Estatísticas do Claude Code.

O Claude Code é um estudo de caso útil sobre a rapidez com que as ferramentas de codificação de IA estão a passar da assistência estilo autocompletar para fluxos de trabalho agênticos: comandos de terminal, edições de ficheiros, navegação em repositórios, comentários de pull-request e sequências de execução mais longas. Mas “estatísticas do Claude Code” podem significar várias coisas diferentes.

Alguns números descrevem a adoção em pesquisas de desenvolvedores. Outros descrevem o comportamento de uso dentro das sessões do Claude Code. Outros ainda medem a capacidade técnica em benchmarks como SWE-bench Verified ou Terminal-Bench. E outros são apenas sinais do ecossistema — estrelas do GitHub, atividade npm ou pesquisa em repositórios públicos. Este artigo separa essas categorias, priorizando materiais oficiais da Anthropic, documentação do produto, pesquisas de desenvolvedores, fontes primárias do GitHub/npm, artigos académicos e organizações de benchmark independentes. Não trata como estatísticas fiáveis as alegações não fundamentadas de utilizadores ativos mensais, receita, clientes empresariais ou ROI universal.

Principais Estatísticas

Os números mais detalhados vêm da própria pesquisa da Anthropic sobre as sessões do Claude Code. Cada um é telemetria direta ou análise estruturada — mas produzida pelo fornecedor e medida sob um design de estudo específico.

O que é o Claude Code — e o que as suas estatísticas medem

O Claude Code é uma ferramenta de codificação agêntica utilizável a partir do terminal, IDE, aplicação de desktop e navegador, com acesso através de subscrições Claude ou contas Anthropic Console (Documentação do Claude Code). Essa definição é importante porque as estatísticas do Claude Code não são intermutáveis com as estatísticas do modelo Claude.

A documentação de introdução da Anthropic lista requisitos de instalação precisos — Node.js 18+, 4 GB+ RAM e sistemas suportados, incluindo macOS 10.15+, Ubuntu 20.04+, Debian 10+ e Windows 10+ através do WSL (Documentação da Anthropic). Uma consequência prática é que a “unidade” de análise varia: uma sessão pode incluir muitas chamadas de ferramentas e voltas; uma invocação do GitHub Actions é limitada por --max-turns (padrão 10); uma execução de benchmark dá a um agente um scaffold específico; e uma resposta de pesquisa representa o uso auto-declarado, não a telemetria observada.

Adoção em Pesquisas de Desenvolvedores

A percentagem de adoção explícita mais forte vem da Pesquisa de Desenvolvedores de 2025 do Stack Overflow — mais de 49.000 respondentes de 177 países, com uma pergunta sobre IDE/ferramenta habilitada para IA que nomeia explicitamente Cursor, Claude Code e Windsurf (Stack Overflow).

Esse 10% não deve ser confundido com a descoberta separada de que os modelos Claude Sonnet foram usados por 45% dos desenvolvedores profissionais na pergunta sobre uso de LLM — “uso do modelo Claude” e “Claude Code como um ambiente de desenvolvimento habilitado para IA” são construções diferentes (Stack Overflow). A JetBrains adiciona um contexto forte: a sua pesquisa State of Developer Ecosystem 2025 (24.534 desenvolvedores após limpeza, realizada de abril a junho de 2025) descobriu que 85% dos desenvolvedores usam ferramentas de IA e 62% usam regularmente pelo menos um assistente de codificação (JetBrains). O Octoverse 2025 do GitHub é diferente novamente — atividade observada em mais de 180 milhões de desenvolvedores e 630 milhões de repositórios, mas não publica percentagens de quota de mercado do Claude Code (Blog do GitHub).

Padrões de Uso: Sessões, Voltas, Autonomia e Mistura de Tarefas

As estatísticas de uso mais detalhadas vêm do estudo da Anthropic “Codificação agêntica e retornos persistentes à especialização” — cerca de 400.000 sessões de 235.000 pessoas entre outubro de 2025 e abril de 2026 (Anthropic). O número único mais impressionante é o tempo de execução ativo médio: 20 horas por semana por utilizador, medido como tempo de execução ativo em vez de tempo de digitação.

O estudo da Anthropic afirma que os humanos determinam principalmente o que deve ser feito, enquanto o Claude determina principalmente como é executado (Anthropic). A mistura de tarefas também mudou: a parcela de depuração caiu quase pela metade durante o período do estudo, enquanto a implantação, análise de dados e geração de documentos não relacionados a código cresceram, e o valor mediano das tarefas tentadas aumentou em aproximadamente 25% (Anthropic). A série Economic Index acrescenta que o sucesso do Claude diminui à medida que a duração da tarefa aumenta, enquanto a interação multi-turno compensa parcialmente a complexidade (Anthropic).

Especialização, Taxas de Sucesso e os “Retornos Persistentes à Especialização”

Uma das descobertas mais importantes é que melhores ferramentas de IA não eliminam a especialização humana.

