Agentes de IA estão, de fato, nos desacelerando?

Em 2026, o uso de agentes de IA na engenharia de software atingiu um ponto crítico: quase metade do novo código comercial é gerado por modelos, mas a produtividade aparente esconde uma desaceleração real no ciclo de entrega. Estudos mostram que, embora os 'power users' produzam 52% mais pull requests, o tempo médio de revisão aumentou 19% e a taxa de retrabalho cresce até 25% em times com mais de 40% de código IA, o que transforma ganhos de velocidade em lentidão ponta a ponta. O problema não está no volume, mas na qualidade: código gerado por IA falha em produção 2,1 vezes mais, introduz 1,7× mais bugs (com 75% a mais de erros de lógica) e triplica problemas de legibilidade. Em Java, por exemplo, mais de 70% das implementações assistidas por IA contêm falhas de segurança detectáveis.

A dívida técnica explodiu: de centenas de itens em 2025 para mais de 110.000 problemas não resolvidos até fevereiro de 2026, sendo 41,1% deles vulnerabilidades persistentes. A Amazon já atribuiu incidentes como a perda de 120.000 pedidos à sua ferramenta de codificação; a Anthropic viu sessões de agentes de codificação se alongarem de 4 para 23 minutos, com 47 chamadas de ferramentas por sessão, sinal de maior autonomia, mas também de maior superfície de falha. O MCP, padrão aberto criado pela Anthropic em 2024, passou de conceito teórico a requisito operacional para equipes que querem evitar colapsos arquitetônicos.

Isso importa porque a governança de dados e engenharia não pode ser delegada a prompts. Quando 53% dos desenvolvedores relatam que a IA gera código que 'parece correto mas tem defeitos ocultos', a confiança cega vira risco sistêmico, especialmente em pipelines críticos, modelagem de dados e integrações com sistemas legados. A qualidade do código afeta diretamente a confiabilidade de dashboards, a integridade de ETLs e a precisão de modelos analíticos. Sem portões de qualidade automatizados, revisão adaptada e validação de testes gerados, a dívida técnica se traduz em falhas de visualização, inconsistências em relatórios e lentidão em consultas analytics. A mudança não é só técnica: é de papel. O engenheiro de dados hoje precisa orquestrar agentes, não apenas escrever SQL ou Python, e isso exige novas habilidades de avaliação arquitetônica, não só de codificação.