra copy — toda plataforma que atende trabalhadores do conhecimento está construindo a mesma camada de medição. A infraestrutura já está ativa; só está esperando o dashboard.

A era voluntária de adoção de ferramentas de IA acabou não com uma ordem da empresa, mas com uma API de métricas. Três atualizações em oito dias. A métrica é a ordem agora. Escolha de acordo.