Estadísticas de Claude Code.

Claude Code es un caso de estudio útil sobre la rapidez con la que las herramientas de codificación de IA están pasando de la asistencia tipo autocompletar a los flujos de trabajo agénticos: comandos de terminal, ediciones de archivos, navegación por repositorios, comentarios de solicitudes de extracción y secuencias de ejecución más largas. Pero “estadísticas de Claude Code” puede significar varias cosas diferentes.

Algunos números describen la adopción en encuestas de desarrolladores. Otros describen el comportamiento de uso dentro de las sesiones de Claude Code. Otros miden la capacidad técnica en benchmarks como SWE-bench Verified o Terminal-Bench. Otros son solo señales del ecosistema — estrellas de GitHub, actividad de npm o investigación de repositorios públicos. Este artículo separa esas categorías, priorizando los materiales oficiales de Anthropic, la documentación del producto, las encuestas de desarrolladores, las fuentes primarias de GitHub/npm, los artículos académicos y las organizaciones de benchmarks independientes. No trata las afirmaciones no verificadas de usuarios activos mensuales, ingresos, clientes empresariales o ROI universal como estadísticas fiables.

Principales estadísticas

Los números más detallados provienen de la propia investigación de Anthropic sobre las sesiones de Claude Code. Cada uno es telemetría directa o análisis estructurado, pero producido por el proveedor y medido bajo un diseño de estudio específico.

Qué es Claude Code — y qué miden sus estadísticas

Claude Code es una herramienta de codificación agéntica utilizable desde el terminal, el IDE, la aplicación de escritorio y el navegador, con acceso a través de suscripciones de Claude o cuentas de Anthropic Console (Documentación de Claude Code). Esa definición es importante porque las estadísticas de Claude Code no son intercambiables con las estadísticas del modelo de Claude.

La documentación de inicio de Anthropic enumera los requisitos de instalación precisos: Node.js 18+, 4 GB+ de RAM y sistemas compatibles que incluyen macOS 10.15+, Ubuntu 20.04+, Debian 10+ y Windows 10+ a través de WSL (Documentación de Anthropic). Una consecuencia práctica es que la “unidad” de análisis varía: una sesión puede incluir muchas llamadas a herramientas y turnos; una invocación de GitHub Action está limitada por --max-turns (predeterminado 10); una ejecución de benchmark le da a un agente un andamiaje específico; y una respuesta de encuesta representa el uso autoinformado, no la telemetría observada.

Adopción en encuestas de desarrolladores

El porcentaje de adopción explícito más fuerte proviene de la Encuesta para Desarrolladores 2025 de Stack Overflow — más de 49.000 encuestados de 177 países, con una pregunta sobre IDE/herramientas habilitadas para IA que nombra explícitamente a Cursor, Claude Code y Windsurf (Stack Overflow).

Ese 10% no debe confundirse con el hallazgo separado de que los modelos Claude Sonnet fueron utilizados por el 45% de los desarrolladores profesionales en la pregunta sobre el uso de LLM — “uso del modelo Claude” y “Claude Code como entorno de desarrollo habilitado para IA” son constructos diferentes (Stack Overflow). JetBrains añade un fuerte contexto: su encuesta State of Developer Ecosystem 2025 (24.534 desarrolladores después de la limpieza, realizada entre abril y junio de 2025) encontró que el 85% de los desarrolladores usan herramientas de IA y el 62% usa regularmente al menos un asistente de codificación (JetBrains). Octoverse 2025 de GitHub es diferente de nuevo — actividad observada en más de 180 millones de desarrolladores y 630 millones de repositorios, pero no publica porcentajes de cuota de mercado de Claude Code (Blog de GitHub).

Patrones de uso: sesiones, turnos, autonomía y mezcla de tareas

Las estadísticas de uso más detalladas provienen del estudio de Anthropic “Codificación agéntica y retornos persistentes a la experiencia” — alrededor de 400.000 sesiones de 235.000 personas entre octubre de 2025 y abril de 2026 (Anthropic). El número más sorprendente es el tiempo de ejecución activo promedio: 20 horas por semana por usuario, medido como tiempo de ejecución activo en lugar de tiempo de escritura.

El estudio de Anthropic afirma que los humanos determinan principalmente qué se debe hacer, mientras que Claude determina principalmente cómo se ejecuta (Anthropic). La mezcla de tareas también cambió: la proporción de depuración se redujo casi a la mitad durante el período de estudio, mientras que la implementación, el análisis de datos y la generación de documentos no relacionados con el código crecieron, y el valor medio de las tareas intentadas aumentó aproximadamente un 25% (Anthropic). La serie Economic Index añade que el éxito de Claude disminuye a medida que aumenta la duración de la tarea, mientras que la interacción multiturno compensa parcialmente la complejidad (Anthropic).

Experiencia, tasas de éxito y los “retornos persistentes a la experiencia”

Uno de los hallazgos más importantes es que las mejores herramientas de IA no eliminan la experiencia humana.

