El prometido mercado billonario de la programación con IA

Versión 1.1, 11 de octubre de 2026. Datos y código: research.openie.dev/data/. PDF en LaTeX: /pdfs/latex/ai-coding-market.pdf (fuente).

Resumen

Los pronósticos dicen que la programación con IA valdrá billones de dólares al año. Este ensayo enumera quién lo afirma, etiqueta cada cifra según lo que es y nombra los supuestos que los pronósticos comparten.

En palabras sencillas

1. Las grandes cifras sobre la programación con IA son, en su mayoría, conjeturas sobre el futuro, no recuentos de dinero ya ganado.
2. Casi todas suponen que cada trozo nuevo de código necesita un modelo grande de IA, cobrado por palabra, para siempre.
3. Si el código que funciona puede guardarse y reutilizarse, el coste de un trabajo repetido cae hacia el coste de la electricidad para ejecutarlo, y esos pronósticos serían demasiado altos.

1. Las proyecciones y las mediciones son objetos distintos

Cada número que sigue lleva una de cinco etiquetas.

Etiqueta	Significado
Proyección	Un pronóstico o una estimación de valor construida sobre supuestos declarados
Declarado por la empresa	Una cifra que una empresa declara sobre sí misma, como los ingresos anualizados (el último mes por doce) o una valoración de financiación
Estimación por encuesta	Una cifra de tamaño de mercado procedente de una encuesta a compradores
Registrado	Una cifra de un documento presentado ante un regulador
Medido	Un recuento o una lectura de energía de una ejecución cuyos artefactos se conservan. Las lecturas de energía llevan una de tres etiquetas: est_j para una estimación analítica, reported_j para un contador del sistema operativo o en chip, measured_j para un medidor de potencia externo

Solo la última fila es evidencia sobre el coste de un resultado correcto. Las demás son evidencia sobre lo que espera el mercado.

2. Quién proyecta qué

2.1 El valor de los desarrolladores: el billón

Afirmación	Número	Etiqueta	Fuente
Desarrolladores de software en el mundo	unos 30 millones (de 27 a 47 millones según la estimación)	Insumo de proyección	Appenzeller y Li [1]
Valor por desarrollador y año	100.000 dólares (supuesto)	Insumo de proyección	[1]
Contribución económica anual	unos 3 billones de dólares	Proyección	[1]
Desarrolladores en GitHub	más de 180 millones; 518,7 millones de pull requests fusionadas en el año	Declarado por la empresa	GitHub Octoverse 2025 [17]
Valor de la IA generativa en 63 casos de uso	de 2,6 a 4,4 billones de dólares al año; productividad de la ingeniería de software del 20% al 45% del gasto anual actual de la función	Proyección	McKinsey [15]
Efecto de la IA generativa en el PIB mundial	7% en un periodo de diez años	Proyección	Goldman Sachs [16]
Ganancia de productividad de un asistente simple	alrededor del 20%	Estimación a partir de entrevistas	[1]
Ganancia de productividad de un despliegue de lo mejor de su clase	“al menos el doble”	Estimación “basada en evidencia anecdótica”	[1]

El recuento de desarrolladores es blando: 30 millones es una estimación de profesionales, y solo GitHub cuenta seis veces más cuentas que desarrollan sobre él [17]. El valor por desarrollador y el múltiplo de productividad también son blandos (sección 2.7). La estimación de McKinsey de 2023 es el billón original de este mercado, y es una estimación de valor para todas las funciones [15]. El mismo ensayo de capital riesgo dice que el ecosistema de programación con IA puede “sostener decenas de empresas de mil millones de dólares e incluso a un gigante de un billón de dólares” [1]. Esa frase es el billón. Es una estimación de valor. No es un pronóstico de ingresos.

2.2 Ingresos de herramientas y gasto empresarial

Afirmación	Número	Etiqueta	Fuente
Gasto empresarial en herramientas de programación con IA, 2025	4.000 millones de dólares, el 55% del gasto departamental en IA	Estimación por encuesta	Menlo Ventures [2]
Gasto empresarial en IA generativa, 2025	37.000 millones de dólares	Estimación por encuesta	[2]
Mercado de herramientas de código con IA, 2026	9.350 millones de dólares, hasta 29.960 millones en 2031	Proyección	Mordor Intelligence [3]

Los ingresos que el mercado declara hoy están en los miles de millones. El billón es el valor que el mercado espera capturar.

