Como medir DevEx na era da IA: evite estas armadilhas

A Datadog não está lançando uma nova ferramenta, está redesenhando o que significa medir produtividade em engenharia de software. O foco deixou de ser 'quanto código um dev entrega' e migrou para 'como o sistema permite ou impede a entrega coletiva'. Isso é visível no seu método: métricas como tempo de lead de mudança e taxa de falha de mudança são analisadas em duas camadas, com e sem IA , , mas nunca individualizadas. A empresa usa um gateway interno de IA (não integrado ao IDE) para capturar uso real, evitando distorções por auto-relato. E, crucialmente, os dados de sistema são cruzados com comentários qualitativos de mais de 2.400 engenheiros, como quando descobriram que a equipe estava copiando logs de CI para assistentes de IA porque as mensagens de erro eram inúteis.

Isso conecta diretamente com o que já havíamos mostrado em 19 de junho de 2026: IA acelera o indivíduo, mas não a equipe. Agora, a Datadog mostra *por que*: o gargalo não é mais na escrita de código, mas nas filas de revisão, na capacidade de CI e na qualidade do feedback humano. Seu relatório confirma que equipes com fluxos saudáveis (CI rápido, testes automatizados, loops curtos) veem IA como força multiplicadora; já as que têm instabilidade estrutural veem a IA amplificando falhas, exatamente o que apontamos em 16 de junho de 2026 sobre o desenvolvimento não linear mesmo com IA.

O que era teoria em 26 de junho de 2026, que métricas de atividade (linhas de código, commits, tokens) medem apenas output, não valor, virou prática operacional na Datadog. Em 15 de julho de 2026, ela não só rejeita essas métricas, mas mostra *como substituí-las*: troca token leaderboards por análise de throughput de PRs assistidos por IA, abandona avaliação individual por DORA e adota agregação estrita por time, e transforma feedback perceptual (como reclamações sobre logs de CI) em OKRs de plataforma. Também há evolução concreta em relação à cobertura de 11 de julho de 2026: agora não se trata só de 'custo por token', mas de usar token telemetry para gerenciar gasto, e não para avaliar devs.

Porque o risco não é só de métricas erradas: é de erosão de confiança e estagnação técnica. Quando líderes usam consumo de tokens como indicador de desempenho, incentivam prompts longos e irrelevantes, não código seguro ou sustentável. Quando ignoram o feedback perceptual, mantêm sistemas que exigem que devs usem IA para decifrar erros que deveriam ser claros. A Datadog prova que medir DevEx com rigor técnico não é sobre controle, mas sobre diagnóstico: identificar onde o sistema trava, não onde o dev 'falha'. Isso é o que diferencia observabilidade de vigilância, e define quem escala com IA e quem só acumula dívida técnica.