Estadísticas de asistentes de codificación de IA.

Los asistentes de codificación de IA ya no son un experimento secundario para desarrolladores curiosos. Para 2026, la mejor pregunta es a qué tipo de adopción se refiere: uso de encuestas, hábito diario, puestos de pago, implementación empresarial, sugerencias de código aceptadas, rendimiento de referencia o código revisado que realmente se envía.

Esa distinción importa porque las cifras principales son grandes. Stack Overflow dice que el 84% de los encuestados usa o planea usar herramientas de IA en su proceso de desarrollo, mientras que el 50,6% de los desarrolladores profesionales las usa a diario. JetBrains dice que el 90% de los desarrolladores profesionales en su encuesta AI Pulse de enero de 2026 usaban regularmente al menos una herramienta de IA en el trabajo, y el 74% había adoptado herramientas de desarrollo de IA especializadas. Microsoft dice que GitHub Copilot tiene más de 4,7 millones de suscriptores de pago y es utilizado por casi 140.000 organizaciones.

Pero los grandes números pueden engañar cuando se colocan en el cubo equivocado. Una puntuación de referencia no es un recuento de usuarios. Un suscriptor de pago no es un desarrollador activo diario. Una línea de código generada no es un software revisado, seguro y desplegado. La verdadera historia de 2026 es que las herramientas de codificación de IA son convencionales, comerciales y cada vez más agentivas, mientras que el trabajo duro se ha desplazado a la revisión, la gobernanza, la trazabilidad y la medición de si los equipos envían un software mejor.

Asistentes de codificación de IA de un vistazo

Las cifras principales utilizan diferentes denominadores, así que léalas como señales separadas de encuesta, comerciales, de capacidad y de gobernanza, en lugar de una sola cifra.

Leyendo los números de adopción cuidadosamente

La forma más segura de leer las estadísticas de los asistentes de codificación de IA es como una escalera. En la parte superior hay amplias señales de encuestas: si los desarrolladores han probado herramientas de IA, las usan a diario o planean usarlas pronto. La cifra de Stack Overflow del 84% “usan o planean usar” es una fuerte señal de adopción, pero no es la misma métrica que su cifra del 50,6% de uso diario entre desarrolladores profesionales.

El siguiente escalón es el uso específico del trabajo. El AI Pulse de JetBrains de enero de 2026 es útil porque separa las herramientas de IA generales de las herramientas de desarrollo especializadas. Informa de un 90% de uso regular de herramientas de IA en el trabajo para codificación y desarrollo, y un 74% de adopción de herramientas de desarrollo de IA especializadas. Esto sigue siendo evidencia de encuesta, pero está más cerca del flujo de trabajo profesional que una encuesta genérica de “a los desarrolladores les gusta la IA”.

La escala comercial es un escalón diferente. Microsoft proporciona números públicos para los usuarios de GitHub Copilot, los suscriptores de pago y las organizaciones: más de 26 millones de usuarios, más de 4,7 millones de suscriptores de pago y casi 140.000 organizaciones. Estos se encuentran entre los indicadores públicos más sólidos para un asistente de codificación de IA nombrado, pero cada uno responde a una pregunta diferente.

Debajo de eso están las métricas de interacción con el producto. La propia documentación de métricas de uso de GitHub define un usuario activo de Copilot por el recuento de interacciones iniciadas por el usuario, y define la tasa de aceptación de la finalización de código como la actividad de código aceptado dividida por la actividad de generación. Esas definiciones detienen un error común: una sugerencia aceptada no es lo mismo que una solicitud de extracción fusionada, y una solicitud de extracción fusionada no es lo mismo que un software de producción fiable.

Los puntos de referencia se encuentran en una rama separada. Las 500 instancias validadas por humanos de SWE-bench Verified ayudan a comparar agentes de codificación en tareas de ingeniería de software, y la familia SWE-bench más amplia es útil para comprender el progreso de la capacidad. Pero las tasas de aprobación de los puntos de referencia no son recuentos de usuarios, recuentos de clientes o ROI empresarial.

Adopción por parte de los desarrolladores: la IA se ha convertido en una parte normal del flujo de trabajo

La evidencia de encuesta más sólida apunta en la misma dirección: la asistencia de IA es ahora normal en el desarrollo de software. La encuesta de Stack Overflow de 2025 informa de un 47,1% de uso diario de herramientas de IA entre todos los encuestados, un 17,7% semanal, un 13,7% mensual o infrecuente, un 5,3% que planea usar pronto y un 16,2% sin planes de usarlas. Entre los desarrolladores profesionales, la cifra de uso diario asciende al 50,6%.

