Inteligência artificial na engenharia de software: produtividade medida e custos ocultos

Tema: Inteligência Artificial no Desenvolvimento de Software

O experimento tinha dezesseis programadores de código aberto, todos veteranos nos repositórios em que trabalhavam. Receberam tarefas reais, e cada tarefa era sorteada para ser feita com ou sem as melhores ferramentas de IA disponíveis no início de 2025 — principalmente o Cursor Pro com modelos Claude. A conclusão, publicada em julho de 2025 pela METR, foi de uma frieza constrangedora: com as ferramentas liberadas, os desenvolvedores levaram 19% mais tempo para concluir as tarefas. Pior: mesmo depois do experimento, eles acreditavam ter sido 20% mais rápidos [1].

O dado é um bom ponto de partida porque resume a tensão central da IA no desenvolvimento de software. A tese deste artigo é que a IA generativa já reorganizou o trabalho de engenharia de software, mas a métrica que a indústria escolheu para celebrar — velocidade de escrever código — é a mais enganosa, e os custos que ela empurra para frente (instabilidade de entrega, dívida de segurança, erosão da formação de juniores) já começaram a aparecer.

A velocidade que existe no cronômetro e não existe no calendário

A METR não fez um estudo de caso de vitrine: fez um ensaio controlado e randomizado, em que cada desenvolvedor resolvia tarefas nas duas condições [1]. Antes do experimento, os participantes estimavam que a IA os aceleraria em 24%; depois, achavam que haviam sido acelerados em 20%. O cronômetro mostrou 19% de desaceleração [1]. Essa distância entre percepção e medição importa, porque é a percepção que orienta decisões de compra, contratação e orçamento.

Em repositórios maduros, escrever a linha é a menor fração do trabalho: o gargalo é entender o sistema, revisar, depurar. É nesse ambiente que a IA acrescenta uma etapa de verificação de sugestões plausíveis, porém erradas.

O quadro, porém, está em movimento. Em fevereiro de 2026, a METR divulgou resultados de uma nova rodada, com 57 desenvolvedores e ferramentas do fim de 2025: os números brutos passaram a indicar algum ganho de velocidade, mas o próprio instituto os classificou como sinal pouco confiável, porque muitos desenvolvedores se recusaram a participar ou deixaram tarefas de fora por não quererem trabalhar sem IA [2]. A METR anunciou que vai redesenhar o estudo. Ou seja: a pergunta sobre o ganho real continua aberta — e medir bem ficou mais difícil.

A adoção dispara, a confiança despenca

Se o ganho é incerto, por que 84% dos desenvolvedores usam ou pretendem usar IA? O dado é da edição 2025 do Stack Overflow Developer Survey e mostra adoção em alta — eram 76% no ano anterior [3]. Ao mesmo tempo, a confiança na precisão das respostas caiu de 40% para 29% [4]. Naquela edição, 46% dos respondentes desconfiavam da precisão das ferramentas, contra 33% que confiavam, e só cerca de 3% diziam confiar plenamente [5].

Essa assimetria — uso massivo com desconfiança crescente — descreve uma relação de conveniência, não de entusiasmo, alimentada pela experiência com respostas que compilam mas estão erradas.

Do autocomplete ao agente: o produto mudou de categoria

O GitHub Copilot nasceu em 2021 como um completador de código no editor e hoje se apresenta como agente que pega uma issue, devolve um pull request e acompanha a revisão até o merge [6]. A mudança não é cosmética: um completador sugere trechos ao lado do cursor; um agente executa comandos, roda testes, lê arquivos e itera por conta própria.

O mercado reagiu com uma violência notável. A Cursor, da Anysphere, fechou em junho de 2025 uma Série C de 900 milhões de dólares liderada pela Thrive Capital, com avaliação de 9,9 bilhões [7]. Em novembro de 2025, veio outra rodada, de 2,3 bilhões, a uma avaliação de 29,3 bilhões [7][8]. A receita anualizada passou de 1 bilhão de dólares depois dessa rodada [7] e superou 2 bilhões em março de 2026 [8]. Em agosto de 2026, a SpaceX concluiu a compra da empresa [7]. Esse nível de capitalização se explica pela aposta de que o editor deixe de ser o centro do desenvolvimento e vire um orquestrador de agentes — e a primeira rodada da METR, que mediu justamente o Cursor Pro, segue como contraponto incômodo.

Testes e entregas: mais volume, menos estabilidade

Onde a IA parece entregar valor com menos controvérsia é no trabalho ao redor do código de produção: gerar testes, ampliar cobertura, lembrar casos de borda. O relatório DORA 2025, do Google Cloud, encontrou 90% dos respondentes usando IA no trabalho e, ao contrário do ano anterior, registrou uma relação positiva entre adoção de IA e vazão de entregas de software. Mas o mesmo relatório ressalva que a adoção de IA continua negativamente associada à estabilidade das entregas [9].

Em leitura literal: as equipes entregam mais e quebram mais. Uma hipótese plausível é que testes escritos pelo mesmo modelo que escreveu o código verifiquem a especificação que o modelo imaginou, não a que o sistema exige.

