Cómo cambió la actividad en GitHub al desarrollar con IA: unos 20–40 al mes en la segunda mitad de 2024, unos 300 en mayo de 2025
Las contribuciones de GitHub fueron unos 20–40 al mes en la segunda mitad de 2024 y unos 300 en mayo de 2025. Es el total estándar de GitHub, que incluye issues, pull requests y revisiones, según el gráfico publicado el 30 de mayo de 2025. No es una tasa de velocidad de desarrollo ni de volumen entregado.
Las contribuciones de GitHub (el total estándar, que incluye issues, pull requests y revisiones) fueron unos 20–40 al mes en la segunda mitad de 2024. En mayo de 2025 fueron unos 300 (según el gráfico publicado el 30 de mayo de 2025).
El «7x» de la primera versión fue un redondeo que situaba el periodo anterior al uso de IA en unos 50 al mes.
Esta cifra no muestra que la velocidad de desarrollo o el volumen entregado se multiplicaran.
Este artículo recuerda qué tareas se encomendaron entonces a la IA y qué resultó más fácil de avanzar. La calidad, el retrabajo y el tiempo real de trabajo no se compararon en las mismas condiciones. No se afirman esas tasas de mejora.
Lo que se compara es el recuento mensual de la segunda mitad de 2024 y el recuento de mayo de 2025. Si se incluyen los recuentos de repositorios privados no se sabe por la información pública. No se creó un denominador ni un indicador de calidad nuevo para ajustar las cifras antiguas.
Cómo se repartía el trabajo entonces
Escribir código
El código lo escribía Claude Code. Primero se preparaba un pliego de instrucciones en conversación con Claude Desktop y luego se pasaba a Claude Code en el terminal. En unos minutos había código que formaba un esqueleto básico. Después se acumulaban instrucciones concretas, como «añade un método a esta clase y escribe una prueba unitaria».
Revisión
Al abrir un pull request, CodeRabbit iniciaba la revisión y comentaba en el pull request posibles fallos, notas de seguridad y diferencias respecto a las convenciones. Los puntos señalados se corregían con la función Agent de Cursor. Eso no significa que los comentarios lo encuentren todo.
Qué se contó
Lo que se contó es el número de contribuciones de GitHub. En la segunda mitad de 2024 fueron unos 20–40 al mes. En mayo de 2025, unos 300. Ambos están en el alcance del gráfico publicado el 30 de mayo de 2025.
Una contribución no es un recuento de commits. En la definición de GitHub, además de los commits entran issues, pull requests y revisiones.
Herramientas que se usaban
- Cursor: un editor con IA integrada. Los puntos señalados se corregían con la función Agent
- Claude Desktop: preparar instrucciones en conversación
- Claude Code: escribir código a partir de las instrucciones
- CodeRabbit: revisión automática de pull requests
La sensación de entonces se acercaba más a resolver problemas en diálogo con la IA que a escribir código línea a línea. Es una sensación, no una medición del tiempo de trabajo ni del volumen entregado.
Referencias
El título del artículo de note del 1 de junio de 2025 dice que la velocidad de desarrollo fue 7x. Las cifras de este artículo de la empresa siguen el gráfico del 30 de mayo de 2025. No se tratan como una tasa de velocidad o de volumen entregado.
El gráfico mensual de contribuciones está en la publicación del 30 de mayo de 2025.
- GitHub Docs: Profile contributions - descripción oficial de lo que se cuenta como contribución
¿Quiere aplicar esto en su empresa?
Nuestra recepción con IA «Cloudia» atiende solicitudes de desarrollo de IA por encargo.
Más información: Plataforma de IA y desarrollo por contratoSupport this article
If this article was helpful, please support us with a tip. You can choose any amount.
Etiquetas
Artículos Relacionados
Hay preguntas que empeoran al añadir ejemplos. Cómo probar la IA generativa, verificado con un LLM pequeño
El 29 de octubre de 2026, en un taller interno de una empresa impartido por nuestro representante Kousuke Terada, probamos dos técnicas con un modelo de lenguaje pequeño (Qwen2.5-3B-Instruct): «añadir ejemplos» y «pedir una revisión». A partir de preguntas que mejoraron, preguntas que empeoraron y preguntas en las que afirmó con rotundidad que un error era correcto, explicamos cómo comparar al probar la IA generativa en el trabajo.
Desde el lanzamiento de una corrección hasta su aplicación: responsabilidades, plazos y registros de actualización a partir del caso de LiteLLM
Tomando como referencia la distribución de correcciones en registros privados de LiteLLM, analizamos los responsables de actualización, los plazos de aplicación y el registro para LLM locales. Una guía empresarial para verificar por separado la publicación de correcciones y su aplicación en el entorno propio.
Antes de usar una API de inferencia local en la empresa: diseño de autenticación, lista de permitidos y baja de equipos
Antes de usar una API de inferencia local en la empresa, hay que diseñar por separado la autenticación, la lista de permitidos y la baja de equipos. La lista de permitidos indica con quién puede pasar el tráfico. Quién puede usarla para qué trabajo se decide aparte.