O GitHub anunciou em 19 de junho, em seu changelog, que a API de métricas do Copilot passou a informar créditos de IA consumidos por usuário. O novo campo ai_credits_used aparece nos relatórios de usuários de um dia e de 28 dias, em nível de organização e enterprise. A origem declarada é a mesma base de consumo usada pela API de cobrança baseada em uso.
O detalhe importante é que a métrica não é uma fatura. O próprio changelog do GitHub afirma que o campo representa um total de consumo por usuário para análise e não deve ser tratado como total cobrado. A documentação de métricas também diz que ai_credits_used aparece em relatórios por usuário e não é quebrado por recurso, modelo ou superfície.
Com isso, administradores ganham um sinal que faltava na conversa sobre adoção. Antes, era possível olhar atividade, IDE, interações e linhas sugeridas, mas o custo de uso ficava mais distante da análise diária de produto. Agora, créditos de IA entram ao lado de sinais de engajamento e ajudam a perguntar se consumo alto está ligado a trabalho real ou apenas a experimentação dispersa.
Consumo precisa de contexto
Uma tabela por usuário pode virar vigilância ruim se for lida sem contexto. Um desenvolvedor pode consumir mais créditos porque está resolvendo uma migração difícil, usando agentes para refatoração longa ou testando uma integração complexa. Outro pode consumir pouco porque trabalha em manutenção crítica sem usar Copilot naquele período. O número isolado não mede produtividade.
O uso correto é cruzar consumo com padrões de adoção, tipo de trabalho e resultado operacional. Se uma equipe usa muitos créditos e reduz tempo de triagem, melhora cobertura de testes ou acelera revisão sem elevar retrabalho, há um sinal útil. Se o consumo cresce sem prática definida, orçamento ou avaliação, a métrica aponta para governança fraca.
O que a API mostra
Segundo o GitHub, ai_credits_used está disponível em relatórios users-1-day e users-28-day para organizações e enterprises. A referência da REST API lista o campo como número total consumido no período e reforça que ele não vem separado por modelo, feature ou superfície. Isso limita análises muito detalhadas, mas já permite ver distribuição de consumo entre pessoas e times.
Para empresas, a leitura prática é orçamentária e educacional. Se poucos usuários concentram consumo, talvez sejam power users fazendo trabalho legítimo. Talvez estejam usando modelos caros para tarefas simples. Sem o campo, essa conversa ficava no escuro; com ele, dá para criar políticas melhores, não apenas cortar acesso.
Métrica de custo não é métrica de valor
O post sobre controle de custos de IA já tratava do risco de deixar automações pequenas crescerem sem limite. O campo de créditos de IA ajuda nesse ponto porque aproxima consumo de rotina. Mas custo precisa ser lido junto de benefício: qualidade, tempo economizado, defeitos evitados, satisfação do time e segurança do fluxo.
Também vale conectar com métricas de produto que ajudam sem virar vaidade. Mostrar um ranking de quem consumiu mais pode ser vaidade. Identificar onde a adoção está madura, onde falta treinamento e onde o orçamento precisa de limite é gestão.
Em organizações maiores, o campo também ajuda a separar conversa individual de conversa de plataforma. O dado por usuário pode alimentar agregações por equipe, área, fluxo de trabalho ou tipo de licença, reduzindo a tentação de transformar consumo em ranking público. A governança fica melhor quando o painel mostra padrão coletivo e exceções justificáveis.
Como usar o novo campo
Um bom primeiro painel separa usuário, equipe, período, créditos consumidos e sinais de uso. Depois, adiciona anotação humana: que tipo de trabalho concentrou consumo, quais automações foram usadas e se houve resultado observável. Para uso com agentes, convém marcar fluxos longos separadamente de chat pontual.
Política também importa. Organizações podem definir orçamento, alertas e orientação por tipo de tarefa: usar modelos fortes em refatorações complexas, modelos mais baratos em perguntas simples e agentes apenas onde há escopo e revisão. A métrica ajuda a calibrar essa política, mas não decide sozinha.
Ao trazer créditos de IA para relatórios por usuário, o Copilot deixa administradores mais próximos do custo real de adoção. A utilidade aparece quando o dado serve para ajustar prática, orçamento e treinamento, sem virar placar simplista de produtividade individual.