O código que nasce vulnerável

A conta de segurança também tem números. Em abril de 2026, a Cloud Security Alliance publicou uma nota de pesquisa que retoma um estudo apresentado na USENIX Security 2025: em 576 mil amostras de código geradas por 16 modelos, cerca de 20% faziam referência a pacotes Python ou JavaScript que não existem — uma porta aberta para quem registrar pacotes maliciosos com esses nomes [10]. Em setembro de 2025, a Apiiro, empresa de segurança de software, relatou que desenvolvedores de grandes empresas que usavam assistentes de IA produziam de três a quatro vezes mais código, mas introduziam dez vezes mais problemas de segurança [11]. Mais código, mais rápido, mais falhas.

O caso do Google dá a medida da escala. Em outubro de 2024, o CEO Sundar Pichai disse que mais de um quarto do novo código da empresa era gerado por IA [12]. Em abril de 2026, informou que a fatia chegou a 75%, contra 50% no outono anterior — código gerado por IA e aprovado por engenheiros [13]. Não se trata de substituir engenheiros, mas de deslocar o trabalho: revisar código gerado é uma tarefa cognitivamente diferente de escrevê-lo, e os processos de revisão precisam ser calibrados para esse novo volume.

Discussão: o funil de formação está encolhendo

A consequência mais séria talvez não esteja no código, e sim na carreira. Um estudo do Stanford Digital Economy Lab, citado pelo blog do Stack Overflow, encontrou que, até julho de 2025, o emprego de desenvolvedores de 22 a 25 anos havia caído quase 20% em relação ao pico do fim de 2022 [14]. É a faixa do trabalho de entrada, em que o profissional aprende resolvendo tarefas simples — exatamente o tipo de tarefa que a IA faz bem.

Isso cria um paradoxo: se a IA absorve o trabalho de entrada, como se formam os sêniores de 2035? A resposta convencional — "os juniores vão aprender a revisar código de IA" — pressupõe um julgamento crítico que se adquire escrevendo código e corrigindo os próprios erros. Há também custo humano: um estudo com 442 desenvolvedores profissionais, aceito na conferência ICSE 2026, concluiu que a adoção de IA generativa aumenta o burnout ao elevar as demandas de trabalho, efeito atenuado quando há recursos de apoio e percepção positiva da ferramenta [15].

Conclusão

A IA não vai substituir desenvolvedores, mas já está redefinindo o que a profissão exige: menos produção de linhas, mais julgamento sobre linhas produzidas. O experimento da METR, a desconfiança registrada pelo Stack Overflow, a instabilidade medida pelo DORA e o encolhimento do emprego júnior apontado em Stanford são o mesmo fenômeno visto de ângulos diferentes: a ferramenta acelera o trabalho visível e encarece o invisível.

Três direções merecem atenção. Primeiro, medir produtividade como tempo até produção estável, e não como volume de código ou de pull requests — experimentos controlados como o da METR deveriam inspirar a avaliação interna nas empresas. Segundo, tratar a revisão de código gerado como disciplina própria, com análise automatizada e políticas de segurança calibradas para o volume real. Terceiro, proteger deliberadamente a formação de juniores, porque a escassez de sêniores em 2035 está sendo contratada hoje.

Referências

[1] Becker, Rush, Barnes e Rein (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

[2] METR (2026). We are Changing our Developer Productivity Experiment Design. https://metr.org/blog/2026-02-24-uplift-update/

[3] 2025 Stack Overflow Developer Survey. https://survey.stackoverflow.co/2025/

[4] Developers remain willing but reluctant to use AI — the 2025 Developer Survey results are here. Stack Overflow Blog. https://stackoverflow.blog/2025/12/29/developers-remain-willing-but-reluctant-to-use-ai-the-2025-developer-survey-results-are-here/

[5] AI | 2025 Stack Overflow Developer Survey. https://survey.stackoverflow.co/2025/ai

[6] GitHub Copilot. GitHub. https://github.com/features/copilot

[7] Cursor (company). Wikipedia. https://en.wikipedia.org/wiki/Cursor_(company)

[8] Cursor Breaks $2 Billion in Annual Revenue. Trending Topics (2026). https://www.trendingtopics.eu/cursor-breaks-2-billion-in-annual-revenue/

[9] Announcing the 2025 DORA Report. Google Cloud Blog. https://cloud.google.com/blog/products/ai-machine-learning/announcing-the-2025-dora-report

[10] Vibe Coding's Security Debt: The AI-Generated CVE Surge. Cloud Security Alliance (2026). https://labs.cloudsecurityalliance.org/research/csa-research-note-ai-generated-code-vulnerability-surge-2026/

[11] 4x Velocity, 10x Vulnerabilities: AI Coding Assistants Are Shipping More Risks. Apiiro (2025). https://apiiro.com/blog/4x-velocity-10x-vulnerabilities-ai-coding-assistants-are-shipping-more-risks/

[12] McKenna, G. (2024). Over 25% of Google's code is written by AI, Sundar Pichai says. Fortune. https://fortune.com/2024/10/30/googles-code-ai-sundar-pichai/

[13] Pichai, S. (2026). Cloud Next '26: Momentum and innovation at Google scale. Google. https://blog.google/innovation-and-ai/infrastructure-and-cloud/google-cloud/cloud-next-2026-sundar-pichai/

[14] AI vs Gen Z: How AI has changed the career pathway. Stack Overflow Blog. https://stackoverflow.blog/2025/12/26/ai-vs-gen-z/

[15] Feng, Afroz e Sarma (2026). From Gains to Strains: Modeling Developer Burnout with GenAI Adoption. ICSE-SEIS '26 / arXiv. https://arxiv.org/html/2510.07435v2

Fale com a Eliza
E

Eliza

Agente assistente