O prometido mercado trilionário de programação com IA

Versão 1.1, 11 de outubro de 2026. Dados e código: research.openie.dev/data/. PDF em LaTeX: /pdfs/latex/ai-coding-market.pdf (fonte).

Resumo

As previsões dizem que a programação com IA valerá trilhões de dólares por ano. Este ensaio lista quem diz isso, rotula cada número pelo que ele é e nomeia as suposições que as previsões compartilham.

Em palavras simples

1. Os grandes números sobre a programação com IA são, em sua maioria, palpites sobre o futuro, não contagens de dinheiro já ganho.
2. Quase todos supõem que cada novo trecho de código precisa de um grande modelo de IA, pago por palavra, para sempre.
3. Se o código que funciona puder ser guardado e reutilizado, o custo de um trabalho repetido cai em direção ao custo da eletricidade para executá-lo, e essas previsões seriam altas demais.

1. Projeções e medições são objetos diferentes

Cada número abaixo leva um de cinco rótulos.

Rótulo	Significado
Projeção	Uma previsão ou uma estimativa de valor construída sobre suposições declaradas
Relatado pela empresa	Um número que uma empresa declara sobre si mesma, como a receita anualizada (o último mês vezes doze) ou uma avaliação de financiamento
Estimativa de pesquisa	Um número de dimensionamento de mercado vindo de uma pesquisa com compradores
Registrado	Um número de um documento entregue a um regulador
Medido	Uma contagem ou uma leitura de energia de uma execução cujos artefatos são guardados. As leituras de energia levam um de três rótulos: est_j para uma estimativa analítica, reported_j para um contador do sistema operacional ou do chip, measured_j para um medidor de potência externo

Só a última linha é evidência sobre o custo de um resultado correto. As demais são evidência sobre o que o mercado espera.

2. Quem projeta o quê

2.1 O valor dos desenvolvedores: o trilhão

Afirmação	Número	Rótulo	Fonte
Desenvolvedores de software no mundo	cerca de 30 milhões (de 27 milhões a 47 milhões, conforme a estimativa)	Insumo de projeção	Appenzeller e Li [1]
Valor por desenvolvedor por ano	100,000 dólares (suposto)	Insumo de projeção	[1]
Contribuição econômica anual	cerca de 3 trilhões de dólares	Projeção	[1]
Desenvolvedores no GitHub	mais de 180 milhões; 518.7 milhões de pull requests mesclados no ano	Relatado pela empresa	GitHub Octoverse 2025 [17]
Valor da IA generativa em 63 casos de uso	de 2.6 trilhões a 4.4 trilhões de dólares por ano; produtividade da engenharia de software de 20% a 45% do gasto anual atual da função	Projeção	McKinsey [15]
Efeito da IA generativa no PIB mundial	7% ao longo de um período de dez anos	Projeção	Goldman Sachs [16]
Ganho de produtividade com um assistente simples	cerca de 20%	Estimativa a partir de entrevistas	[1]
Ganho de produtividade com uma implantação de ponta	“pelo menos o dobro”	Estimativa “baseada em evidência anedótica”	[1]

A contagem de desenvolvedores é frágil: 30 milhões é uma estimativa de profissionais, e só o GitHub conta seis vezes mais contas que desenvolvem nele [17]. O valor por desenvolvedor e o múltiplo de produtividade também são frágeis (Seção 2.7). A estimativa de 2023 da McKinsey é o trilhão original deste mercado, e é uma estimativa de valor para todas as funções [15]. O mesmo ensaio de capital de risco diz que o ecossistema de programação com IA pode “sustentar dezenas de empresas de um bilhão de dólares e até mesmo um gigante de um trilhão de dólares” [1]. Essa frase é o trilhão. É uma estimativa de valor. Não é uma previsão de receita.