2.3 Ingresos y valoraciones de empresas

Afirmación de la empresa	Número	Fecha	Etiqueta	Fuente
Ingresos anualizados de Cursor	más de 1.000 millones de dólares	13 de noviembre de 2025	Declarado por la empresa	Cursor [5]
Nuevo precio de Cursor Pro	de límites de solicitudes a “20 dólares de uso de modelos de frontera al mes a precios de API”, con reembolsos por el cambio	junio a julio de 2025	Declarado por la empresa	Cursor [18]
Serie D de Cursor	2.300 millones de dólares con una valoración post-money de 29.300 millones	13 de noviembre de 2025	Declarado por la empresa	[5]
Ingresos anualizados de Anthropic	14.000 millones de dólares	12 de febrero de 2026	Declarado por la empresa	Anthropic [6]
Ingresos anualizados de Claude Code	más de 2.500 millones de dólares	12 de febrero de 2026	Declarado por la empresa	[6]
Serie G de Anthropic	30.000 millones de dólares con una valoración post-money de 380.000 millones	12 de febrero de 2026	Declarado por la empresa	[6]

Anthropic declara que la ronda financia “ampliaciones de infraestructura” [6]. Ingresos, valoración y cómputo son una sola apuesta.

La Figura 1 sitúa en un solo eje las cifras en dólares de las Secciones 2.1 a 2.3 y 2.6, marcadas con la etiqueta que lleva cada fuente.

2.4 Inferencia, tokens y economía unitaria

Afirmación	Número	Etiqueta	Fuente
Tokens procesados por Google al mes	9,7 billones (2024), unos 480 billones (2025), más de 3,2 mil billones (mayo de 2026)	Declarado por la empresa	Pichai [8]
Herramientas internas de IA para desarrolladores de Google	medio billón de tokens al día en marzo de 2026, más de tres billones al día en mayo	Declarado por la empresa	[8]
Coste de una consulta de programación agéntica a precios de lista	2,50 dólares: un contexto de 100.000 tokens y 10.000 tokens de salida a 15 y 75 dólares por millón de tokens	Ilustración	Appenzeller y Li [1]
Lo mismo a 3 consultas por hora, 7 horas al día, 200 días	unos 10.000 dólares al año por desarrollador	Ilustración	[1]
Tokens en programación agéntica frente a razonamiento sobre código y chat de código	unas 1.000 veces más; las ejecuciones de una misma tarea difieren hasta 30 veces; un mayor uso de tokens “no se traduce en mayor precisión”	Medido (ocho modelos, SWE-bench Verified)	Bai, Huang y Wang [9]
Pérdidas netas de la inversión de Microsoft en OpenAI, trimestre cerrado el 30 de septiembre de 2025	4.100 millones de dólares antes de impuestos, su participación por el método de la participación, en otros gastos; una reducción de 3.100 millones del beneficio neto (0,41 dólares por acción diluida)	Registrado y declarado por la empresa	Microsoft Form 10-Q [7]; Microsoft FY26 Q1 performance [19]

Dos frases de las fuentes enuncian la economía sin rodeos. Pichai: “muchas empresas ya están agotando sus presupuestos anuales de tokens, y solo estamos en mayo” [8]. Appenzeller y Li: “Durante décadas, el coste del desarrollo de software fue casi exclusivamente coste de personas, pero ahora los LLM añaden un componente sustancial de gasto operativo” [1].

La Figura 2 representa la serie de tokens.

2.5 Precio por token

Afirmación	Número	Etiqueta	Fuente
Coste de un nivel fijo de rendimiento de IA	baja alrededor de un 47% por trimestre, unas 13 veces al año, desde 2023	Serie de precios medida (cinco benchmarks)	Epoch AI [4]
Precio para alcanzar una puntuación fija en un benchmark	cae de 9 a 900 veces al año, según el hito; las caídas más rápidas son las más recientes y las menos seguras de persistir	Serie de precios medida (ajustes log-lineales)	Epoch AI [34]
Coste de inferencia a rendimiento equivalente	baja unas 10 veces al año: de 60 dólares por millón de tokens en 2021 a 0,06 dólares	Estimación	Appenzeller, a16z [20]
Rebaja del precio de la API de DeepSeek, 29 de septiembre de 2025	coste para los desarrolladores “reducido en más del 50%”	Declarado por la empresa	DeepSeek [21]

Las 13 veces al año de [4] son un punto dentro de un rango amplio [34]. La caída la impulsan la competencia y los pesos abiertos, como muestra la rebaja de DeepSeek [21]. No necesita ninguna contabilidad energética. Es el primero de los dos descensos de la sección 5. La reutilización añade otro distinto: las llamadas por tarea.

