Agentes de programação por IA geram mais código, mas a revisão pode frear a entrega de software
Agentes de programação por IA podem acelerar a criação de código sem ampliar a entrega de software na mesma proporção. Um estudo citado pela Ars Technica aponta que, após a adoção dessas ferramentas, o tempo médio entre o envio de uma proposta de alteração e sua integração ao projeto aumentou 49%. O dado mostra que escrever mais rápido não resolve, por si só, todas as etapas do desenvolvimento.
O principal ponto de atenção está na revisão de código. Antes de uma mudança entrar no projeto, alguém precisa entender o que foi feito, conferir se a solução atende ao pedido e avaliar seus efeitos sobre o sistema. Quando essa etapa exige mais ajustes e conversas, parte do ganho obtido na geração de código pode desaparecer.
Produzir mais código não é o mesmo que entregar mais software pronto para uso. Essa diferença ajuda a entender os resultados do estudo e coloca em perspectiva as expectativas sobre a produtividade com inteligência artificial.
O que o estudo aponta sobre programação com IA
A pesquisa de Chen e Stratton, mencionada pela Ars Technica, identificou mudanças no fluxo de trabalho após a introdução de agentes de programação. Além do aumento no prazo de revisão, os autores observaram mais pedidos de correção e mais comentários nas propostas de alteração.
Os principais resultados relatados foram:
- Aumento médio de 49% no intervalo entre o envio de uma pull request e sua integração ao código do projeto.
- Participação de pull requests com ajustes solicitados quase duas vezes maior após a adoção dos agentes.
- Crescimento de 35% no número de comentários por pull request.
- Aumento de 14% na parcela de profissionais que realizavam revisões de código.
Uma pull request é uma proposta de mudança enviada para avaliação antes de ser incorporada ao projeto. Ela permite que outros integrantes da equipe leiam o código, façam perguntas e peçam correções. Por isso, seu andamento ajuda a mostrar como o trabalho passa da criação para a aprovação.
Esses números apontam para uma pressão maior sobre a etapa de validação. No entanto, não significam que todos os projetos tiveram o mesmo resultado nem que toda mudança produzida com IA apresentou problemas. São resultados do conjunto analisado e devem ser interpretados dentro desse contexto.
Por que o aumento de 49% exige uma leitura cuidadosa
O tempo medido pelo estudo corresponde ao intervalo entre a submissão da pull request e sua integração ao projeto. Isso é diferente de medir apenas os minutos que uma pessoa passa lendo código.
Esse intervalo pode incluir espera por um revisor disponível, troca de comentários, execução de testes e novas rodadas de correção. Portanto, não é preciso que a leitura do código fique 49% mais lenta para que o processo completo demore 49% mais.
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
A distinção importa porque ajuda a localizar o possível gargalo. Uma equipe pode gerar mudanças com mais rapidez e, ainda assim, levar mais tempo para incorporá-las. Se a capacidade de análise não acompanha o volume de propostas, a fila de revisão pode crescer.
Esse é um mecanismo possível para entender o problema, não uma explicação isolada comprovada para todos os casos do estudo. O trecho citado pela Ars Technica mostra o aumento do prazo e das interações, mas não detalha quanto cada fator contribuiu para o resultado.
Mais comentários e pedidos de ajuste ampliam o trabalho de validação
O crescimento de 35% nos comentários por pull request indica mais interações durante a análise. Já a parcela quase duplicada de propostas com alterações solicitadas mostra que uma fatia maior precisou passar por ajustes antes de avançar.
Um comentário, porém, não representa necessariamente um erro. Ele pode pedir uma explicação, sugerir uma abordagem mais simples ou esclarecer uma regra do produto. Da mesma forma, uma solicitação de mudança pode envolver desde um pequeno ajuste até uma revisão importante da solução.
Mesmo com essa diferença, cada rodada de discussão pode adicionar trabalho ao processo. O autor da proposta precisa entender a observação, modificar o código e enviar uma nova versão. Depois, o revisor precisa conferir se o ponto foi resolvido.
Uma solução que parece correta ainda precisa de contexto
Na prática, revisar software envolve mais do que verificar se o código funciona em um teste simples. É necessário avaliar se ele respeita as regras do negócio, mantém o comportamento esperado e combina com a estrutura do projeto.
Por exemplo, uma alteração em um cálculo de desconto pode produzir o valor certo no caso mais comum, mas ignorar uma regra específica de determinado plano. Esse exemplo ilustra por que o contexto importa; não é um caso relatado pela pesquisa.
Agentes de IA podem ajudar a criar funções, editar arquivos e sugerir testes. Ainda assim, a velocidade dessas ações não elimina a necessidade de conferir se a mudança resolve o problema certo.
