Medir o impacto real da IA no trabalho dos desenvolvedores implica distinguir o que é sensação do que se baseia em dados verificáveis. As ferramentas de geração de código estão se multiplicando, assim como as promessas de ganhos de produtividade. O relatório DORA 2025 e vários ensaios controlados recentes permitem confrontar essas promessas com os resultados observados em campo.
Produtividade IA e estabilidade de software: o que o relatório DORA 2025 mede
O relatório DORA 2025 estabelece uma ligação positiva entre a adoção da IA e a taxa de entrega. As equipes que utilizam assistentes de código entregam mais funcionalidades em um determinado período.
Esse mesmo relatório identifica um vínculo negativo persistente com a estabilidade das implantações. Em outras palavras, produzir mais rápido não garante produzir melhor. Os incidentes após a implantação não diminuem proporcionalmente ao código entregue.
Um ponto frequentemente ignorado nas análises concorrentes: a IA tende a amplificar as práticas já presentes em uma equipe. Uma equipe com boas práticas de revisão e testes vê seus resultados progredirem. Uma equipe cujos processos são frágeis vê suas fraquezas se agravarem. A ferramenta não é corretiva, é amplificadora. Recursos como codyx.org permitem explorar as diferentes abordagens de geração de código nesse contexto.
Ensaios controlados sobre a geração de código: resultados contraditórios
Os estudos disponíveis não convergem para uma conclusão única. A tabela abaixo resume as discrepâncias observadas entre dois tipos de ensaios recentes.
| Tipo de ensaio | Contexto | Resultado observado |
|---|---|---|
| Ensaio METR 2025 | Desenvolvedores experientes, projetos open source familiares | Duração medida das tarefas em aumento apesar de uma sensação de aceleração |
| Ensaios de campo (3 empresas) | Tarefas de desenvolvimento comuns, acesso ao Copilot | Mais tarefas concluídas no período observado |
O ensaio METR destaca uma discrepância marcante: os desenvolvedores estimavam que a IA os havia acelerado, enquanto a duração real havia aumentado. Esse viés perceptivo apresenta um problema metodológico para qualquer empresa que avaliaria a IA apenas com base na sensação de suas equipes.
Os ensaios de campo, por sua vez, mostram um ganho mensurável em volume de tarefas completadas. Esses resultados não medem a mesma coisa e não se generalizam para todos os contextos. O tipo de projeto, a familiaridade com a base de código e o nível de experiência do desenvolvedor mudam radicalmente a situação.
Segurança do código gerado pela IA: um ângulo subestimado
A maioria das análises de produtividade se concentra na velocidade de escrita. A segurança do código produzido permanece um ângulo operacional pouco tratado.
A verificação de segurança e a revisão humana podem absorver uma parte do tempo ganho na escrita inicial. Um desenvolvedor que gera uma função em poucos segundos, mas passa depois vinte minutos verificando se ela não contém falhas de injeção ou má gestão de permissões, não necessariamente ganhou tempo líquido.
Esse fenômeno cria um deslocamento de carga em vez de uma redução. O tempo de escrita diminui, o tempo de revisão aumenta. Para as equipes que trabalham em aplicações sensíveis (saúde, finanças, infraestrutura), essa transferência merece ser quantificada antes de proclamar ganhos globais.
- A geração automática não verifica a conformidade com as normas de segurança específicas do projeto
- Os testes unitários gerados pela IA frequentemente cobrem os casos nominais, mas negligenciam os casos limites e os cenários de ataque
- A revisão de código humana permanece a última linha de defesa, e seu tempo aumenta quando o volume de código produzido cresce
Medir a segurança separadamente da velocidade
Avaliar uma ferramenta de geração de código apenas pelo número de linhas produzidas ou de tarefas fechadas é como medir a velocidade de um veículo sem verificar seus freios. As métricas de segurança (vulnerabilidades detectadas pós-geração, taxa de correção antes da implantação) deveriam figurar em qualquer painel de controle de adoção da IA.
Sensação do desenvolvedor contra dados medidos: como avaliar a IA
A discrepância identificada pelo ensaio METR entre percepção e medida levanta uma questão prática para os responsáveis técnicos. Em quais indicadores basear uma decisão de adoção ou renovação de licença?
- O volume de tarefas concluídas por sprint dá um sinal sobre o fluxo, mas não sobre a qualidade do código entregue
- A taxa de rollback após a implantação (métrica DORA) captura a estabilidade real melhor do que a sensação da equipe
- O tempo de revisão de código por pull request, medido antes e depois da adoção da IA, revela se o ganho de escrita se transforma em sobrecarga de verificação
Uma avaliação confiável combina no mínimo três indicadores: fluxo, estabilidade e tempo de revisão. Confiar apenas na sensação ou no volume de código produzido expõe a conclusões erradas.
O relatório DORA 2025 mostra que as equipes que realmente progridem são aquelas que já possuíam práticas sólidas de testes automatizados e revisão sistemática. A IA não substituiu essas práticas, ela as tornou mais produtivas. Para as outras, a ferramenta acelerou principalmente a produção de dívida técnica.
A questão para os próximos meses não é saber se a IA gera código mais rápido. Ela gera. A questão que permanece em aberto diz respeito ao custo real desse código uma vez implantado, mantido e seguro ao longo do tempo.
