GitHub conta tokens do Copilot no Claude Code, Codex e OpenCode. Use para custo, não produtividade

opencode, claude_code, codex, zed, copilot_cli, github_app, cloud_agent, code_review, vscode, jetbrains. Essa é a lista de clientes que a API de métricas de uso do Copilot do GitHub agora consegue diferenciar, e ela diz algo sobre como os desenvolvedores usam IA em 2026: por muitas interfaces, muitas vezes não as do próprio GitHub, com o Copilot como provedor de modelo por trás delas.

Até 23 de outubro, o uso de ferramentas como o OpenCode que chamam modelos por meio de uma assinatura do Copilot não aparecia nos relatórios. Um novo campo totals_by_client resolve essa lacuna.

O que o novo campo reporta

Para cada cliente, a API retorna:

• request_count: requisições de modelo bem-sucedidas. O GitHub avisa que “um prompt pode disparar várias chamadas de modelo”, então isso não é uma contagem do que as pessoas pediram.
• session_count: sessões distintas.
• token_usage: tokens de prompt, tokens de saída e a média por requisição.
• totals_by_model: as mesmas métricas por modelo, com um model_selection_mode indicando se o usuário escolheu o modelo, se a seleção automática o fez ou se o produto o fez (como no code review e no cloud agent).

Os dados estão disponíveis em relatórios enterprise, de organização e por usuário, para períodos de um dia e de 28 dias. O acesso é limitado a enterprise owners, billing managers, organization owners e roles customizadas com a permissão View Copilot Metrics, e a política de métricas de uso precisa estar habilitada. A mudança é aditiva; os campos existentes não foram alterados.

Uma ressalva o próprio GitHub deixa clara: os clientes são identificados pelo ID de integração que enviam, então client é “um agrupamento de melhor esforço, não uma identidade verificada”.

Bom para três perguntas

Para onde vai o gasto? O uso de modelo que acontece fora do plugin da IDE é exatamente o uso que surpreende o orçamento: sessões agênticas longas em uma ferramenta de terminal podem consumir bem mais tokens do que as completions inline. A contagem de tokens por cliente deixa os times de plataforma verem isso e alocarem o gasto. Descrevemos como a Databricks cortou seus custos unitários de IA para programação com um gateway; dados como esses são o ponto de partida para esse tipo de trabalho.

Quais ferramentas as pessoas realmente adotaram? Listas de ferramentas aprovadas e uso real costumam divergir. Uma visão por cliente mostra quais interfaces os desenvolvedores escolheram, o que é insumo útil para suporte, treinamento e revisões de segurança.

Quais modelos estão sendo escolhidos, e por quem? O modo de seleção separa escolhas deliberadas de modelo do roteamento automático, o que ajuda quando uma aposentadoria de modelo ou uma mudança de preço está chegando e você precisa saber quem vai notar.

Não serve para a pergunta que os gestores vão fazer

O uso indevido tentador é óbvio: ranquear times por tokens ou requisições e chamar isso de produtividade. A métrica não sustenta isso. Mais tokens podem significar trabalho mais difícil, um loop de agente mal escopado ou uma ferramenta que tenta de novo mais vezes. Requisições são chamadas de modelo, não tarefas. Nada na API diz se o código foi mergeado, revertido ou causou um incidente. Fizemos o argumento geral de que horas economizadas são capacidade, não valor; tokens consumidos estão ainda mais longe de valor.

Há também uma fronteira a lembrar: a API vê o tráfego que passa pelo Copilot. Um desenvolvedor usando o Claude Code com uma chave da Anthropic, ou o Codex com uma conta da OpenAI, não aparece. O relatório é uma visão completa do tráfego de um provedor, não da programação com IA na empresa.

Uma forma sensata de usar

1. Reporte tokens por cliente e por modelo mensalmente para quem é dono do orçamento de IA para programação, ao lado do preço por token de cada modelo.
2. Combine o uso com um resultado do seu sistema de entrega (pull requests mergeados, tempo de review, taxa de falha de mudança) antes de tirar conclusões sobre qualquer time.
3. Trate um cliente desconhecido ou não aprovado na lista como uma conversa com os desenvolvedores, não como um incidente; o identificador é autodeclarado.
4. Verifique quais ferramentas de programação na sua empresa ignoram o Copilot por completo, porque o uso e o tratamento de dados delas ficam fora deste relatório.

A telemetria está seguindo o endpoint do modelo em vez do editor, e essa é a direção certa: é onde o custo é incorrido. Ainda é telemetria sobre consumo. O que o código valeu precisa ser medido em outro lugar.