2.2 Receita de ferramentas e gasto empresarial

Afirmação	Número	Rótulo	Fonte
Gasto empresarial com ferramentas de programação com IA, 2025	4.0 bilhões de dólares, 55% do gasto departamental com IA	Estimativa de pesquisa	Menlo Ventures [2]
Gasto empresarial com IA generativa, 2025	37 bilhões de dólares	Estimativa de pesquisa	[2]
Mercado de ferramentas de código com IA, 2026	9.35 bilhões de dólares, chegando a 29.96 bilhões até 2031	Projeção	Mordor Intelligence [3]

A receita que o mercado relata hoje está na casa dos bilhões. O trilhão é o valor que o mercado espera capturar.

2.3 Receita e avaliações de empresas

Afirmação da empresa	Número	Data	Rótulo	Fonte
Receita anualizada do Cursor	mais de 1 bilhão de dólares	13 de novembro de 2025	Relatado pela empresa	Cursor [5]
Novo preço do Cursor Pro	de limites de requisições para “20 dólares de uso de modelos de fronteira por mês a preços de API”, com reembolsos pela mudança	junho a julho de 2025	Relatado pela empresa	Cursor [18]
Série D do Cursor	2.3 bilhões de dólares a 29.3 bilhões post-money	13 de novembro de 2025	Relatado pela empresa	[5]
Receita anualizada da Anthropic	14 bilhões de dólares	12 de fevereiro de 2026	Relatado pela empresa	Anthropic [6]
Receita anualizada do Claude Code	mais de 2.5 bilhões de dólares	12 de fevereiro de 2026	Relatado pela empresa	[6]
Série G da Anthropic	30 bilhões de dólares a 380 bilhões post-money	12 de fevereiro de 2026	Relatado pela empresa	[6]

A Anthropic declara que a rodada financia “expansões de infraestrutura” [6]. Receita, avaliação e computação são uma única aposta.

A Figura 1 coloca num só eixo os valores em dólares das Seções 2.1 a 2.3 e 2.6, marcados pelo rótulo que cada fonte traz.

2.4 Inferência, tokens e economia unitária

Afirmação	Número	Rótulo	Fonte
Tokens processados pelo Google por mês	9.7 trilhões (2024), cerca de 480 trilhões (2025), mais de 3.2 quatrilhões (maio de 2026)	Relatado pela empresa	Pichai [8]
Ferramentas internas de IA para desenvolvedores do Google	meio trilhão de tokens por dia em março de 2026, mais de três trilhões por dia em maio	Relatado pela empresa	[8]
Custo de uma consulta agêntica de programação a preços de tabela	2.50 dólares: um contexto de 100,000 tokens e 10,000 tokens de saída a 15 e 75 dólares por milhão de tokens	Ilustração	Appenzeller e Li [1]
O mesmo a 3 consultas por hora, 7 horas por dia, 200 dias	cerca de 10,000 dólares por ano por desenvolvedor	Ilustração	[1]
Tokens na programação agêntica comparados a raciocínio sobre código e chat de código	cerca de 1,000 vezes mais; execuções de uma mesma tarefa diferem em até 30 vezes; maior uso de tokens “não se traduz em maior precisão”	Medido (oito modelos, SWE-bench Verified)	Bai, Huang e Wang [9]
Perdas líquidas do investimento da Microsoft na OpenAI, trimestre encerrado em 30 de setembro de 2025	4.1 bilhões de dólares antes de impostos, sua participação pelo método de equivalência patrimonial, em outras despesas; uma redução de 3.1 bilhões de dólares no lucro líquido (0.41 dólar por ação diluída)	Registrado e relatado pela empresa	Microsoft Form 10-Q [7]; Microsoft FY26 Q1 performance [19]

Duas frases nas fontes expõem a economia sem rodeios. Pichai: “muitas empresas já estão estourando seus orçamentos anuais de tokens, e ainda é maio” [8]. Appenzeller e Li: “Por décadas, o custo do desenvolvimento de software foi quase puramente custo de pessoas, mas agora os LLMs acrescentam um componente substancial de despesa operacional” [1].

A Figura 2 traça a série de tokens.