As métricas de sucesso dependem do sistema humano-IA, não apenas do modelo: os especialistas são melhores a especificar tarefas, detetar alterações incorretas, restringir o âmbito e decidir quando intervir. A descoberta de abandono aponta na mesma direção — a Anthropic relata que os novatos abandonam sessões falhas várias vezes mais frequentemente (Anthropic). Estas taxas são medidas sob um design de estudo e definição de sucesso específicos; são melhor lidas como evidência de que a especialização permanece complementar à codificação agêntica do que como taxas de sucesso universais para cada repositório.

Uso Interno da Anthropic e Tendências de Autonomia

A Anthropic publica várias estatísticas sobre o seu próprio uso interno. A sua página de produto Claude Code afirma que, na Anthropic, “a maioria do código é agora escrita pelo Claude Code” (Anthropic) — uma declaração forte sobre o próprio fluxo de trabalho da Anthropic, não uma afirmação sobre todas as empresas.

Esses números sugerem períodos autónomos mais longos e menos interrupções, mas os humanos não desapareceram: para tarefas de complexidade mínima, 87% das chamadas de ferramentas envolviam humanos, versus 67% para tarefas de alta complexidade (Anthropic). A Anthropic também relatou que o sucesso nas tarefas mais difíceis dos funcionários duplicou durante o período de observação — melhor apresentado como uma mudança relativa, uma vez que o dossiê não fornece percentagens absolutas de início e fim. Os dados internos da Anthropic são valiosos porque vêm de trabalho real, mas a Anthropic é tanto a criadora do produto quanto uma organização invulgarmente nativa de IA, então esses números mostram o que é possível no ambiente da Anthropic, não a adoção em nível populacional.

Estatísticas de Produto, Implementação, Segurança e Preços

A documentação do Claude Code fornece detalhes operacionais concretos, embora não divulgue contagens públicas de utilizadores, totais de instalações ou receita.

A documentação de segurança descreve o Claude Code como somente leitura por padrão, exigindo permissão explícita antes de editar ficheiros ou executar comandos, com credenciais encriptadas, retenção limitada e SOC 2 Tipo II / ISO 27001 referenciados através do Centro de Confiança da Anthropic (Documentação da Anthropic). Os documentos de uso de dados afirmam que, por padrão, a Anthropic não treina modelos generativos em código ou prompts enviados através do Claude Code (Documentação da Anthropic) — para organizações, muitas vezes mais relevante para a decisão do que qualquer pontuação de benchmark.

Sinais Públicos do Ecossistema: GitHub, npm e Deteção de Código Aberto

Os dados públicos do ecossistema podem rastrear a visibilidade e o envolvimento do desenvolvedor, mas não devem ser confundidos com a medição de utilizadores ativos. O repositório canónico é anthropics/claude-code, expondo estrelas, forks, observadores, problemas e lançamentos (GitHub).

A semântica da API do próprio GitHub é importante: nos metadados do repositório, watchers_count espelha stargazers_count, enquanto os observadores de notificação reais são subscribers_count (Documentação do GitHub). As estrelas são melhor tratadas como atenção, os forks como experimentação — nenhum prova o uso em produção. O pacote npm canónico é @anthropic-ai/claude-code, onde as contagens de downloads representariam recuperações de pacotes, não instalações confirmadas (npm). O trabalho académico está a começar a estudar agentes em repositórios públicos — o conjunto de dados AIDev cobre 932.791 pull requests autorizados por agentes em cinco agentes de codificação, incluindo o Claude Code (arXiv) — mas repositórios privados, fluxos de trabalho apenas locais e implementações empresariais estão em falta, então a deteção pública é uma lente de limite inferior, não uma contagem abrangente.

Benchmarks e Contexto de Capacidade

As estatísticas do Claude Code são frequentemente misturadas com as estatísticas de benchmark do modelo Claude. Isso é útil apenas se a distinção for explícita: os benchmarks avaliam os modelos Claude com ferramentas, prompts e ambientes de execução específicos.

No Terminal-Bench, a Anthropic relatou o Claude Opus 4 com 43,2% e o Claude Sonnet 4 com 35,5% sob uma configuração de agente externo comparável — e relatou separadamente pontuações mais altas usando o próprio Claude Code em vez da estrutura externa idêntica, ilustrando que o software de agente circundante afeta o desempenho medido (Anthropic). A conclusão mais segura: os benchmarks medem a capacidade técnica restrita, não a adoção, produtividade, receita ou quota de mercado. Uma pontuação alta no SWE-bench não nos diz quantos desenvolvedores usam o Claude Code todos os dias.

Alegações do Claude Code Não Suportadas ou Frequentemente Mal Interpretadas

Várias estatísticas atraentes não são suportadas pelo dossiê e não devem ser tratadas como factos.

Nota sobre a Qualidade da Fonte

A evidência mais forte específica do Claude Code vem da pesquisa oficial da Anthropic sobre sessões, autonomia, padrões de trabalho internos, o Índice Económico e interações de desenvolvimento de software — telemetria direta ou análise estruturada, mas produzida pelo fornecedor (Anthropic).

Perguntas Frequentes

Fontes e Leitura Adicional