O que a ciência diz sobre IA generativa e produtividade em engenharia de software

A ciência não está dizendo que a IA generativa é inútil para engenharia de software, está dizendo que seu valor não está na velocidade de escrita de código, mas na capacidade de reconfigurar o fluxo de trabalho inteiro. Pesquisas recentes confirmam que apenas 14% do tempo de um dev é gasto codificando; o restante envolve compreensão de domínio, depuração, revisão, integração e manutenção. Quando assistentes geram código rápido demais, o custo real se desloca para as etapas posteriores: code reviews sobrecarregados com 'diffs misteriosos', CI mais lenta por testes frágeis, releases com mais falhas de produção e aumento da dívida técnica. Isso explica por que 80% das empresas não veem ganhos de produtividade mensuráveis, elas otimizaram uma fração do processo, mas amplificaram gargalos em outras.

O dado crítico vem da Universidade de Nova York: quanto mais o desenvolvedor confia na IA, menos revisa, e mais vulnerabilidades chegam à produção. Quase metade do código gerado contém falhas de segurança, não por limitação técnica dos modelos, mas por falha no *processo de validação*. A Ashby, citada na cobertura CEVIU de 6 de junho, conseguiu ultrapassar essa barreira com dois pilares ausentes na maioria das organizações: (1) engenheiros mantêm responsabilidade total pelo output, alternando entre modo 'IA como par' e 'IA como rascunho'; e (2) cada bloco gerado passa por uma cadeia de verificação automatizada antes mesmo de chegar ao PR, incluindo análise estática, teste de unidade gerado por IA *e* validação contra contratos de interface existentes. Não é sobre ter IA, mas sobre ter um *guarda-chuva de qualidade* que ela não substitui.

Em maio, a CEVIU destacou que a IA desloca gargalos, agora, dados concretos mostram que o deslocamento virou colapso operacional em muitas equipes: falhas de produção aumentaram, custos subiram e 30% dos projetos de IA generativa são abandonados após a prova de conceito. O que era teoria em 29 de maio tornou-se evidência empírica em junho: a lacuna de verificação não foi preenchida. Ao mesmo tempo, a Ashby demonstrou que a solução não é reduzir o uso de IA, mas reestruturar o papel do engenheiro, de produtor para guardião, com práticas que já estão disponíveis, mas raramente implementadas: orquestração de agentes com validação em camadas, governança de dados de treinamento e trilhas de auditoria obrigatórias para cada bloco gerado.

Porque a diferença entre uma equipe que usa IA para entregar mais código e outra que entrega mais valor não está no modelo usado, mas no *design do processo*. Engenheiros que gastam 7,3 horas semanais economizadas com IA, mas redirecionam esse tempo para design de arquitetura ou análise de dependências, geram impacto duradouro. Já os que usam esse tempo para abrir mais PRs com código 'slop' só aceleram a deterioração da base. A regulamentação brasileira, com sua abordagem baseada em risco, já exige listas de ferramentas aprovadas e políticas de classificação de dados, o que significa que a governança deixou de ser opcional e virou requisito para escalar com segurança. O mercado global de IA generativa cresceu 74% em 2026, mas o valor econômico real vai para quem mede não só 'linhas geradas', mas 'falhas evitadas', 'tempo de onboarding reduzido' e 'velocidade de resposta a incidentes'. Essa métrica define quem sobrevive à próxima fase da adoção, e quem fica preso no ciclo de retrabalho.