2.5 Preço por token

Afirmação	Número	Rótulo	Fonte
Custo de um nível fixo de desempenho de IA	queda de cerca de 47% por trimestre, cerca de 13 vezes por ano, desde 2023	Série de preços medida (cinco benchmarks)	Epoch AI [4]
Preço para atingir uma pontuação fixa de benchmark	cai de 9 a 900 vezes por ano, conforme o marco; as quedas mais rápidas são as mais recentes e as menos certas de persistir	Série de preços medida (ajustes log-lineares)	Epoch AI [34]
Custo de inferência a desempenho equivalente	queda de cerca de 10 vezes por ano: de 60 dólares por milhão de tokens em 2021 para 0.06 dólar	Estimativa	Appenzeller, a16z [20]
Corte de preço da API da DeepSeek, 29 de setembro de 2025	custo dos desenvolvedores “reduzido em mais de 50%”	Relatado pela empresa	DeepSeek [21]

As 13 vezes por ano de [4] são um ponto numa faixa ampla [34]. A queda é movida pela concorrência e pelos pesos abertos, como mostra o corte da DeepSeek [21]. Ela não precisa de contabilidade de energia. Essa é a primeira das duas quedas da Seção 5. A reutilização acrescenta outra, diferente: as chamadas por tarefa.

A Figura 3 desenha as duas séries de preços.

2.6 Energia e capital

Afirmação	Número	Rótulo	Fonte
Eletricidade de data centers, 2024	cerca de 415 TWh, cerca de 1.5% da eletricidade mundial	Estimativa	IEA, Energy and AI [11]
Eletricidade de data centers, 2030	cerca de 945 TWh, cenário base	Projeção	[11]
Eletricidade de data centers, 2025 a 2030	de 485 TWh a 950 TWh, cerca de 3% da demanda mundial	Estimativa e projeção	IEA, Key Questions on Energy and AI [10]
Investimento de capital das maiores empresas de tecnologia	mais de 400 bilhões de dólares em 2025, com alta esperada de mais 75% em 2026	Relatado e projetado	[10]
Investimento de capital da Alphabet	31 bilhões de dólares em 2022; cerca de 180 a 190 bilhões esperados em 2026	Relatado pela empresa e orientação	Pichai [8]
Energia por tarefa	queda de pelo menos uma ordem de grandeza por ano; tarefas de raciocínio e agênticas usam “centenas ou milhares de vezes mais energia por consulta do que a geração simples de texto”	Estimativa	[10]
Um prompt de texto mediano a um assistente em produção	0.24 Wh	Medido pelo operador	Elsworth et al. [12]
Stargate	500 bilhões de dólares em quatro anos em infraestrutura de IA para um laboratório, 100 bilhões aplicados de imediato	Anunciado pela empresa	OpenAI [22]
Gasto mundial com IA, 2025	cerca de 1.5 trilhão de dólares	Projeção	Gartner [24]
Receita que o investimento de capital precisa recuperar	“AI’s $600B question”	Análise	Sequoia Capital [23]

O aluguel que precisa ser pago é aluguel de hardware. Investimentos e compromissos desse tamanho são pagos por meio de uso precificado acima de sua energia. Nas tarefas que podem ser fechadas por reutilização, essa base é menor.

2.7 Evidência de produtividade

Estudo	n	Desenho	Efeito	Fonte
Ensaio da a16z	entrevistas	Estimativa	cerca de 20% para um assistente simples; “pelo menos o dobro” no melhor da categoria	[1]
GitHub Copilot, tarefa de servidor HTTP	desenvolvedores recrutados	Experimento controlado	55.8% mais rápido numa tarefa de brinquedo	Peng et al. [27]
Teste empresarial do Google	96 engenheiros	Ensaio controlado randomizado	cerca de 21% menos tempo na tarefa	Paradis et al. [28]
METR, início de 2025	16 desenvolvedores experientes de código aberto, 246 tarefas	Ensaio controlado randomizado	19% mais lentos com IA	Becker et al. [25]
METR, atualização de 2026	nova coorte	Ensaio controlado randomizado	os autores chamam os novos dados de “um sinal pouco confiável”	METR [26]

Os efeitos medidos vão de uma desaceleração de 19% a uma aceleração de 56% numa tarefa de brinquedo. Os dois fatores da estimativa de valor, a contagem de desenvolvedores e o múltiplo de produtividade, são frágeis. Isso enfraquece o trilhão. Também significa que qualquer valor liberado por uma programação mais barata não é um número conhecido.

