Código não é produto: por que mais engenharia não garante mais valor

A velocidade da IA não é um ativo se não for ancorada em disciplina de produto. Dados reais mostram que 50% do código gerado por assistentes contém falhas de segurança, mesmo com prompts simples, e 96% dos devs desconfiam dele, mas só 48% revisam com rigor. Isso não é falha humana isolada: é sinal de que o processo de descoberta de produto foi substituído por um ciclo de geração-revisão-entrega acelerado demais para a capacidade de julgamento das equipes. O verdadeiro custo da IA não está no token, mas na erosão silenciosa da atenção ao cliente: enquanto os engenheiros produzem 30% mais pull requests, os PMs reduzem tempo de entrevistas com usuários, testes de hipóteses e análise de métricas comportamentais. A armadilha não é usar IA, é deixar que ela defina o ritmo do produto sem redefinir também as responsabilidades de quem o constrói.

O novo papel do gerente de produto não é priorizar features, mas proteger o espaço para validação. Isso inclui exigir que cada funcionalidade gerada por IA tenha uma hipótese clara de valor, um critério de sucesso mensurável e um plano de desativação caso não atinja o alvo. Não basta entregar código mais rápido: é preciso entregar perguntas mais certeiras antes de escrever a primeira linha.

Na cobertura de 2026-06-01, destacamos que a IA amplifica a velocidade, mas não a atenção ao cliente. Agora, com dados concretos da Sonar (janeiro/2026) e da NYU (IEEE, 2026), sabemos que o problema não é teórico: metade do código gerado tem falhas de segurança, e a desconfiança dos devs supera a prática de revisão. Também evoluímos do diagnóstico para o sintoma operacional: o artigo anterior falava em 'gargalo de atenção', mas hoje vemos sua materialização em modelos híbridos de product-engineer e alocações de engenheiros em campo, soluções paliativas que mascaram a ausência de processos de descoberta estruturados.

Porque o custo de corrigir um produto mal posicionado é até 10x maior que o de construir certo desde o início, e a IA está multiplicando esse risco, não reduzindo-o. Empresas que trocam entrevistas com clientes por prompts em LLMs estão acumulando débito de produto: hipóteses não testadas, necessidades mal interpretadas, métricas de sucesso definidas por engenharia, não por comportamento real. Isso explica por que, apesar de mais código ser entregue, menos produtos geram receita recorrente ou retenção orgânica. O valor não está na linha de código, mas na decisão consciente de não construir algo, e essa decisão exige tempo, dados e poder de veto que a IA não delega, apenas expõe.