¿Se volvió más uniforme GitHub después de ChatGPT? Estudio de código para 2019–2025

El autor de un post en Habr probó la hipótesis de que el código abierto en GitHub se ha vuelto más uniforme después de la aparición de ChatGPT y la adopción generalizada de herramientas de IA para desarrollo como GitHub Copilot, Cursor, Claude Code y Windsurf — para esto analizó datos de la plataforma para 2019–2025.

Por qué verificar código en uniformidad

Después de que ChatGPT apareció y se extendieron ampliamente los asistentes de IA para desarrolladores, el desarrollo se ha acelerado notablemente: el código, pruebas, README, comentarios y pequeñas funciones de utilidad ahora se pueden obtener en segundos. Pero hay un lado menos obvio de esto — si millones de desarrolladores usan modelos similares e indicaciones similares, el código abierto corre el riesgo de volverse más homogéneo. Esta es una hipótesis, no una conclusión lista: el autor mismo formula la pregunta como un problema abierto que necesita ser probado en datos reales, no como un hecho conocido de antemano.

Cómo se organiza la investigación

El autor construyó el análisis en datos de GH Archive y BigQuery para 2019–2025, estudiando mensajes de commit, contenidos de README, nombres de funciones y otros artefactos textuales de repositorios. Para comparar diferentes períodos, introdujo su propia métrica — GitHub Uniformity Index, permitiendo evaluar qué tan similares se volvieron el código y los textos acompañantes antes y después de la adopción masiva de herramientas de IA en desarrollo.

La elección del período de tiempo 2019–2025 no es accidental: cubre los años antes de que ChatGPT apareciera, el momento de su lanzamiento y años posteriores cuando los asistentes de IA para código — desde GitHub Copilot a Cursor, Claude Code y Windsurf — pasaron de complementos de nicho a una herramienta de desarrollo masivo. Esto permite buscar no solo un pico único en las métricas, sino una tendencia sostenible que se extiende durante varios años de adopción de tecnología.

Por qué esto importa para el código abierto

Si la hipótesis se confirma, significaría que la conveniencia de los asistentes de IA tiene un precio — una reducción en la diversidad de enfoques y estilos en repositorios abiertos. Para un ecosistema que históricamente ha valorado la diversidad de soluciones al mismo problema, tal efecto sería una señal significativa de los efectos secundarios de la adopción masiva de modelos generativos en el desarrollo diario.

• Período de análisis — datos de GitHub para 2019–2025
• Fuentes de datos — GH Archive y BigQuery
• Se estudian mensajes de commit, README y nombres de funciones
• Métrica personalizada introducida — GitHub Uniformity Index
• Herramientas de IA mencionadas — GitHub Copilot, Cursor, Claude Code, Windsurf

Qué exactamente se puede medir del código en GitHub

GH Archive registra eventos públicos en la plataforma — commits, pull requests, issues — y la conexión con BigQuery permite ejecutar consultas SQL a través de este arreglo durante muchos años sin descargar repositorios completos. Este enfoque permite comparar estilos de commit, estructura README y nombres de funciones en cortes "antes de ChatGPT" y "después de ChatGPT" en volúmenes de datos estadísticamente significativos, no en una muestra de solo algunos proyectos.

Qué significa esto

La pregunta de la uniformidad del código no es sobre estética, sino sobre si el código abierto está perdiendo diversidad de enfoques y soluciones junto con el crecimiento en la velocidad de desarrollo. La metodología del GitHub Uniformity Index proporciona una herramienta para medir este efecto en datos reales, no solo asumirlo a simple vista. La forma en que se formula la pregunta misma muestra que la discusión sobre herramientas de IA para desarrollo se está desplazando gradualmente de un simple "se volvió más rápido" a efectos secundarios más sutiles de la adopción masiva.