Agentes
GitHub Octoverse 2026: agentes de IA já iniciam mais de 40% dos pull requests
Segundo o Octoverse 2026 do GitHub, agentes redigiram mais de 40% dos pull requests em setembro, contra 17% em março. O que os números medem e não medem.
Em março de 2026, 17% dos pull requests no GitHub começavam com um rascunho escrito por um agente de programação. Em setembro, eram mais de 40%. Esse é o número principal do relatório anual Octoverse do GitHub, publicado em 28 de outubro de 2026 junto com os anúncios do GitHub Universe (GitHub).
São medições do próprio GitHub sobre sua plataforma. O GitHub também vende o Copilot e seus agentes de programação, então o relatório é um dado útil sobre como a plataforma é usada, e não uma auditoria independente.
Os números principais
- Pull requests iniciados por um agente: mais de 40% em setembro de 2026, contra 17% em março, ou cerca de 110 milhões só em setembro, aproximadamente seis vezes o volume de março.
- Atividade geral: 17,9 bilhões de pushes nos 12 meses até 30 de setembro de 2026, mais do que em 2024 e 2025 somados, 34,3 bilhões de commits e 1,3 bilhão de pull requests mesclados (cerca de 3,5 milhões por dia).
- Uso de agentes entre usuários do Copilot: 55% dos usuários ativos mensais do Copilot usam recursos de agente, contra 35% um ano antes.
- Vários modelos: em setembro, 61% dos usuários do Copilot que escolhem o modelo por conta própria usaram mais de um, contra 50% quatro meses antes.
Fonte de todos os números: post do Octoverse 2026 do GitHub.
O que significa "iniciado por um agente"
O GitHub conta um pull request como iniciado por um agente quando o primeiro rascunho veio de um agente de programação que o GitHub consegue detectar. Um desenvolvedor pode reescrever depois parte dele: ele continua contando. O GitHub chama o número de piso, porque parte do uso de agentes não é detectada.
Portanto, os 40% não significam que os agentes escreveram 40% do código mesclado no GitHub. O relatório não diz quanto de cada rascunho de agente sobrevive à revisão, nem separa o número entre repositórios públicos e privados.
Os pull requests de agentes são mesclados na mesma proporção?
Segundo o GitHub, cerca de 87% dos pull requests iniciados por agentes alteram vários arquivos, contra 79% dos demais. Em fevereiro, 83% dos pull requests com participação de agentes foram mesclados em até duas semanas, um pouco abaixo dos cerca de 86% dos demais. Em setembro, o número dos agentes chegou a 90%, enquanto o grupo de comparação ficou em torno de 86%.
Uma taxa de merge mede se uma alteração foi aceita, e não se estava correta ou se precisou de retrabalho depois. O GitHub observa ainda que repositórios novos com um arquivo de configuração de agente registraram oito vezes mais commits do que os sem esse arquivo. Isso é uma correlação, e não prova que o arquivo causa a atividade extra.
Por que a revisão vira o gargalo
Se os agentes redigem uma parcela crescente das alterações, o trabalho humano passa a ser especificar a tarefa e revisar o resultado. Os lançamentos do próprio GitHub na mesma semana apontam nessa direção: o Copilot Fusion escolhe e combina modelos para cada tarefa, e o Agent Merge monitora pull requests em busca de verificações com falha e conflitos de merge.
O relatório também diz que o uso da revisão de código assistida por IA e do GitHub Advanced Security cresceu mais de 90% ano a ano, e que a push protection, que bloqueia segredos expostos, executou 5,8 bilhões de verificações este ano.
Linguagens e países
O TypeScript continua sendo a linguagem mais usada no GitHub por contribuidores, à frente de Python e JavaScript. O GitHub agora conta mais de 225 milhões de desenvolvedores. Os Estados Unidos (38,3 milhões) e a Índia (32 milhões) são as duas maiores comunidades; a França tem 4,75 milhões.
O que ter em mente
- O número de 40% é a parcela de pull requests cujo primeiro rascunho veio de um agente detectável, medida pelo GitHub em sua própria plataforma.
- É um piso, e não uma medida da qualidade do código nem de quanto código de agentes chega à produção.
- Para as equipes, a pergunta prática é menos "devemos usar agentes" e mais como revisar o resultado deles: testes, verificações obrigatórias e descrições de tarefa claras.
Encontrou um erro neste artigo? Avise-nos · Nossa política de correções
