Statistiche di Claude Code.

Claude Code è un utile caso di studio su quanto rapidamente gli strumenti di codifica AI si stiano spostando dall’assistenza in stile autocompletamento verso flussi di lavoro agentici: comandi da terminale, modifiche di file, navigazione di repository, commenti di pull request e sequenze di esecuzione più lunghe. Ma “statistiche di Claude Code” può significare diverse cose.

Alcuni numeri descrivono l’adozione nei sondaggi degli sviluppatori. Altri descrivono il comportamento di utilizzo all’interno delle sessioni di Claude Code. Altri ancora misurano la capacità tecnica su benchmark come SWE-bench Verified o Terminal-Bench. Altri sono solo segnali dell’ecosistema — stelle di GitHub, attività npm o ricerca su repository pubblici. Questo articolo separa queste categorie, dando priorità ai materiali ufficiali di Anthropic, alla documentazione del prodotto, ai sondaggi degli sviluppatori, alle fonti primarie GitHub/npm, ai documenti accademici e alle organizzazioni di benchmark indipendenti. Non considera come statistiche affidabili le affermazioni non documentate su utenti attivi mensili, ricavi, clienti aziendali o ROI universale.

Statistiche principali

I numeri più dettagliati provengono dalla ricerca di Anthropic sulle sessioni di Claude Code. Ciascuno è telemetria diretta o analisi strutturata — ma prodotta dal fornitore e misurata secondo un design di studio specifico.

Cos’è Claude Code — e cosa misurano le sue statistiche

Claude Code è uno strumento di codifica agentico utilizzabile da terminale, IDE, app desktop e browser, con accesso tramite abbonamenti Claude o account Anthropic Console (Claude Code Docs). Questa definizione è importante perché le statistiche di Claude Code non sono intercambiabili con le statistiche del modello Claude.

La documentazione di avvio di Anthropic elenca i requisiti di installazione precisi — Node.js 18+, 4 GB+ di RAM e sistemi supportati tra cui macOS 10.15+, Ubuntu 20.04+, Debian 10+ e Windows 10+ tramite WSL (Anthropic Docs). Una conseguenza pratica è che l‘“unità” di analisi varia: una sessione può includere molte chiamate e turni di strumenti; un’invocazione di GitHub Action è limitata da --max-turns (predefinito 10); un’esecuzione di benchmark fornisce a un agente uno scaffold specifico; e una risposta a un sondaggio rappresenta l’uso auto-dichiarato, non la telemetria osservata.

Adozione nei sondaggi per sviluppatori

La percentuale di adozione esplicita più forte proviene dal sondaggio per sviluppatori 2025 di Stack Overflow — oltre 49.000 rispondenti da 177 paesi, con una domanda su IDE/strumenti abilitati all’AI che nomina esplicitamente Cursor, Claude Code e Windsurf (Stack Overflow).

Quel 10% non deve essere confuso con il dato separato secondo cui i modelli Claude Sonnet sono stati utilizzati dal 45% degli sviluppatori professionisti nella domanda sull’uso degli LLM — “uso del modello Claude” e “Claude Code come ambiente di sviluppo abilitato all’AI” sono costrutti diversi (Stack Overflow). JetBrains aggiunge un forte contesto: il suo sondaggio “State of Developer Ecosystem 2025” (24.534 sviluppatori dopo la pulizia, condotto tra aprile e giugno 2025) ha rilevato che l’85% degli sviluppatori utilizza strumenti AI e il 62% utilizza regolarmente almeno un assistente di codifica (JetBrains). Octoverse 2025 di GitHub è ancora diverso — attività osservata su oltre 180 milioni di sviluppatori e 630 milioni di repository, ma non pubblica percentuali di quota di mercato di Claude Code (GitHub Blog).

Modelli di utilizzo: sessioni, turni, autonomia e mix di attività

Le statistiche di utilizzo più dettagliate provengono dallo studio di Anthropic “Codifica agentica e ritorni persistenti all’expertise” — circa 400.000 sessioni da 235.000 persone tra ottobre 2025 e aprile 2026 (Anthropic). Il numero singolo più sorprendente è il tempo di esecuzione attivo medio: 20 ore a settimana per utente, misurato come tempo di esecuzione attivo piuttosto che tempo di digitazione.

Lo studio di Anthropic afferma che gli esseri umani determinano principalmente cosa deve essere fatto, mentre Claude determina principalmente come viene eseguito (Anthropic). Anche il mix di attività è cambiato: la quota di debugging è diminuita di quasi la metà durante il periodo di studio, mentre la distribuzione, l’analisi dei dati e la generazione di documenti non di codice sono cresciute, e il valore mediano delle attività tentate è aumentato di circa il 25% (Anthropic). La serie Economic Index aggiunge che il successo di Claude diminuisce all’aumentare della lunghezza del compito, mentre l’interazione multi-turno compensa parzialmente la complessità (Anthropic).

Expertise, tassi di successo e i “ritorni persistenti all’expertise”

Una delle scoperte più importanti è che strumenti AI migliori non cancellano l’expertise umana.

