¿Se ha vuelto GitHub más uniforme tras ChatGPT? Un estudio del código de 2019–2025

Un autor de Habr puso a prueba la hipótesis de que el código abierto de GitHub se ha vuelto más uniforme desde la llegada de ChatGPT y la expansión de herramientas de IA para desarrollo como GitHub Copilot, Cursor, Claude Code y Windsurf. Para ello, analizó datos de la plataforma de 2019–2025.

Por qué medir la uniformidad del código

Con la llegada de ChatGPT y la adopción masiva de asistentes de IA, el desarrollo se ha acelerado de forma notable: código, tests, README, comentarios y pequeñas funciones utilitarias se generan ahora en segundos. Pero hay un lado menos evidente. Si millones de desarrolladores usan modelos y prompts parecidos, el código abierto corre el riesgo de volverse más homogéneo. Se trata de una hipótesis, no de una conclusión: el propio autor plantea la cuestión como un problema abierto que debe comprobarse con datos reales, no como un hecho conocido de antemano.

Cómo se diseñó el estudio

El autor basó su análisis en datos de GH Archive y BigQuery de 2019–2025. Estudió los commit messages, el contenido de los README, los nombres de funciones y otros artefactos textuales de los repositorios. Para comparar distintos periodos, creó su propia métrica, el GitHub Uniformity Index, que permite evaluar cuánto se parecen el código y los textos que lo acompañan antes y después de la llegada masiva de las herramientas de IA al desarrollo.

El rango de 2019–2025 no es casual. Abarca los años previos a ChatGPT, el momento de su lanzamiento y los años posteriores, en los que los asistentes de IA para programar —de GitHub Copilot a Cursor, Claude Code y Windsurf— pasaron de ser plugins de nicho a una herramienta de uso masivo entre desarrolladores. Esto permite buscar no un simple salto puntual en los indicadores, sino una tendencia sostenida a lo largo de varios años de adopción de la tecnología.

Por qué importa para el código abierto

Si la hipótesis se confirma, significará que la comodidad de los asistentes de IA tiene un precio: menos diversidad de enfoques y estilos en los repositorios abiertos. En un ecosistema que históricamente ha valorado la variedad de soluciones para un mismo problema, ese efecto sería una señal relevante de los efectos secundarios de integrar modelos generativos en el desarrollo cotidiano.

• Periodo de análisis: datos de GitHub de 2019–2025
• Fuentes de datos: GH Archive y BigQuery
• Se estudian commit messages, README y nombres de funciones
• Se crea una métrica propia: el GitHub Uniformity Index
• Entre las herramientas de IA mencionadas: GitHub Copilot, Cursor, Claude Code, Windsurf

Qué se puede medir exactamente en el código de GitHub

GH Archive registra los eventos públicos de la plataforma —commits, pull requests, issues—, y su combinación con BigQuery permite lanzar consultas SQL sobre ese volumen de datos acumulado durante años sin necesidad de descargar repositorios completos. Así se pueden comparar el estilo de los commits, la estructura de los README y la nomenclatura de funciones en cortes «antes de ChatGPT» y «después de ChatGPT» con volúmenes de datos estadísticamente significativos, y no con una muestra de unos pocos proyectos.

Qué significa

La cuestión de la uniformidad del código no es estética: se trata de saber si el código abierto pierde diversidad de enfoques y soluciones a medida que aumenta la velocidad de desarrollo. La metodología basada en el GitHub Uniformity Index ofrece una herramienta para medir ese efecto con datos reales, en lugar de limitarse a suponerlo a ojo. El propio planteamiento muestra que el debate sobre las herramientas de IA para desarrollo se está desplazando poco a poco del simple «ahora es más rápido» hacia efectos secundarios más sutiles de su adopción masiva.