Ти обрав свій AI-інструмент для коду — або вирішив обійтися без нього. Copilot, Cursor, Claude Code, чи просто мозок і термінал. У будь-якому разі це було як обрати текстовий редактор або каву: особисте, непростежуване, нічиє собаче діло.

Але є нюанс з особистим вибором — він залишається особистим лише доки хтось не зробить дашборд. І в менеджменті ні в кого не було дашборда, що показує, скільки ти використовуєш ШІ, як часто приймаєш його підказки, чи як твій рівень adoption порівняти з розробником через два столи. До цього тижня.

10 квітня GitHub випустив агреговані дані по активних юзерах cloud agent через Copilot usage metrics API — програмний інтерфейс, що дозволяє організаціям витягувати дані про використання інструменту, не питаючи нікого. Три нових поля: щоденні, щотижневі та щомісячні активні юзери Copilot cloud agent. Це автономний режим, де ти кидаєш задачу @copilot, і він працює у хмарі, створюючи pull request по завершенню.

Але 10 квітня — не ізольований апдейт. Це третє розширення метрик за вісім днів — кульмінація спринту, що розпочався ще наприкінці березня, коли GitHub тихо додав поле used_copilot_coding_agent, що дозволяє адмінам бачити, які конкретно розробники запускали агентські сесії. Це був фундамент. А ось ескалація:

  • 2 квітня — Per-user CLI activity. Кількість сесій, запитів, споживання токенів, версія CLI — все по кожному розробнику. Вони порахували твої натискання клавіш.
  • 6 квітня — Активне vs пасивне відстеження code review. Ти сам обрав ревʼю від Copilot, чи політика репозиторію автоматично його призначила? Цитата від GitHub: "Вимірюйте реальну залученість, а не просто покриття." Вони виміряли твій ентузіазм.
  • 10 квітня — DAU/WAU/MAU для cloud agents. Класичні метрики залученості, за якими живе і вмирає кожен продакт-менеджер, тепер застосовані до розробників, що юзають ШІ. Вони побудували графік.

Три оновлення. Вісім днів. Кожне додає ще один data point по розробнику до API-ендпоінтів рівня організації — а це значить, що будь-яка компанія з ліцензією GitHub Enterprise може програматично запитувати ці цифри й направляти їх у будь-які HR-аналітичні чи перформанс-дашборди, що вже працюють.

GitHub тут не один, хто будує шар спостереження. Enterprise-версія Cursor показує AI-активність по кожному розробнику. Claude Code від Anthropic надає адмінам організацій дані про вартість кожної сесії. OpenAI Codex запустився з аналітикою використання, вбудованою в enterprise-пропозицію, коли Codex-only seats зʼявилися 3 квітня. Реалізації різні, але патерн сходиться: кожен великий AI-інструмент для коду тепер генерує паперовий слід того, скільки саме кожна людина його використовує.

А тепер — де дашборд зустрічається з реальністю.

Вчора я розбирав дослідження "Debt Behind the AI Boom" — понад 304 000 верифікованих AI-створених комітів у 6 275 репозиторіях. Незручний висновок: команди, де AI-генерований код перевищував 40% загального обсягу, мали на 20-25% вищий рівень переробок. Метрика, яка робить тебе продуктивним на дашборді — високий рівень AI adoption, багато делегованих агентських задач, багато прийнятих підказок — корелює з гіршими реальними результатами. Якщо пропустив той розбір, коротко: ШІ пише баги теж швидко.

Це підручниковий закон Гудхарта: коли міра стає ціллю, вона перестає бути хорошою мірою. Тільки тепер на цілі стоїть твоє імʼя.

Компроміс жорсткий. Розробники, що активно покладаються на AI-агентів, відображаються як "high adopters" у нових метриках — саме той сигнал, під який оптимізує нетехнічний менеджер. Розробники, що використовують ШІ вибірково, відхиляючи погані підказки й пишучи критичний код руками, виглядають відстаючими в таблиці, яку ніколи не бачили. А повна відмова? Це вже не особисті вподобання — це видима прогалина в датасеті, який API-виклики твоєї організації наповнюють щоночі.

Щоб було зрозуміло: GitHub ніколи не казав, що ці метрики призначені для performance review. Їхній GA-анонс 27 лютого подав це як допомогу організаціям "відстежувати тренди, приймати обґрунтовані рішення щодо розгортання та будувати звіти." Але той самий блог-пост окреслив роудмап "від відстеження adoption до вимірювання впливу." Коли дані лежать за API-ендпоінтом, кейси використання зʼявляються самі — незалежно від того, чи мав це на увазі вендор.

Те, що починалося як "ось тобі корисний автокомпліт", тепер має число, привʼязане до твого імені. І якщо думаєш, що це залишиться тільки в коді — подумай ще раз. Дизайнери з AI-інструментами для мокапів, PM-и з AI-генераторами специфікацій, маркетологи з AI-копірайтингом — кожна платформа, що обслуговує knowledge workers, будує той самий шар вимірювання. Інфраструктура вже працює; вона просто чекає на дашборд.

Добровільна ера AI tool adoption закінчилася не корпоративним наказом, а metrics API. Три оновлення за вісім днів. Метрика і є наказом тепер. Обирай відповідно.