La Figura 3 dibuja las dos series de precios.

2.6 Energía y capital

Afirmación	Número	Etiqueta	Fuente
Electricidad de centros de datos, 2024	unos 415 TWh, alrededor del 1,5% de la electricidad mundial	Estimación	IEA, Energy and AI [11]
Electricidad de centros de datos, 2030	unos 945 TWh, escenario base	Proyección	[11]
Electricidad de centros de datos, de 2025 a 2030	de 485 TWh a 950 TWh, alrededor del 3% de la demanda mundial	Estimación y proyección	IEA, Key Questions on Energy and AI [10]
Inversión de capital de las mayores empresas tecnológicas	más de 400.000 millones de dólares en 2025, con un aumento previsto de otro 75% en 2026	Declarado y proyectado	[10]
Inversión de capital de Alphabet	31.000 millones de dólares en 2022; entre 180.000 y 190.000 millones previstos en 2026	Declarado por la empresa y previsión	Pichai [8]
Energía por tarea	baja al menos un orden de magnitud al año; las tareas de razonamiento y agénticas usan “cientos o miles de veces más energía por consulta que la generación de texto simple”	Estimación	[10]
Una instrucción de texto mediana a un asistente en producción	0,24 Wh	Medido por el operador	Elsworth et al. [12]
Stargate	500.000 millones de dólares en cuatro años para la infraestructura de IA de un laboratorio, con 100.000 millones desplegados de inmediato	Anunciado por la empresa	OpenAI [22]
Gasto mundial en IA, 2025	alrededor de 1,5 billones de dólares	Proyección	Gartner [24]
Ingresos que la inversión de capital debe recuperar	“AI’s 600B Question”	Análisis	Sequoia Capital [23]

La renta que hay que servir es renta de hardware. Inversiones y compromisos de este tamaño se amortizan mediante un uso con precio superior a su energía. En las tareas que pueden cerrarse por reutilización, esa base es más pequeña.

2.7 Evidencia de productividad

Estudio	n	Diseño	Efecto	Fuente
Ensayo de a16z	entrevistas	Estimación	alrededor del 20% para un asistente simple; “al menos el doble” lo mejor de su clase	[1]
GitHub Copilot, tarea de servidor HTTP	desarrolladores reclutados	Experimento controlado	55,8% más rápido en una tarea de juguete	Peng et al. [27]
Ensayo empresarial de Google	96 ingenieros	Ensayo controlado aleatorizado	alrededor de un 21% menos de tiempo en la tarea	Paradis et al. [28]
METR, principios de 2025	16 desarrolladores experimentados de código abierto, 246 tareas	Ensayo controlado aleatorizado	19% más lentos con IA	Becker et al. [25]
METR, actualización de 2026	nueva cohorte	Ensayo controlado aleatorizado	los autores llaman a los nuevos datos “una señal poco fiable”	METR [26]

Los efectos medidos van de una ralentización del 19% a una aceleración del 56% en una tarea de juguete. Los dos factores de la estimación de valor, el recuento de desarrolladores y el múltiplo de productividad, son blandos. Eso debilita el billón. También significa que cualquier valor liberado por una programación más barata no es un número conocido.

3. Lo que suponen las proyecciones

Leídas en conjunto, las proyecciones descansan sobre cuatro supuestos. Cada uno es un enunciado sobre una dirección del espacio de diseño, no sobre el valor del software.

1. Una sola dirección: la generación. Cada cambio lo escribe un modelo. La estimación de valor escala la productividad por el modelo, y la ilustración de costes pone precio a cada consulta [1].
2. Alta energía y alto cómputo. Se proyecta que el volumen de tokens, la electricidad de los centros de datos y la inversión de capital crezcan juntos [8, 10, 11]. La energía por consulta cae, y los tokens por tarea suben más deprisa [9, 10].
3. Renta por token. Los ingresos se facturan por token o por puesto cuyo coste son tokens. Se proyecta que el coste anual en tokens de un desarrollador alcance la escala de un salario [1].
4. La IA en el bucle para siempre. La tarea 10.000 cuesta lo que cuesta la tarea 1, porque nada de lo que el modelo aprendió en la tarea 1 se ejecuta sin el modelo en la tarea 10.000.