JetBrains cuenta una historia similar con un diseño de encuesta diferente. Su informe Developer Ecosystem 2025 se basa en 24.534 desarrolladores después de la limpieza de datos, con ponderación por geografía, empleo, idiomas y uso de productos, además de una advertencia explícita de que los usuarios de JetBrains podrían ser más propensos a responder. Dentro de ese marco, JetBrains informa de un 85% de uso regular de IA para codificación y un 62% de dependencia de al menos un asistente de codificación de IA, agente o editor de código.

La actualización de AI Pulse de enero de 2026 hace que el mapa del mercado sea más granular. Cubrió a más de 10.000 desarrolladores profesionales en todo el mundo, localizada en ocho idiomas, ponderada para alinearse con las distribuciones de Developer Ecosystem 2025. En esa encuesta, el 90% usaba regularmente al menos una herramienta de IA en el trabajo, el 74% había adoptado herramientas de desarrollo de IA especializadas, GitHub Copilot era utilizado en el trabajo por el 29%, y Cursor y Claude Code eran utilizados cada uno por el 18%.

DORA añade una lente de organización tecnológica. El resumen DORA 2025 de Google dice que el informe se basó en casi 5.000 profesionales de la tecnología a nivel mundial, con un 90% informando del uso de IA en el trabajo y una media de dos horas diarias dedicadas a trabajar con IA. DORA también dice que el 65% depende en gran medida de la IA para el desarrollo de software y más del 80% informa de ganancias de productividad.

La advertencia es que estas no son poblaciones idénticas. Stack Overflow encuesta a una amplia comunidad de desarrolladores. JetBrains encuesta a desarrolladores y proporciona detalles de ponderación. DORA encuesta a profesionales de la tecnología y estudia sistemas de equipo, no solo asistentes de codificación. El hecho de que los tres apunten a una alta adopción es significativo; el hecho de que utilicen diferentes denominadores es la razón por la que no deben fusionarse en un solo número.

GitHub Copilot es el ancla de adopción de pago más clara

GitHub Copilot no es todo el mercado de asistentes de codificación de IA, pero es el ancla comercial mejor documentada. Microsoft dijo en el FY26 Q1 que GitHub Copilot tenía “ahora más de 26 millones de usuarios” y que GitHub en sí tenía más de 180 millones de desarrolladores. La misma llamada dijo que el 80% de los nuevos desarrolladores en GitHub comienzan con Copilot dentro de su primera semana y que se habían fusionado más de 500 millones de solicitudes de extracción durante el año anterior.

El número de pago es más claro que el número de usuarios. En el FY26 Q2, Microsoft dijo que Copilot tenía más de 4,7 millones de suscriptores de pago, un 75% más interanual, y que las suscripciones Copilot Pro+ para desarrolladores individuales aumentaron un 77% trimestre a trimestre. Microsoft también citó a Siemens adoptando GitHub ampliamente después de una implementación de Copilot a más de 30.000 desarrolladores, un ejemplo empresarial concreto que no debe generalizarse a todos los clientes.

Para el FY26 Q3, Microsoft dijo que casi 140.000 organizaciones usan GitHub Copilot, los suscriptores empresariales casi se habían triplicado interanualmente, la mayoría de los usuarios usan múltiples modelos y el uso de Copilot CLI casi se duplicó mes a mes. Microsoft también dijo que estaba moviendo Copilot hacia una tarificación basada en el uso para alinear la tarificación con el uso y los costes.

El producto en sí también está cambiando. GitHub ha ido más allá del autocompletado y el chat para convertirse en un agente de codificación que trabaja desde problemas y ramas, y Agent HQ, que GitHub posiciona como una capa organizadora para agentes de codificación. También ha añadido elección de modelo entre modelos de OpenAI, Anthropic y Google. En 2026, “asistente de codificación de IA” significa cada vez más un ecosistema de modelos, políticas, agentes y superficies de revisión, no solo un cuadro de autocompletado.

