Analisi su scala produttiva dei carichi di lavoro di codifica agentica di GitHub Copilot

Un recente preprint su arXiv (2608.00101) descrive la prima analisi su larga scala di attività di codifica agentica, utilizzando dati di GitHub Copilot raccolti nel giugno 2026. Il set di dati comprende 3,2 milioni di utenti, 13 milioni di sessioni, 761 milioni di chiamate a modelli linguistici di grandi dimensioni (LLM) e ben 95 trilioni di token. La ricerca indica che le sessioni di codifica agentica sono caratterizzate da interazioni utente poco frequenti, che si sviluppano in cicli autonomi di chiamate LLM, spesso accompagnate da esecuzione di strumenti. Questa struttura raggiunge un tasso medio di hit della cache KV del 90% durante un turno, ma scende al 55% nelle transizioni tra turni e viene seriamente compromessa da eventi come cambi di modello o compattazione del contesto. Lo studio evidenzia anche flussi di lavoro e comportamenti utente vari, caratterizzati da pattern incoerenti e a coda lunga nell'uso dei token, nella durata e nelle interazioni con gli strumenti, sottolineando implicazioni significative per la progettazione dell'infrastruttura per facilitare gli agenti di codifica AI.