El ensayo que enuncia el billón también enuncia su límite: “aunque la fijación de precios por sustitución funciona en los mercados incipientes, al final el coste de un bien converge a su coste marginal, y lo mismo ocurre con el precio” [1]. Este ensayo está de acuerdo, y pregunta cuál es el coste marginal de una tarea de programación correcta.

4. Cuánto cuesta una tarea correcta

Defínase, para una tarea de programación, $C\in \{0,1\}$ el resultado de su comprobación de aceptación (pasan las pruebas, se verifica una demostración o una salida coincide con una referencia), $J$ la energía usada para alcanzar $C=1$, en julios, $c_J$ el precio de la energía, en dólares por julio, y $c_{\text{check}}$ el coste de ejecutar la comprobación, en dólares. Un comprador paga por $C=1$, no por tokens.

La energía acota el coste marginal. El coste marginal de una ejecución es al menos $c_{J}J$, porque hay que comprar la electricidad. Bajo competencia, el precio tiende al coste marginal [1, 14].

Gran parte del código se reutiliza. Gurevich demostró que todo algoritmo secuencial queda capturado por una máquina de estados abstracta secuencial: un conjunto de estados y una regla de transición [35]. Lopes y colegas midieron que alrededor del 70% del código en GitHub consiste en clones de archivos creados previamente [36]. Donde ya existe una solución que pasa, una tarea puede cerrarse recuperándola y comprobándola en lugar de generarla de nuevo.

Proposición E0 (precio de una tarea cubierta). Dígase que una tarea está cubierta cuando una solución almacenada pasa su comprobación. Sea $J_{\text{floor}}$ la energía para recuperar, aplicar y comprobar esa solución. Bajo competencia entre vendedores cuyos resultados pasan la misma comprobación, el precio de una tarea cubierta tiende hacia

$p_{\text{covered}}\to c_J{J}_{\text{floor}}+c_{\text{check}}.$

La generación solo hace falta en las tareas no cubiertas. Para un flujo de tareas con fracción cubierta $f\in [0,1]$ y coste medio de generación $p_{\text{gen}}$ en las tareas no cubiertas, el precio esperado por tarea es $\bar{p}=f{p}_{\text{covered}}+(1-f)p_{\text{gen}}$. La fracción $f$ aún no está medida (Proposición E4).

5. Dónde son frágiles las proyecciones

Precios por token. Una tarea cerrada por reutilización no necesita tokens, así que una línea de ingresos con precio por token no gana nada en ella. Los ingresos totales por tokens en un flujo de tareas escalan con $1-f$.

El modelo en cada bucle. Si una solución encontrada una vez se almacena y se comprueba, las tareas posteriores de la misma forma no necesitan el modelo, así que las llamadas a modelo por tarea caen a medida que crece $f$. Si lo hacen en el trabajo real lo mide la Proposición E3.

Energía por tarea. Una instrucción de texto mediana a un asistente en producción la mide su operador en 0,24 Wh, o 864 J [12], y la IEA sitúa las consultas de razonamiento y agénticas en cientos o miles de veces la energía de una simple [10]. No hay ninguna medición pública que compare generación y recuperación en las mismas tareas, así que aquí no se enuncia ninguna razón.

Dos descensos se multiplican. Escríbase el coste por tarea como $p=n\cdot q$, con $n$ llamadas a modelo por tarea y $q$ dólares por llamada. El precio por llamada a rendimiento fijo cae por un factor de 9 a 900 al año, según la tarea [4, 34]. La reutilización baja $n$. Una proyección que extrapola el volumen de tokens solo modela $q$.

Empaquetado. Un bien cuyo coste marginal está cerca de cero, y que complementa una herramienta que la gente ya tiene, tiende a empaquetarse en esa herramienta, y su precio separado desaparece [13, 14]. Nalebuff mostró que un paquete puede disuadir la entrada [32], y Adams y Yellen que puede discriminar en precio [33]; Spolsky describió la estrategia de mercantilizar un complemento [31]. Los cambios de precios son visibles: GitHub pasó los planes individuales de Copilot a facturación por uso a partir del 1 de junio de 2026 [30], y Cursor pasó Pro de límites de solicitudes a precios de API repercutidos en 2025 [18].

Lo que sobrevive. La estimación de valor de la sección 2.1 puede mantenerse. Lo frágil es el supuesto de que el valor se cobra como un cargo sobre la generación, porque ese cargo solo se aplica a la fracción $1-f$.