El mercado es más amplio que Copilot

El mapa de mercado más seguro es por superficie de flujo de trabajo, no por cuota de mercado inventada. GitHub Copilot es el ancla de pago más grande documentada públicamente, pero la encuesta de JetBrains de 2026 muestra que los desarrolladores utilizan una pila de múltiples herramientas: Copilot tenía un 76% de conocimiento y un 29% de adopción en el trabajo; Cursor tenía un 69% de conocimiento y un 18% de adopción; Claude Code alcanzó un 18% de adopción (24% en EE. UU. y Canadá); OpenAI Codex tenía un 27% de conocimiento y un 3% de adopción dentro de la ventana de la encuesta; y Google Antigravity alcanzó un 6% después de su lanzamiento en noviembre.

Esa encuesta también muestra que las interfaces de chat generales siguen siendo importantes: el 28% de los desarrolladores usan ChatGPT en el trabajo para codificar, el 8% usa Gemini y el 7% usa el chatbot de Claude. La sección de herramientas de agente de Stack Overflow muestra de manera similar a ChatGPT y GitHub Copilot como herramientas comunes listas para usar entre los encuestados que usan o construyen agentes, con Claude Code, Google Gemini, Microsoft Copilot, Replit, Tabnine, Amazon CodeWhisperer, Cody y Devin en la cola larga.

Para los fundadores, este mapa es más útil que una clasificación falsa. Vender “otro asistente de codificación” es una posición débil a menos que el producto sea dueño de una capa específica: contexto del repositorio, revisión de seguridad, generación de pruebas, migración, búsqueda de código, incorporación de bases de código, automatización de terminales, ejecución en la nube, políticas, evaluaciones, facturación u orquestación de agentes.

Productividad: la creación de código más rápida es real, pero no es un ROI automático

El estudio de productividad positiva más citado es el experimento de tareas controladas de Copilot de GitHub. Los desarrolladores que usaron Copilot completaron una tarea de servidor HTTP de JavaScript un 55% más rápido, con un promedio de 1 hora y 11 minutos frente a 2 horas y 41 minutos sin Copilot. Este es un resultado real, pero es una configuración de tarea: respalda “Copilot puede acelerar ciertas tareas de codificación”, no “cada desarrollador es un 55% más rápido”.

La evidencia de la encuesta muestra que los desarrolladores sienten el beneficio. JetBrains dice que casi nueve de cada diez desarrolladores que usan IA para codificar ahorran al menos una hora por semana, y uno de cada cinco ahorra ocho horas o más. DORA dice que más del 80% cree que la IA aumentó la productividad y el 59% informa de una influencia positiva en la calidad del código. GitLab dice que el 78% informa de una salida de código más rápida y el 73% dice que la calidad general del código mejoró desde la adopción de herramientas de codificación de IA.

El problema no es si la IA puede hacer que el código aparezca más rápido. Puede hacerlo. El problema es si la creación de código más rápida se convierte en una entrega más rápida y segura. El anuncio DORA 2025 dice que la adopción de la IA tiene una relación positiva con el rendimiento y la productividad del producto, pero una relación negativa con la estabilidad de la entrega de software. El marco más amplio de DORA es que la IA amplifica el sistema que un equipo ya tiene: los equipos fuertes pueden beneficiarse, mientras que los bucles de retroalimentación débiles y los sistemas fuertemente acoplados quedan expuestos.

La encuesta de GitLab de 2026 hace que el cuello de botella posterior sea concreto: el 85% está de acuerdo en que la IA cambió el cuello de botella de la escritura de código a su revisión y validación, el 84% está de acuerdo en que el mayor desafío es gobernar el código generado por IA después de su creación, y el 82% dice que el código generado por IA corre el riesgo de generar nueva deuda técnica que su organización no está preparada para gestionar. La encuesta anterior de GitLab también dijo que los equipos pierden 7 horas por semana por miembro debido a procesos ineficientes, el 49% usa más de cinco herramientas de IA y solo el 37% confiaría en la IA para manejar tareas diarias sin revisión humana.

METR es el contraejemplo más agudo porque midió tareas reales en lugar de autoinformes. En su ensayo controlado aleatorio de principios de 2025, 16 desarrolladores experimentados de código abierto trabajaron en 246 tareas en repositorios maduros. Esperaban que la IA redujera el tiempo de finalización en un 24%, y después todavía creían que la IA los había acelerado en un 20%, pero el tiempo de finalización medido fue un 19% más largo cuando se permitió la IA (METR arXiv).

