GitHub ha tenido que hacer algo a gran escala para seguir el ritmo de la IA. Sus cifras explican hasta qué punto

Estamos acostumbrados a hablar de la inteligencia artificial en términos de plo que puede hacer por nosotros: escribir una función, corregir un error o ayudarnos a terminar una aplicación. Sin embargo, cada vez que ese trabajo se traduce en cambios compartidos, entra en juego una infraestructura que rara vez vemos. Hay que registrar versiones, atender solicitudes y coordinar el trabajo de personas y sistemas automáticos, muchas veces al mismo tiempo. La expansión de los agentes está haciendo que esa parte menos visible del desarrollo merezca tanta atención como el propio código.

Cuatro millones de núcleos adicionales. La magnitud de ese trabajo empieza a entenderse cuando miramos lo que GitHub ha incorporado a su infraestructura en lo que va de 2026. Según los datos publicados por la propia plataforma, ha sumado cuatro millones de núcleos de CPU, 160 petabytes de almacenamiento de alta velocidad y 50 terabits por segundo de capacidad de red. No hablamos de cuatro millones de procesadores físicos ni de la capacidad total de GitHub, sino de recursos adicionales para atender una actividad creciente. La compañía sitúa a los agentes de IA entre los factores que explican esta presión.

Una actividad que se ha disparado. Para entender por qué GitHub necesita tantos recursos, tenemos que mirar primero cuánto ha crecido el trabajo que pasa por sus sistemas. Según Octoverse 2026, la plataforma pasó de registrar 12.900 millones de commits anuales a 34.300 millones en los doce meses terminados en septiembre de 2026, incluyendo repositorios públicos y privados. Solo en ese último mes, GitHub registró 7.380 millones de commits. Cada uno representa una versión guardada de los cambios en un proyecto, aunque puede contener modificaciones de muy distinto tamaño. Es una distinción importante: hablamos de actividad registrada, no de líneas de código generadas.

Los agentes cambian las reglas. Una parte de esta aceleración se entiende al observar cómo está cambiando el trabajo de los programadores. Según GitHub, en septiembre más del 40% de las pull requests, las propuestas para incorporar cambios a un proyecto, comenzaron con un borrador elaborado por un agente de IA que la plataforma pudo detectar; en marzo eran el 17%. La compañía también observó que los repositorios nuevos con archivos de configuración para agentes registraron, de media, ocho veces más commits que aquellos sin esos archivos. Es una asociación significativa, aunque estos últimos también pueden utilizar IA y la comparación no demuestra por sí sola una mejora equivalente de productividad.

El problema no es solo almacenar. Pensemos en un agente que recibe una tarea, revisa un repositorio, propone cambios y, tras nuevas comprobaciones, vuelve a modificarlo. Aunque el resultado final sea una única mejora, sincronizar ese trabajo con GitHub puede implicar múltiples envíos de cambios, lecturas y comprobaciones automatizadas. Si muchos agentes trabajan en paralelo, la plataforma no solo tiene que guardar más información, también debe moverla y procesarla con suficiente rapidez. Esa es la parte menos intuitiva del fenómeno: el desafío no consiste únicamente en el tamaño del código, sino en la frecuencia con la que se trabaja sobre él.