3. O que as projeções supõem

Lidas em conjunto, as projeções se apoiam em quatro suposições. Cada uma é uma afirmação sobre uma direção do espaço de projeto, não sobre o valor do software.

1. Uma direção: geração. Toda mudança é escrita por um modelo. A estimativa de valor escala a produtividade pelo modelo, e a ilustração de custo precifica cada consulta [1].
2. Alta energia e alta computação. Volume de tokens, eletricidade de data centers e investimento de capital devem crescer juntos [8, 10, 11]. A energia por consulta cai, e os tokens por tarefa sobem mais depressa [9, 10].
3. Aluguel por token. A receita é cobrada por token ou por licença cujo custo são tokens. O custo anual de tokens de um desenvolvedor é projetado na escala de um salário [1].
4. IA no loop para sempre. A tarefa 10,000 custa o mesmo que a tarefa 1, porque nada do que o modelo aprendeu na tarefa 1 roda sem o modelo na tarefa 10,000.

O ensaio que enuncia o trilhão também enuncia seu limite: “embora o preço por substituição funcione em mercados iniciais, no fim o custo de um bem converge para seu custo marginal, e o preço também” [1]. Este ensaio concorda, e pergunta qual é o custo marginal de uma tarefa de programação correta.

4. Quanto custa uma tarefa correta

Defina, para uma tarefa de programação, $C\in \{0,1\}$ como o resultado de sua verificação de aceitação (os testes passam, uma prova é verificada ou uma saída coincide com uma referência), $J$ como a energia usada para chegar a $C=1$, em joules, $c_J$ como o preço da energia, em dólares por joule, e $c_{\text{check}}$ como o custo de executar a verificação, em dólares. Um comprador paga por $C=1$, não por tokens.

A energia limita o custo marginal. O custo marginal de uma execução é de pelo menos $c_{J}J$, já que a eletricidade precisa ser comprada. Sob concorrência, o preço tende ao custo marginal [1, 14].

Muito código é reutilizado. Gurevich provou que todo algoritmo sequencial é capturado por uma máquina de estados abstrata sequencial: um conjunto de estados e uma regra de transição [35]. Lopes e colegas mediram que cerca de 70% do código no GitHub consiste em clones de arquivos criados anteriormente [36]. Onde já existe uma solução que passa, uma tarefa pode ser fechada recuperando-a e verificando-a, em vez de gerá-la de novo.

Proposição E0 (preço de uma tarefa coberta). Diga-se que uma tarefa está coberta quando uma solução armazenada passa em sua verificação. Seja $J_{\text{floor}}$ a energia para recuperar, aplicar e verificar essa solução. Sob concorrência entre vendedores cujos resultados passam na mesma verificação, o preço de uma tarefa coberta tende a

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

A geração só é necessária nas tarefas não cobertas. Para um fluxo de tarefas com fração coberta $f\in [0,1]$ e custo médio de geração $p_{\text{gen}}$ nas tarefas não cobertas, o preço esperado por tarefa é $\bar{p}=f{p}_{\text{covered}}+(1-f)p_{\text{gen}}$. A fração $f$ ainda não foi medida (Proposição E4).

5. Onde as projeções são frágeis

Preço por token. Uma tarefa fechada por reutilização não precisa de tokens, de modo que uma linha de receita precificada por token não ganha nada com ela. A receita total de tokens num fluxo de tarefas escala com $1-f$.

O modelo em cada loop. Se uma solução encontrada uma vez é armazenada e verificada, as tarefas posteriores da mesma forma não precisam do modelo, de modo que as chamadas a modelo por tarefa caem à medida que $f$ cresce. Se isso acontece no trabalho real é o que a Proposição E3 mede.