Eso no prueba que las herramientas de codificación de IA sean malas. METR advierte ahora que el resultado de principios de 2025 está desactualizado, y su actualización de 2026 dice que los datos más recientes son difíciles de interpretar porque los desarrolladores optan cada vez más por no realizar trabajos no permitidos por la IA, eligen las tareas de manera diferente y usan múltiples agentes simultáneamente. La lectura correcta es matizada: la productividad de la IA depende del tipo de tarea, la familiaridad con la base de código, el estándar de calidad, la carga de revisión y cuánto se ha rediseñado el flujo de trabajo en torno a la generación de código.

Suministro de código, solicitudes de extracción y puntos de referencia

Los asistentes de codificación de IA están cambiando el suministro de código. Microsoft dijo que decenas de miles de desarrolladores de AMD usan Copilot y aceptan cientos de miles de líneas de sugerencias de código cada mes. La documentación de métricas de uso de GitHub define la tasa de aceptación de finalización de código como la actividad de código aceptado dividida por la actividad de código generado. Estos son valiosos para los paneles de implementación internos, pero siguen siendo métricas de interacción.

La siguiente capa es el flujo de trabajo de solicitud de extracción. Microsoft dijo que se fusionaron más de 500 millones de solicitudes de extracción en GitHub durante el año anterior, en la misma discusión sobre agentes de codificación de IA y la adopción de Copilot. GitHub ha lanzado un agente de codificación Copilot que funciona desde problemas y ramas, y Agent HQ para gestionar múltiples agentes de codificación. Esto acerca la asistencia de IA al sistema de entrega, pero no elimina la responsabilidad de revisión.

Los puntos de referencia muestran por qué todos están invirtiendo en agentes de codificación. SWE-bench Verified contiene 500 instancias validadas por humanos, diseñadas como un conjunto de evaluación más fiable para agentes de codificación y modelos de lenguaje. HumanEval sigue siendo importante como un punto de referencia más antiguo de generación de código, pero es un formato histórico, no un proxy completo para el trabajo de software empresarial. La nota de OpenAI sobre ya no usar SWE-bench Verified como evaluación principal es una advertencia útil: los puntos de referencia pueden saturarse o perder poder discriminatorio a medida que mejoran los modelos y los andamios.

La confianza, la seguridad y la gobernanza son el nuevo centro del mercado

Los números de adopción son altos, pero la confianza no lo es. El comunicado de prensa de Stack Overflow de 2025 dice que el 46% de los desarrolladores no confía en la precisión de la salida de IA, frente al 31% en 2024. La encuesta detallada dice que el 66% cita soluciones de IA que son “casi correctas, pero no del todo”, y el 45,2% cita la depuración de código generado por IA como algo que consume mucho tiempo.

Para los agentes de IA, la preocupación es más aguda. Stack Overflow dice que el 87% está preocupado por la precisión de la información de los agentes de IA, y el 81% tiene preocupaciones de seguridad y privacidad sobre los datos al usar agentes. La paradoja de la confianza de DORA apunta en la misma dirección: solo el 24% informa de mucha o gran confianza en la IA, mientras que el 30% informa de poca o ninguna confianza.

La gobernanza es donde esto se convierte en un problema empresarial. La encuesta de GitLab de 2026 dice que el 43% no puede distinguir de forma fiable el código generado por IA del código escrito por humanos en su propia base de código, el 92% informa de algún desafío de gobernanza y el 80% está de acuerdo en que su organización adoptó herramientas de IA más rápido de lo que desarrolló políticas. GitLab también dice que el 87% confía en poder determinar en 24 horas si el código generado por IA contribuyó a un incidente de producción, pero el 34% de las organizaciones que tuvieron un incidente el año pasado no pudieron hacer esa determinación.

Los estudios de seguridad explican por qué la revisión no puede desaparecer. “¿Dormido al teclado?” es un estudio más antiguo sobre los riesgos de la generación de código al estilo Copilot. “¿Los usuarios escriben código más inseguro con asistentes de IA?” es otro estudio histórico importante sobre el comportamiento del usuario con la asistencia de codificación de IA. Trabajos más recientes de USENIX Security 2025 continúan examinando cómo el código generado por IA cambia el perfil de riesgo. Las tasas exactas de los documentos más antiguos no deben aplicarse ciegamente a las herramientas de 2026, pero la lección duradera se mantiene: el código generado necesita procedencia, revisión, pruebas, políticas y escaneo de seguridad.

