O GitHub ficou mais uniforme depois do ChatGPT? Um estudo do código de 2019–2025

Um autor no Habr testou a hipótese de que o código aberto no GitHub ficou mais uniforme depois do surgimento do ChatGPT e da popularização de ferramentas de IA para desenvolvimento, como GitHub Copilot, Cursor, Claude Code e Windsurf. Para isso, ele analisou dados da plataforma referentes ao período de 2019–2025.

Por que verificar se o código está mais uniforme

Com a chegada do ChatGPT e a adoção em massa de assistentes de IA, o desenvolvimento ficou visivelmente mais rápido. Código, testes, READMEs, comentários e pequenas funções utilitárias agora saem em segundos. Mas há um lado menos óbvio: se milhões de desenvolvedores usam modelos e prompts parecidos, o código aberto corre o risco de ficar mais homogêneo. Trata-se de uma hipótese, e não de uma conclusão pronta. O próprio autor apresenta a questão como um problema em aberto, que precisa ser testado com dados reais, e não como um fato conhecido de antemão.

Como o estudo foi feito

O autor baseou a análise em dados do GH Archive e do BigQuery de 2019–2025. Ele examinou commit messages, o conteúdo de READMEs, nomes de funções e outros artefatos textuais dos repositórios. Para comparar os diferentes períodos, criou uma métrica própria, o GitHub Uniformity Index, que permite estimar o quanto o código e os textos que o acompanham ficaram parecidos antes e depois da chegada em massa das ferramentas de IA ao desenvolvimento.

A escolha do intervalo de 2019–2025 não é por acaso. Ele cobre os anos anteriores ao ChatGPT, o momento do seu lançamento e os anos seguintes, quando os assistentes de IA para código — do GitHub Copilot ao Cursor, Claude Code e Windsurf — deixaram de ser plugins de nicho e viraram ferramentas de uso massivo entre desenvolvedores. Assim, é possível buscar uma tendência consistente, distribuída ao longo de vários anos de adoção da tecnologia, em vez de um salto pontual nos indicadores.

Por que isso importa para o código aberto

Se a hipótese se confirmar, a conveniência dos assistentes de IA terá um preço: menos diversidade de abordagens e estilos nos repositórios abertos. Para um ecossistema que historicamente valorizou soluções variadas para um mesmo problema, esse efeito seria um sinal relevante dos efeitos colaterais da adoção em massa de modelos generativos no desenvolvimento do dia a dia.

• Período de análise — dados do GitHub de 2019–2025
• Fontes de dados — GH Archive e BigQuery
• São analisados commit messages, READMEs e nomes de funções
• Foi criada uma métrica própria — GitHub Uniformity Index
• Entre as ferramentas de IA mencionadas — GitHub Copilot, Cursor, Claude Code, Windsurf

O que dá para medir no código do GitHub

O GH Archive registra os eventos públicos da plataforma — commits, pull requests, issues. Combinado ao BigQuery, ele permite rodar consultas SQL sobre esse volume de dados acumulado ao longo de anos, sem precisar baixar os repositórios inteiros. Com essa abordagem, é possível comparar o estilo dos commits, a estrutura dos READMEs e a nomenclatura de funções nos recortes "antes do ChatGPT" e "depois do ChatGPT" em volumes de dados estatisticamente significativos, e não em uma amostra de poucos projetos.

O que isso significa

A questão da uniformidade do código tem menos a ver com estética e mais com saber se o código aberto está perdendo diversidade de abordagens e soluções à medida que o desenvolvimento acelera. A metodologia baseada no GitHub Uniformity Index oferece uma ferramenta para medir esse efeito com dados reais, em vez de apenas supô-lo a olho. A própria formulação da pergunta mostra que o debate sobre ferramentas de IA para desenvolvimento está se deslocando aos poucos do simples "ficou mais rápido" para efeitos colaterais mais sutis da adoção em massa.