Se você usa IA para programar, provavelmente já sentiu duas coisas ao mesmo tempo: em alguns momentos o trabalho anda muito mais rápido; em outros, parece que o ganho evapora entre revisão, contexto espalhado e integração com o resto do sistema.
É por isso que um resultado recente chamou tanta atenção. Um estudo da METR com desenvolvedores experientes de projetos open source encontrou um dado desconfortável: quando eles puderam usar IA nas issues do experimento, levaram em média 19% mais tempo para concluir o trabalho.
Lido por cima, isso parece contradizer todo o discurso de produtividade. Só que os outros sinais não apontam para uma fraude completa. A DORA reportou que 90% dos profissionais de tecnologia já usam IA no trabalho e que mais de 80% acreditam que ela aumentou sua produtividade. A Atlassian, por sua vez, reforça outra pista importante: desenvolvedores passam só 16% do tempo realmente escrevendo código. O resto vai para contexto, alinhamento, revisão, documentação e coordenação.
A leitura mais útil não é “a IA não funciona”. É outra: o gargalo mudou de lugar.
Onde a IA acelera de verdade
Esse ponto já está bem claro. Ferramentas de IA reduzem o atrito de começar uma tarefa, resolvem boilerplate com rapidez, ajudam a resumir documentação e dão um primeiro rascunho em minutos. A DORA descreve exatamente esse efeito: a máquina tira parte do peso do começo e transforma criação em edição.
Na prática, isso explica por que tanta gente sente ganho real. Sair da página em branco custa caro. Se a IA entrega uma base, o desenvolvedor entra mais rápido na parte em que consegue julgar, corrigir e direcionar.
Também explica por que a percepção de produtividade continua alta mesmo quando a conta final não fecha tão bem. Você sente o arranque. O que nem sempre aparece de imediato é o custo que vem depois.
Onde o ganho começa a vazar
A parte mais interessante dos estudos recentes está justamente aí.
A DORA fala de um “verification tax”: o tempo economizado na geração volta em forma de auditoria, checagem e ajustes de prompt. Segundo a própria pesquisa, 30% dos desenvolvedores ainda relatam pouca ou nenhuma confiança no código gerado por IA. Ou seja: alguém continua precisando validar cada decisão importante.
A Atlassian descreve o mesmo fenômeno por outro ângulo. Em times que já usam agentes para boa parte da implementação, o problema principal deixou de ser digitar código. O que consome o dia é montar contexto: caçar documento, abrir wiki, encontrar thread antiga, confirmar requisito, localizar o dono da decisão e só então pedir algo útil para a IA.
No estudo da METR, isso aparece de um jeito ainda mais duro: em tarefas reais, com padrão alto de qualidade e contexto acumulado ao longo de anos, a IA não eliminou o trabalho invisível. Em muitos casos, ela adicionou uma camada extra de supervisão.
O efeito prático é simples de entender:
- escrever a primeira versão ficou mais barato
- revisar continua caro
- integrar com o sistema real continua caro
- descobrir o que precisa ser feito continua caro
- assumir a responsabilidade pelo resultado continua humano
É por isso que tanto time sente velocidade no início e fricção no fim.
O que ficou mais valioso depois que o código ficou mais barato
Quando o custo de implementação cai, outras habilidades sobem de preço.
A primeira é planejamento. Se a IA sempre responde alguma coisa, prompt ruim e critério frouxo viram erro confiante. Quem quebra problema direito, define escopo, antecipa edge case e escreve critério claro passou a valer mais, não menos.
A segunda é julgamento técnico. Não basta receber uma saída plausível. Alguém precisa saber se aquilo faz sentido para o sistema, para o time e para o nível de risco do projeto.
A terceira é documentação utilizável. A Atlassian bate forte nisso: times que conseguem se servir melhor de informação interna operam com muito mais efetividade. Se o contexto está quebrado, a IA acelera bagunça. Se o contexto está organizado, ela finalmente começa a parecer multiplicadora.
E a quarta é capacidade de revisão. A DORA resume bem esse ponto ao dizer que IA funciona como amplificador. Em organização boa, ela amplia força. Em organização confusa, amplia disfunção e dívida técnica mais rápido.
O que fazer com isso no trabalho real
Para quem está na operação, a conclusão mais prática não é abandonar IA nem comprar o discurso do “10x” sem filtro. É ajustar o foco.
Vale investir mais em:
- documentação encontrável e atualizada
- tarefas menores e melhor definidas
- padrões de revisão mais duros para código gerado
- testes e automações que peguem erro cedo
- treino de prompt, mas principalmente treino de especificação
E vale desconfiar de um erro bem comum em 2026: medir só a velocidade de geração e chamar isso de produtividade. Se o time gera mais PR grande, mais contexto quebrado e mais revisão cansativa, o ganho local pode estar comprando atraso sistêmico.
A boa notícia é que isso também deixa um sinal claro para carreira. Se o código bruto ficou mais barato, o profissional que continua raro é o que consegue entender contexto, tomar decisão, revisar bem e fechar o trabalho até produção.
Não é o fim do valor técnico. É o fim da ideia de que digitar código, sozinho, já bastava como moat.
Fontes
- METR — Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- DORA — Balancing AI tensions: Moving from AI adoption to effective SDLC use: https://dora.dev/insights/balancing-ai-tensions/
- Atlassian — How AI is Changing Developer Workflows: Lessons From Engineers: https://www.atlassian.com/blog/ai-at-work/how-ai-is-changing-developer-workflows