6. Demanda

Tareas más baratas pueden aumentar la demanda total. El ensayo de capital riesgo lo espera: “we believe Jevon’s Paradox in this case holds” [1]. Hay que separar dos efectos. La demanda de una tarea se detiene una vez que $C=1$. El uso total aún puede crecer, porque un trabajo más barato abre tareas nuevas. La única elasticidad publicada es pequeña. Entre tareas de la muestra de la API de Anthropic, cada aumento del 1% en el coste se asocia con una disminución del 0,29% en la frecuencia de uso, una elasticidad de $\epsilon \approx -0.29$ [29]. Es una relación transversal entre tareas, no un cambio de precio en el tiempo. Con $|\epsilon |<1$, una bajada de precio sobre un conjunto fijo de tareas reduce los ingresos, porque los ingresos $R=pQ$ cambian según $dR/R=(1+\epsilon )dp/p$.

7. Proposiciones y protocolos

Proposición E1 (las curvas de coste se cruzan). Para un flujo de tareas en un repositorio, el coste acumulado por tarea resuelta de un método que almacena y reutiliza soluciones comprobadas cae por debajo del de un método que genera cada cambio, tras un número finito de tareas. Protocolo: ejecutar ambos sobre el mismo flujo de incidencias bajo un medidor de potencia externo. Informar de measured_j y de los dólares por tarea resuelta según el índice de la tarea, y del índice de cruce.

Proposición E2 (el precio sigue al suelo). Donde una capacidad de programación puede cerrarse por recuperación y reglas, su precio de lista cae hacia $c_J{J}_{\text{floor}}+c_{\text{check}}$. Protocolo: seguir en el tiempo los precios de lista de una clase de capacidad de ese tipo frente a su energía de ejecución medida.

Proposición E3 (la parte de los tokens en el coste). En un repositorio donde la reutilización crece, la parte del coste de la tarea pagada en tokens cae. Protocolo: registrar tokens, julios y dólares por tarea cerrada y por ronda, e informar de la parte de los tokens en el coste por ronda.

Proposición E4 (cobertura). La fracción cubierta $f$ del volumen real de tareas de programación es medible. Protocolo: extraer una muestra aleatoria de pull requests fusionadas de repositorios públicos (GitHub informa de 518,7 millones fusionadas en un año [17]), comprobar en cada una si existe una solución recuperada que pase las pruebas del repositorio, e informar de $f$ con un intervalo de Wilson del 95%.

Referencias

[1] G. Appenzeller and Y. Li, “The Trillion Dollar AI Software Development Stack,” 9 October 2025. https://a16z.com/the-trillion-dollar-ai-software-development-stack/

[2] Menlo Ventures, “2025: The State of Generative AI in the Enterprise,” December 2025. https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/

[3] Mordor Intelligence, “AI Code Tools Market Size, Share and 2031 Growth Trends Report,” fetched 11 October 2026. https://www.mordorintelligence.com/industry-reports/artificial-intelligence-code-tools-market

[4] B. Emberson and D. Roodman, “The plunging price of thought,” Epoch AI, 22 September 2026. https://epoch.ai/publications/the-plunging-price-of-thought

[5] Cursor, “Past, Present, and Future” (Series D announcement), 13 November 2025. https://cursor.com/blog/series-d

[6] Anthropic, “Anthropic raises $30 billion in Series G funding at $380 billion post-money valuation,” 12 February 2026. https://www.anthropic.com/news/anthropic-raises-30-billion-series-g-funding-380-billion-post-money-valuation

[7] Microsoft Corporation, Form 10-Q for the quarter ended 30 September 2025, Note 3 and Item 2. https://www.sec.gov/Archives/edgar/data/789019/000119312525256321/msft-20250930.htm

[8] S. Pichai, “I/O 2026: Welcome to the agentic Gemini era,” 19 May 2026. https://blog.google/innovation-and-ai/sundar-pichai-io-2026/

[9] L. Bai, Z. Huang and X. Wang, “How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks,” 2026. arXiv:2604.22750. https://arxiv.org/abs/2604.22750

[10] International Energy Agency, Key Questions on Energy and AI, executive summary, 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary

[11] International Energy Agency, Energy and AI, executive summary, April 2025. https://www.iea.org/reports/energy-and-ai/executive-summary

[12] C. Elsworth et al., “Measuring the environmental impact of delivering AI at Google Scale,” 2025. arXiv:2508.15734. https://arxiv.org/abs/2508.15734

[13] Y. Bakos and E. Brynjolfsson, “Bundling Information Goods: Pricing, Profits, and Efficiency,” Management Science 45(12), 1999. doi:10.1287/mnsc.45.12.1613

[14] C. Shapiro and H. R. Varian, Information Rules: A Strategic Guide to the Network Economy, Harvard Business School Press, 1998.