Le metriche di successo dipendono dal sistema umano-AI, non solo dal modello: gli esperti sono più bravi a specificare i compiti, individuare modifiche errate, restringere l’ambito e decidere quando intervenire. Il dato sull’abbandono indica la stessa direzione — Anthropic riporta che i principianti abbandonano le sessioni fallimentari diverse volte più frequentemente (Anthropic). Questi tassi sono misurati secondo un design di studio specifico e una definizione di successo; sono meglio interpretati come prova che l’expertise rimane complementare alla codifica agentica piuttosto che come tassi di successo universali per ogni repository.

Uso interno di Anthropic e tendenze dell’autonomia

Anthropic pubblica diverse statistiche sul proprio uso interno. La sua pagina prodotto Claude Code afferma che, in Anthropic, “la maggior parte del codice è ora scritta da Claude Code” (Anthropic) — un’affermazione forte sul flusso di lavoro di Anthropic, non una pretesa su tutte le aziende.

Questi numeri suggeriscono periodi autonomi più lunghi e meno interruzioni, ma gli esseri umani non sono scomparsi: per compiti di minima complessità, l’87% delle chiamate agli strumenti ha coinvolto gli esseri umani, contro il 67% per compiti di alta complessità (Anthropic). Anthropic ha anche riportato che il successo sui compiti più difficili dei dipendenti è raddoppiato durante il periodo di osservazione — meglio presentato come un cambiamento relativo, poiché il dossier non fornisce percentuali assolute di inizio e fine. I dati interni di Anthropic sono preziosi perché provengono da lavoro reale, ma Anthropic è sia il produttore del prodotto sia un’organizzazione insolitamente nativa dell’AI, quindi queste cifre mostrano ciò che è possibile nell’ambiente di Anthropic, non l’adozione a livello di popolazione.

Statistiche di prodotto, distribuzione, sicurezza e prezzi

La documentazione di Claude Code fornisce dettagli operativi concreti, anche se non rivela conteggi pubblici di utenti, totali di installazioni o ricavi.

La documentazione sulla sicurezza descrive Claude Code come di sola lettura per impostazione predefinita, richiedendo un permesso esplicito prima di modificare file o eseguire comandi, con credenziali crittografate, conservazione limitata e SOC 2 Tipo II / ISO 27001 referenziati tramite il Trust Center di Anthropic (Anthropic Docs). I documenti sull’utilizzo dei dati affermano che, per impostazione predefinita, Anthropic non addestra modelli generativi su codice o prompt inviati tramite Claude Code (Anthropic Docs) — per le organizzazioni, spesso più rilevante per le decisioni di qualsiasi punteggio di benchmark.

Segnali pubblici dell’ecosistema: GitHub, npm e rilevamento open-source

I dati pubblici dell’ecosistema possono tracciare la visibilità e l’engagement degli sviluppatori, ma non devono essere confusi con la misurazione degli utenti attivi. Il repository canonico è anthropics/claude-code, che espone stelle, fork, watcher, problemi e rilasci (GitHub).

Le semantiche API di GitHub contano: nei metadati del repository watchers_count rispecchia stargazers_count, mentre i watcher di notifica effettivi sono subscribers_count (GitHub Docs). Le stelle sono meglio trattate come attenzione, i fork come sperimentazione — nessuno dei due prova l’uso in produzione. Il pacchetto npm canonico è @anthropic-ai/claude-code, dove i conteggi dei download rappresenterebbero i recuperi dei pacchetti, non le installazioni confermate (npm). Il lavoro accademico sta iniziando a studiare gli agenti nei repository pubblici — il dataset AIDev copre 932.791 pull request create da agenti su cinque agenti di codifica, incluso Claude Code (arXiv) — ma i repository privati, i flussi di lavoro solo locali e le distribuzioni aziendali sono mancanti, quindi il rilevamento pubblico è una lente di limite inferiore, non un conteggio completo.

Benchmark e contesto delle capacità

Le statistiche di Claude Code vengono spesso mescolate con le statistiche di benchmark del modello Claude. Ciò è utile solo se la distinzione è esplicita: i benchmark valutano i modelli Claude con strumenti, prompt e ambienti di esecuzione particolari.

Su Terminal-Bench, Anthropic ha riportato Claude Opus 4 al 43,2% e Claude Sonnet 4 al 35,5% con una configurazione di agente esterno comparabile — e ha riportato separatamente punteggi più alti usando Claude Code piuttosto che il framework esterno identico, illustrando che il software agente circostante influisce sulle prestazioni misurate (Anthropic). La conclusione più sicura: i benchmark misurano la capacità tecnica vincolata, non l’adozione, la produttività, i ricavi o la quota di mercato. Un punteggio elevato su SWE-bench non ci dice quanti sviluppatori usano Claude Code ogni giorno.

Affermazioni su Claude Code non supportate o comunemente fraintese

Diverse statistiche attraenti non sono supportate dal dossier e non dovrebbero essere trattate come fatti.

Nota sulla qualità della fonte

Le prove più solide specifiche per Claude Code provengono dalla ricerca ufficiale di Anthropic su sessioni, autonomia, modelli di lavoro interni, l’Economic Index e interazioni di sviluppo software — telemetria diretta o analisi strutturata, ma prodotta dal fornitore (Anthropic).

Domande frequenti

Fonti e ulteriori letture