Un estudio sobre 25.264 pull requests muestra cómo se adoptan los coding agents de verdad
Una investigación publicada en julio de 2026 analiza 25.264 pull requests agentic en 2.361 repositorios. La adopción sigue concentrada, la mayoría de los flujos dependen de una sola persona y el volumen de PRs no equivale a productividad.
Por qué importa
Esta nota se enfoca en la decisión práctica para builders: qué cambia, qué riesgo agrega y cómo aplicarlo sin romper operación.
Un estudio publicado el 15 de julio de 2026 ofrece una corrección útil a la conversación sobre coding agents. En vez de comparar modelos en una tarea cerrada, analiza 25.264 pull requests creadas por agentes en 2.361 repositorios populares de GitHub. El resultado no describe una sustitución uniforme del equipo: muestra una adopción desigual, mucho control concentrado en una persona y una distancia importante entre cantidad de PRs y productividad real.
La investigación, disponible en arXiv, estudia tres herramientas identificadas en los datos: Copilot, Codex y Claude Code. Su ventana de observación corresponde a mayo, junio y julio de 2025, y el conjunto se centra en repositorios con más de 100 estrellas. Es una fotografía temprana del ecosistema open source, no un censo de empresas privadas ni una medición actual de todos los agentes.
La adopción está lejos de ser uniforme
La mediana de los repositorios analizados generó solo una o dos PRs agentic durante tres meses. Los proyectos pequeños, con entre uno y cinco colaboradores, muestran una mayor proporción de participación y más actividad promedio que los proyectos medianos y grandes. Eso no prueba que los equipos pequeños sean “mejores” usando agentes: puede reflejar que tienen menos capas de aprobación, ciclos más cortos o una sola persona que concentra implementación y revisión.
En el otro extremo, solo 25 de los 2.361 repositorios, cerca del 1 %, superaron la referencia contextual de 36 PRs por participante en el trimestre. Los autores aclaran que esa línea viene de una observación industrial previa y no es un estándar universal. Usarla como meta de equipo sería convertir una referencia en una cuota.
Una persona sigue cargando con la revisión
El dato más operativo aparece en la colaboración. En 78,9 % de las PRs, la misma persona revisa y modifica la contribución del agente. Otro 9,8 % tiene un revisor sin un committer humano identificado. En conjunto, los flujos centrados en una sola persona representan 88,7 % de los casos; las PRs con dos o más personas son una minoría.
Eso explica por qué “poner un agente en el repositorio” no equivale a tener un equipo multiagente. El agente puede generar el cambio, pero la responsabilidad de interpretar el diff, corregirlo y decidir si entra al historial sigue recayendo en una persona. Si esa persona se convierte en cuello de botella, aumentar la autonomía puede aumentar la cola de revisión en lugar de aumentar la entrega.
Qué medir en tu propio repositorio
El estudio tiene limitaciones importantes: observa repositorios populares, trabaja con una ventana de 2025 y usa el volumen de PRs por participante como proxy, sin medir de forma completa tamaño, complejidad, calidad o esfuerzo de revisión. Por eso conviene tomarlo como señal de diseño, no como promesa de productividad.
Para un piloto propio, registra:
- PRs propuestas, aceptadas y revertidas, no solo las creadas.
- Tiempo de revisión humana y número de ciclos hasta merge.
- Tipo de tarea: bug, test, documentación, refactor o feature.
- Cambios posteriores al merge, para detectar deuda que el volumen oculta.
- Responsable y capacidad de revisión, con límites por agente y por repositorio.
La demanda se infiere, sin SEO tooling conectado, por el paper, la disponibilidad del dataset AIDev y consultas como agentic pull requests, coding agents GitHub y adopción de agentes de código. Agente IA puede competir porque aterriza el hallazgo para builders de Latinoamérica: antes de medir cuántas líneas produce tu agente, mide quién revisa, cuánto corrige y qué llega realmente a producción.
Si estás creando un workflow de coding agent, el curso gratis ayuda a poner herramientas, pruebas y aprobación humana dentro del mismo loop. El benchmark más útil para tu equipo no es el número de PRs; es la cantidad de cambios confiables que puede sostener sin quemar a quien revisa.