Los proveedores están respondiendo pasando de la generación pura a los controles. GitHub está construyendo paneles de métricas, controles empresariales, elección de modelos y Agent HQ. GitLab está posicionando la gobernanza, la trazabilidad y la integración del ciclo de vida como la siguiente capa después de la generación de código. JetBrains está posicionando Air, Central, Junie y una infraestructura agentiva abierta en torno a la orquestación, el contexto local y la elección de modelos.

Qué significa esto para los líderes de ingeniería y los fundadores

Para los líderes de ingeniería, los números apuntan a un embudo de implementación. Comience con el acceso: ¿quién puede usar qué herramientas, con qué límites de datos? Luego mida el uso regular: uso activo diario y semanal, sugerencias aceptadas, tareas delegadas, flujos de trabajo de agentes. Luego pase a los resultados de entrega: tiempo de ciclo de solicitud de extracción, tiempo de revisión, calidad de las pruebas, defectos escapados, tasa de incidentes, satisfacción del desarrollador y si la IA cambia el cuello de botella.

El panel de control incorrecto se detiene en el volumen de código. La estadística de GitLab del 85% de cuello de botella en revisión y validación advierte que una generación más rápida simplemente puede trasladar el trabajo a etapas posteriores. El marco de “espejo y multiplicador” de DORA es la versión estratégica: la IA amplifica el sistema que la rodea. La dificultad de medición de METR es la versión experimental: los desarrolladores pueden sentirse más rápidos incluso cuando una tarea controlada dice lo contrario.

Para los fundadores, el mercado es claramente real, pero el posicionamiento genérico es débil. “Los desarrolladores están usando IA” ya no es diferenciador. Los productos más fuertes se adhieren a un cuello de botella específico: contexto de la base de código, migración, pruebas, revisión de seguridad, actualizaciones de dependencias, recuperación de conocimiento, revisión de PR, orquestación de agentes, evaluaciones, permisos o control de costos. Las páginas de productos oficiales enfatizan cada vez más el empaquetado y el flujo de trabajo empresarial — planes de GitHub Copilot y métricas, AWS Q Developer, Gemini Code Assist para empresas, costos de Claude Code y licencias de JetBrains AI — no solo la finalización de código.

Para los equipos de adquisiciones, los datos argumentan en contra de una clasificación de una sola herramienta. GitHub Copilot tiene el ancla de adopción de pago más fuerte revelada, pero JetBrains muestra un entorno de múltiples herramientas, Stack Overflow muestra un uso amplio de herramientas de IA en lugar de una cuota específica del proveedor, y GitLab muestra organizaciones que ya lidian con la proliferación de herramientas. Un proceso de compra realista compara la adaptación al IDE, el acceso al repositorio, la elección del modelo, los controles de políticas, la auditabilidad, los informes de uso, la retención de datos, la revisión de seguridad y si la herramienta es compatible con la ruta de revisión de código existente de la empresa. Los números de adopción dicen que hay demanda; no dicen que todas las organizaciones deban estandarizar la misma interfaz.

Los programas más sólidos tratan la adopción como un cambio de ingeniería gestionado, no como una implementación de puestos de software. Un equipo puede implementar licencias rápidamente y aun así no lograr cambiar los resultados de la entrega si los desarrolladores usan las herramientas solo para fragmentos aislados. Comience con tareas de bajo riesgo (documentación, andamiaje de pruebas, explicación de código, refactorizaciones simples, herramientas internas) y luego avance hacia cambios de mayor riesgo solo cuando el equipo pueda observar la tasa de aceptación, la carga de revisión, los hallazgos de seguridad y el impacto de los incidentes.

Convirtiendo estos números en decisiones

Trate las estadísticas más sólidas como un conjunto de lentes, cada una con su propio alcance:

La conclusión duradera de 2026 es que los asistentes de codificación de IA son convencionales, pero el mercado está pasando de “¿puede la IA escribir código?” a “¿pueden los equipos gestionar la entrega de software asistida por IA?”. Los ganadores no serán los equipos que generen más código. Serán los equipos que sepan de dónde vino cada código, por qué cambió, quién lo revisó, qué pruebas lo protegen y si mejoró el producto sin aumentar el riesgo oculto.

Preguntas frecuentes

Fuentes y lectura adicional