Las métricas de éxito dependen del sistema humano-IA, no solo del modelo: los expertos son mejores para especificar tareas, detectar cambios incorrectos, reducir el alcance y decidir cuándo intervenir. El hallazgo de abandono apunta en la misma dirección: Anthropic informa que los novatos abandonan las sesiones fallidas varias veces más frecuentemente (Anthropic). Estas tasas se miden bajo un diseño de estudio y una definición de éxito específicos; se leen mejor como evidencia de que la experiencia sigue siendo complementaria a la codificación agéntica que como tasas de éxito universales para cada repositorio.

Uso interno de Anthropic y tendencias de autonomía

Anthropic publica varias estadísticas sobre su propio uso interno. Su página de producto Claude Code afirma que, en Anthropic, “la mayoría del código ahora es escrito por Claude Code” (Anthropic) — una declaración fuerte sobre el propio flujo de trabajo de Anthropic, no una afirmación sobre todas las empresas.

Esos números sugieren tramos autónomos más largos y menos interrupciones, pero los humanos no desaparecieron: para tareas de complejidad mínima, el 87% de las llamadas a herramientas involucraron a humanos, frente al 67% para tareas de alta complejidad (Anthropic). Anthropic también informó que el éxito en las tareas más difíciles de los empleados se duplicó durante el período de observación, lo que se presenta mejor como un cambio relativo, ya que el dossier no proporciona porcentajes absolutos de inicio y fin. Los datos internos de Anthropic son valiosos porque provienen de un trabajo real, pero Anthropic es tanto el fabricante del producto como una organización inusualmente nativa de IA, por lo que estas cifras muestran lo que es posible en el entorno de Anthropic, no la adopción a nivel de población.

Estadísticas de producto, implementación, seguridad y precios

La documentación de Claude Code proporciona detalles operativos concretos, aunque no revela recuentos públicos de usuarios, totales de instalaciones o ingresos.

La documentación de seguridad describe a Claude Code como de solo lectura por defecto, requiriendo permiso explícito antes de editar archivos o ejecutar comandos, con credenciales cifradas, retención limitada y SOC 2 Tipo II / ISO 27001 referenciados a través del Centro de Confianza de Anthropic (Documentación de Anthropic). Los documentos de uso de datos establecen que, por defecto, Anthropic no entrena modelos generativos con código o indicaciones enviadas a través de Claude Code (Documentación de Anthropic) — para las organizaciones, a menudo más relevante para la toma de decisiones que cualquier puntuación de benchmark.

Señales públicas del ecosistema: GitHub, npm y detección de código abierto

Los datos públicos del ecosistema pueden rastrear la visibilidad y el compromiso de los desarrolladores, pero no deben confundirse con la medición de usuarios activos. El repositorio canónico es anthropics/claude-code, que expone estrellas, bifurcaciones, observadores, problemas y lanzamientos (GitHub).

La semántica de la API de GitHub importa: en los metadatos del repositorio, watchers_count refleja stargazers_count, mientras que los observadores de notificaciones reales son subscribers_count (Documentación de GitHub). Las estrellas se tratan mejor como atención, las bifurcaciones como experimentación; ninguna prueba el uso en producción. El paquete npm canónico es @anthropic-ai/claude-code, donde los recuentos de descargas representarían recuperaciones de paquetes, no instalaciones confirmadas (npm). El trabajo académico está comenzando a estudiar agentes en repositorios públicos — el conjunto de datos AIDev cubre 932.791 solicitudes de extracción creadas por agentes en cinco agentes de codificación, incluido Claude Code (arXiv) — pero faltan repositorios privados, flujos de trabajo solo locales e implementaciones empresariales, por lo que la detección pública es una lente de límite inferior, no un recuento exhaustivo.

Benchmarks y contexto de capacidad

Las estadísticas de Claude Code a menudo se mezclan con las estadísticas de benchmark del modelo de Claude. Esto solo es útil si la distinción es explícita: los benchmarks evalúan los modelos de Claude con herramientas, indicaciones y entornos de ejecución particulares.

En Terminal-Bench, Anthropic informó que Claude Opus 4 obtuvo un 43,2% y Claude Sonnet 4 un 35,5% bajo una configuración de agente externo comparable, y por separado informó puntuaciones más altas utilizando Claude Code en lugar del marco externo idéntico, lo que ilustra que el software del agente circundante afecta el rendimiento medido (Anthropic). La conclusión más segura: los benchmarks miden la capacidad técnica restringida, no la adopción, la productividad, los ingresos o la cuota de mercado. Una puntuación alta en SWE-bench no nos dice cuántos desarrolladores usan Claude Code todos los días.

Afirmaciones de Claude Code no respaldadas o comúnmente malinterpretadas

Varias estadísticas atractivas no están respaldadas por el dossier y no deben tratarse como hechos.

Nota sobre la calidad de la fuente

La evidencia más sólida específica de Claude Code proviene de la investigación oficial de Anthropic sobre sesiones, autonomía, patrones de trabajo internos, el Índice Económico e interacciones de desarrollo de software — telemetría directa o análisis estructurado, pero producido por el proveedor (Anthropic).

Preguntas frecuentes

Fuentes y lectura adicional