Rewolucja w asystentach AI dla programistów: co pokazują 400 tys. repozytoriów

W ciągu ostatnich dwóch lat narzędzia AI do pisania kodu stały się czymś więcej niż ciekawostką. Stały się częścią codziennej pracy tysięcy deweloperów. Cursor, GitHub Copilot i podobne rozwiązania są już stałym elementem wielu workflow. Pytanie tylko, które z nich naprawdę wygrywają i jak zespoły z nich korzystają.

Zespół badawczy postanowił sprawdzić to na dużą skalę. Przeanalizowali ponad 400 tysięcy publicznych repozytoriów na GitHubie. Wyniki dają ciekawy obraz tego, jak wygląda rzeczywiste przyjęcie tych narzędzi.

Jak zebrano dane

Badacze szukali konkretnych plików konfiguracyjnych – na przykład .cursorrules w przypadku Cursor. Użyli do tego GitHub REST API, przeszukując wszystkie publiczne repozytoria. Ale samo wykrycie pliku to dopiero początek. Dzięki GraphQL API wzbogacili dane o historię commitów, rozmiar plików i daty ich tworzenia.

Dzięki temu wiadomo nie tylko, czy ktoś zainstalował narzędzie, ale też czy naprawdę z niego korzysta. Aktualizowane pliki konfiguracyjne wskazują na aktywną pracę, a nie tylko jednorazowe ustawienie.

Co mówią wyniki

Około 400 tysięcy repozytoriów z plikami konfiguracyjnymi to sporo. Ale trzeba to czytać z uwagą. Takie pliki pokazują raczej zamiar – ktoś świadomie skonfigurował narzędzie. Nie zawsze oznacza to intensywną codzienną upę.

Wyniki badacze rozbili na kilka obszarów:

Udział rynkowy – które narzędzia są najpopularniejsze i gdzie zdobywają nowe użytkowników.
Wzorce konfiguracji – czy zespoły używają ustawień domyślnych,还是 heavily customizing – rozmiar plików i częstotliwość ich aktualizacji.
Wielonarzędziowe podejście – wiele zespołów równolegle eksperymentuje z więcej niż jednym asystentem, co pokazuje że rynek jest jeszcze w fazie eksploracji.
Charakterystyka repozytoriów – jakie języki, rozmiary projektów i typy właścicieli (osoby prywatne vs. organizacje) częściej adoptują AI tools.

Także ograniczenia

Badacze nie ukrywają, że tylko publiczne repozytoria były częścią analizy. Prywatne projekty – potencjalnie gdzie wiele firm prowadzi poważną integrację z AI – są poza radarom. Dane pokazują tylko konfiguracje, not usage metrics. Może być także bias w stronę bardziej zaawansowanych zespołów, którzy dokumentują swoje AI workflows.

Zakres praktyczny dla deweloperów

AI coding assistants są już częścią normalnego pracy. 400 tys. publicznego repozytoriów z aktywnymi konfiguracjami pokazuje jak mocno narzędzia te są embedded w codziennej pracy.

Dla każdego dewelopera kluczowa jest konfiguracja. Nie wystarczy tylko zainstalować narzędzia. Po prostu trzeba poświęcić czas na dostosowanie ustawień do własnych projektów i workflows. Konfiguracja pozwala na przejście od generic AI do tailored assistance.

Ekosystem jest jeszcze w proces consolidation. Wielonarzędziowe podejście pokazuje że żadne narzędzie nie osiągnęło jeszcze total dominance, co jest zdrowe dla innovation.