Energia por tarefa. Um prompt de texto mediano a um assistente em produção é medido por seu operador em 0.24 Wh, ou 864 J [12], e a IEA situa as consultas de raciocínio e agênticas em centenas ou milhares de vezes a energia de uma consulta simples [10]. Nenhuma medição pública compara geração e recuperação nas mesmas tarefas, de modo que nenhuma razão é enunciada aqui.

Duas quedas se multiplicam. Escreva o custo por tarefa como $p=n\cdot q$, com $n$ chamadas a modelo por tarefa e $q$ dólares por chamada. O preço por chamada a desempenho fixo cai por um fator de 9 a 900 por ano, conforme a tarefa [4, 34]. A reutilização reduz $n$. Uma projeção que extrapola o volume de tokens modela apenas $q$.

Empacotamento. Um bem cujo custo marginal é próximo de zero, e que complementa uma ferramenta que as pessoas já têm, tende a ser empacotado nessa ferramenta, e seu preço separado desaparece [13, 14]. Nalebuff mostrou que um pacote pode dissuadir a entrada [32], e Adams e Yellen, que ele pode discriminar preços [33]; Spolsky descreveu a estratégia de transformar um complemento em commodity [31]. As mudanças de preço são visíveis: o GitHub passou os planos individuais do Copilot para cobrança por uso a partir de 1 de junho de 2026 [30], e o Cursor passou o Pro de limites de requisições para preços de API repassados em 2025 [18].

O que sobrevive. A estimativa de valor da Seção 2.1 pode se sustentar. O que é frágil é a suposição de que o valor é cobrado como uma tarifa sobre a geração, já que essa tarifa só se aplica à fração $1-f$.

6. Demanda

Tarefas mais baratas podem aumentar a demanda total. O ensaio de capital de risco espera isso: “we believe Jevon’s Paradox in this case holds” [1]. Dois efeitos devem ser separados. A demanda por uma tarefa para assim que $C=1$. O uso total ainda pode crescer, porque um trabalho mais barato abre tarefas novas. A única elasticidade publicada é pequena. Entre as tarefas da amostra da API da Anthropic, cada aumento de 1% no custo está associado a uma redução de 0.29% na frequência de uso, uma elasticidade de $\epsilon \approx -0.29$ [29]. Trata-se de uma relação transversal entre tarefas, não de uma mudança de preço ao longo do tempo. Com $|\epsilon |<1$, uma queda de preço sobre um conjunto fixo de tarefas reduz a receita, já que a receita $R=pQ$ varia segundo $dR/R=(1+\epsilon )dp/p$.

7. Proposições e protocolos

Proposição E1 (as curvas de custo se cruzam). Para um fluxo de tarefas num repositório, o custo acumulado por tarefa resolvida de um método que armazena e reutiliza soluções verificadas fica abaixo do de um método que gera cada mudança, após um número finito de tarefas. Protocolo: executar ambos sobre o mesmo fluxo de issues sob um medidor de potência externo. Relatar measured_j e os dólares por tarefa resolvida segundo o índice da tarefa, e o índice de cruzamento.

Proposição E2 (o preço segue o piso). Onde uma capacidade de programação pode ser fechada por recuperação e regras, seu preço de tabela cai em direção a $c_J{J}_{\text{floor}}+c_{\text{check}}$. Protocolo: acompanhar ao longo do tempo os preços de tabela de uma classe de capacidade desse tipo em comparação com sua energia de execução medida.

Proposição E3 (a parcela de tokens no custo). Num repositório onde a reutilização cresce, a parcela do custo da tarefa paga em tokens cai. Protocolo: registrar tokens, joules e dólares por tarefa fechada e por rodada, e relatar a parcela de tokens no custo por rodada.

Proposição E4 (cobertura). A fração coberta $f$ do volume real de tarefas de programação é mensurável. Protocolo: extrair uma amostra aleatória de pull requests mesclados de repositórios públicos (o GitHub relata 518.7 milhões mesclados em um ano [17]), testar em cada um se existe uma solução recuperada que passa nos testes do repositório, e relatar $f$ com um intervalo de Wilson de 95%.

Referências

[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