A participação humana cresceu na revisão de código
Os pesquisadores observaram um aumento de 14% na parcela de profissionais envolvidos em revisões após a introdução dos agentes. O resultado sugere que a adoção das ferramentas veio acompanhada de uma distribuição diferente das atividades, com maior participação nessa etapa.
Isso não deve ser confundido com um crescimento de 14% nas contratações. O dado trata da parcela de trabalhadores que realizavam revisões, e não de uma expansão equivalente no tamanho das equipes.
Ao analisar o total de profissionais ativos nos dados da Jellyfish e cruzar essas informações com dados do LinkedIn das empresas, os autores também afirmaram não conseguir atribuir mudanças significativas de emprego à IA.
Esse resultado não prova que a inteligência artificial jamais afetará o emprego em desenvolvimento. Ele apenas delimita o que os pesquisadores conseguiram identificar na análise apresentada. No recorte descrito, não houve base para atribuir à IA uma mudança significativa nesse indicador.
A IA também revisa código, mas ainda tem participação limitada
Uma resposta possível ao aumento do trabalho seria usar a própria inteligência artificial para revisar as mudanças. O estudo indica que essa prática já estava presente em grande parte das empresas, mas sua participação nas métricas observadas ainda era limitada.
Até março de 2026, 80% das empresas analisadas utilizavam alguma forma de revisão de código com IA. Apesar dessa adoção, os agentes respondiam por 23,3% de todos os comentários de revisão e por 10,8% de todas as pull requests, segundo os números citados pela Ars Technica.
Esses percentuais medem aspectos diferentes e não devem ser somados. Também não equivalem a uma medida direta de horas economizadas. Ainda assim, ajudam a mostrar por que a presença da ferramenta em muitas empresas não significa que ela já assuma a maior parte do trabalho.
Adotar revisão com IA e automatizar a revisão inteira são situações bem diferentes. No cenário relatado, as pessoas continuavam responsáveis pela maior parte dessa atividade.
Como avaliar produtividade além do volume de código
Os resultados reforçam uma distinção importante para equipes de tecnologia: indicadores de produção não mostram, sozinhos, o valor entregue. Contar linhas de código ou propostas abertas revela atividade, mas não informa se as mudanças foram aprovadas, publicadas e bem recebidas pelos usuários.
Uma avaliação mais completa pode considerar:
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
- Tempo até a integração: quanto uma mudança leva para ser incorporada ao projeto.
- Rodadas de correção: quantas vezes a proposta precisa voltar para ajustes.
- Esforço de revisão: quanto trabalho humano a validação exige.
- Qualidade após a entrega: se surgem falhas ou necessidade de refazer a solução.
- Resultado para o produto: se a mudança resolve a necessidade que motivou sua criação.
Esses critérios são formas práticas de analisar o fluxo de desenvolvimento, não resultados adicionais atribuídos ao estudo. Eles ajudam a evitar que uma melhora local, como escrever código mais rápido, seja confundida com um avanço de todo o processo.
O que pode facilitar a análise das mudanças
Propostas focadas em um objetivo claro tendem a ser mais fáceis de compreender. Quando uma alteração reúne muitas tarefas sem relação direta, o revisor precisa acompanhar mais decisões ao mesmo tempo. Dividir o trabalho em partes coerentes pode tornar essa avaliação mais simples.
O contexto também faz diferença. Uma descrição que explica o problema, resume a solução e informa os testes realizados ajuda a equipe a comparar a implementação com o pedido original. Isso vale tanto para código escrito por pessoas quanto para mudanças geradas com auxílio de IA.
Testes automáticos e verificações de padrão podem complementar a análise. No entanto, não substituem todas as decisões sobre comportamento, manutenção e adequação ao produto. Essas práticas podem reduzir atritos, mas o trecho apresentado não demonstra que elas eliminem o aumento de prazo observado.
Os agentes ainda passam por uma fase de aprendizado nas empresas
Segundo a Ars Technica, 95% das empresas do estudo já haviam implementado agentes de programação no cenário descrito. Ao mesmo tempo, o artigo ressalta que muitas ainda poderiam estar aprendendo quando e como usar melhor essas ferramentas.
O texto também observa que houve atualizações nos agentes após março de 2026, data de corte dos dados. Isso limita qualquer tentativa de tratar os resultados como uma descrição definitiva de todas as ferramentas e versões futuras.
Com mais experiência, equipes podem encontrar tarefas em que a automação ofereça um equilíbrio melhor entre criação e revisão. Essa é uma possibilidade, não um ganho garantido pelos números apresentados.
A conclusão central permanece: o benefício da programação com IA depende do caminho completo entre gerar uma mudança e colocá-la em uso. No estudo citado, o aumento do trabalho de revisão reduziu a vantagem da criação mais rápida. O desafio não é apenas produzir código em maior volume, mas transformar essa produção em software confiável sem deslocar todo o esforço para a etapa seguinte.