[15] McKinsey & Company, “The economic potential of generative AI: The next productivity frontier,” June 2023. https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[16] Goldman Sachs, “Generative AI could raise global GDP by 7%,” April 2023. https://www.goldmansachs.com/intelligence/pages/generative-ai-could-raise-global-gdp-by-7-percent.html

[17] GitHub, “Octoverse: A new developer joins GitHub every second as AI leads TypeScript to #1,” 2025. https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/

[18] Cursor, “Clarifying our pricing,” June 2025 pricing post. https://cursor.com/blog/june-2025-pricing

[19] Microsoft Investor Relations, FY26 Q1 Performance. https://www.microsoft.com/en-us/investor/earnings/fy-2026-q1/performance

[20] G. Appenzeller, “Welcome to LLMflation: LLM inference cost is going down fast,” a16z, November 2024. https://a16z.com/llmflation-llm-inference-cost/

[21] DeepSeek, DeepSeek-V3.2-Exp release and API price reduction, 29 September 2025 (in Chinese). https://api-docs.deepseek.com/zh-cn/news/news250929

[22] OpenAI, “Announcing The Stargate Project,” 21 January 2025. https://openai.com/index/announcing-the-stargate-project/

[23] D. Cahn, “AI’s $600B Question,” Sequoia Capital, 2024. https://www.sequoiacap.com/article/ais-600b-question/

[24] Gartner, “Gartner Says Worldwide AI Spending Will Total $1.5 Trillion in 2025,” 17 September 2025. https://www.gartner.com/en/newsroom/press-releases/2025-09-17-gartner-says-worldwide-ai-spending-will-total-1-point-5-trillion-in-2025

[25] J. Becker, N. Rush, E. Barnes and D. Rein, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity,” METR, 2025. arXiv:2507.09089. https://arxiv.org/abs/2507.09089

[26] METR, uplift study update, 24 February 2026. https://metr.org/blog/2026-02-24-uplift-update/

[27] S. Peng, E. Kalliamvakou, P. Cihon and M. Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot,” 2023. arXiv:2302.06590. https://arxiv.org/abs/2302.06590

[28] E. Paradis, K. Grey, Q. Madison et al., “How much does AI impact development speed? An enterprise-based randomized controlled trial,” 2024. arXiv:2410.12944. https://arxiv.org/abs/2410.12944

[29] Anthropic, “Anthropic Economic Index report: Uneven geographic and enterprise AI adoption,” September 2025. https://www.anthropic.com/research/anthropic-economic-index-september-2025-report

[30] GitHub Japan blog, “GitHub Copilotの個人向けプラン: ProとPro+へのフレックス枠追加と新しいMaxプランのご紹介,” 15 May 2026 (in Japanese). https://github.blog/jp/2026-05-15-github-copilot-individual-plans-introducing-flex-allotments-in-pro-and-pro-and-a-new-max-plan/

[31] J. Spolsky, “Strategy Letter V,” Joel on Software, 12 June 2002. https://www.joelonsoftware.com/2002/06/12/strategy-letter-v/

[32] B. Nalebuff, “Bundling as an Entry Barrier,” Quarterly Journal of Economics 119(1), 2004. doi:10.1162/003355304772839551

[33] W. J. Adams and J. L. Yellen, “Commodity Bundling and the Burden of Monopoly,” Quarterly Journal of Economics 90(3), 1976. doi:10.2307/1886045

[34] Epoch AI, “LLM inference prices have fallen rapidly but unequally across tasks,” data insight. https://epoch.ai/data-insights/llm-inference-price-trends

[35] Y. Gurevich, “Sequential abstract-state machines capture sequential algorithms,” ACM Transactions on Computational Logic 1(1), 2000, pp. 77 to 111. doi:10.1145/343369.343384

[36] C. V. Lopes, P. Maj, P. Martins, V. Saini, D. Yang, J. Zitny, H. Sajnani and J. Vitek, “DéjàVu: a map of code duplicates on GitHub,” Proceedings of the ACM on Programming Languages 1(OOPSLA), 2017, article 84. doi:10.1145/3133908