GitHub Octoverse 2026 mostra commits triplicando com código gerado por agentes

O GitHub Universe 2026 está em andamento nesta quarta-feira (28 de outubro), e foi lá que o EVP Jay Parikh apresentou o relatório anual Octoverse com um conjunto de números que, segundo o desenvolvedor e blogueiro Simon Willison, formam "uma representação bem contundente do impacto da engenharia agêntica no GitHub". Willison estava no evento com ingresso cedido pelo próprio GitHub através do programa GitHub Stars, detalhe que ele mesmo fez questão de divulgar no post original.

O relatório Octoverse existe há mais de uma década e tradicionalmente mede o pulso do GitHub: linguagens em alta, países mais ativos, crescimento de projetos open source↳Open source71 conteúdosComo o Open Source Está Liberando o Poder da Automação para TodosDev (Back & Front) · out 2025Código aberto: programadores criam software da NASA sem saberDev (Back & Front) · abr 2021N8N: O que é a ferramenta open source que está revolucionando a automação em TI?Dev (Back & Front) · dez 2025Ver tudo em Dev (Back & Front) →. A edição de 2026 muda o eixo da conversa: pela primeira vez, o destaque não é uma linguagem de programação, é o comportamento agregado de agentes de IA↳Agentes de IA42 conteúdosOpera passa a integrar ChatGPT, Claude e outros agentes de IADev (Back & Front) · mar 2026Operações mais inteligentes, decisões mais rápidas: o impacto da IA agêntica na rotina de TIAI · abr 2026Adobe aposta em orquestração de agentes de IA: o que muda para devsDev (Back & Front) · abr 2026Ver tudo em AI → escrevendo e submetendo código em escala.

Os três números que o GitHub escolheu destacar

Segundo o relatório, três métricas definem o ano:

• Pull requests mesclados: triplicaram em menos de um ano, chegando a 220 milhões por mês
• Commits: mais que triplicaram, para 7,38 bilhões por mês, com a maior parte do salto concentrada no segundo semestre de 2026
• Criação de novos repositórios: dobrou no ano, para 30,3 milhões por mês

O relatório não divulga as bases de comparação exatas, só a proporção de crescimento e o valor final de cada métrica. Ainda assim, a curva é inequívoca: o segundo semestre de 2026 concentrou a maior parte da aceleração, o que casa com a adoção mais ampla de agentes capazes de abrir e iterar PRs sozinhos ao longo do ano.

Como o GitHub mediu isso (e por que a metodologia importa)

A nota metodológica anexa ao relatório é tão reveladora quanto os números principais. Para classificar repositórios por setor industrial (usando categorias NAICS), o GitHub usou um modelo de embedding multilíngue ajustado especificamente para essa tarefa, aplicado sobre amostras aleatórias de nome, descrição, tópicos e README de cada repositório criado entre 2022 e 2026.

Mais interessante ainda é o ajuste no ranking de países por pushes em repositórios públicos. Para compensar o viés causado por uso de VPN, o GitHub usou classificação por LLM para extrair o código ISO 3166-1 alpha-2 a partir do perfil de cada usuário que fez push no período. Em resumo: o GitHub precisou de um modelo de linguagem só para limpar a própria base de dados antes de contar quem está codando onde, porque a localização declarada no perfil não bate mais com o IP de origem numa escala relevante.

Isso é um sintoma lateral do mesmo fenômeno: conforme mais trabalho é distribuído, automatizado ou rodado via agentes em nuvem, os sinais tradicionais de geolocalização (IP, fuso horário de commit) perdem confiabilidade, e equipes de dados recorrem a inferência via LLM para reconstruir o que antes era trivial.

A categoria nova: interoperabilidade e engenharia reversa

O Octoverse 2026 também passou a contar repositórios públicos cujo nome, descrição, tópicos ou README mencionam interoperabilidade ou engenharia reversa, termos como clean room implementation, drop-in replacement ou protocol re-implementation. O relatório descreve a metodologia dessa contagem, mas o material disponível não traz os números absolutos da categoria, só a existência da métrica.

Ainda assim, o fato de o GitHub ter decidido rastrear isso separadamente é um sinal em si. Agentes de IA são particularmente bons em ler uma API não documentada, inferir seu contrato e gerar uma reimplementação compatível; esse tipo de trabalho, que antes exigia engenharia reversa manual e demorada, virou tarefa plausível para um agente rodar durante a noite. Para quem no Brasil mantém integrações com sistemas legados, bancos, ou APIs de governo mal documentadas, essa é provavelmente a categoria mais interessante do relatório, mesmo sem os números.

O que os números não dizem

O próprio Simon Willison, conhecido por testar modelos antes de recomendar qualquer coisa, apresentou esses dados de forma factual, sem fazer a ponte entre "mais commits" e "mais produtividade real". É uma omissão que vale notar: pull requests mesclados e commits são contagens de volume, não de qualidade. Um agente que abre dez PRs pequenos onde um humano abriria um só infla as duas métricas sem necessariamente entregar mais valor.

O salto na criação de novos repositórios (30,3 milhões por mês) também pede leitura cuidadosa. Parte desse crescimento provavelmente vem do próprio Willison classifica como "vibe coding": projetos nascidos de uma sessão com agente, descartáveis por natureza, como ele mesmo documentou em posts recentes sobre jogos gerados por IA. Repositório criado não é produto em produção; é, com frequência, experimento de uma tarde.

O que muda para quem revisa código no Brasil

Se PRs mesclados triplicaram e commits mais que triplicaram, o gargalo não desapareceu, só mudou de lugar: ele migrou da escrita de código para a revisão dela. Equipes brasileiras que adotaram agentes de coding (seja via Copilot Workspace, seja via ferramentas próprias orquestrando modelos) já sentem isso na prática: o volume de PRs abertos por agente supera a capacidade de revisão humana disponível no time.

Isso aponta para algumas decisões concretas que times por aqui já deveriam estar discutindo:

• Gates de CI mais rígidos antes de qualquer PR chegar a um revisor humano, incluindo testes automatizados e linters que capturem o que um agente erra com frequência
• Revisão assistida por outro modelo como primeira passada, reservando o humano para decisões de arquitetura e trade-off
• Métricas internas de qualidade (taxa de reversão, tempo até o primeiro bug em produção) em vez de só contar PRs mesclados, que é exatamente a armadilha que o próprio Octoverse ilustra

O relatório completo do GitHub Octoverse 2026, incluindo os recortes por indústria e por país, deve detalhar mais esses números nos próximos dias. Até lá, o que dá para levar do anúncio feito no GitHub Universe é isto: a quantidade de código passando pelo GitHub mudou de ordem de grandeza em 2026, mas a métrica que importa para quem mantém esse código em produção continua sendo outra, e essa o relatório ainda não mediu.

Fonte: Simon Willison