A promessa de que a inteligência artificial resolveria a escassez de entrega na engenharia de software foi vendida com base em um cálculo simples: se o modelo digita mais rápido do que os dedos humanos no teclado, o produto chegará antes ao cliente. O raciocínio parecia impecável para quem olha a fábrica de longe, mas ignora a dinâmica interna do desenvolvimento. Quem já precisou auditar um arquivo de quinhentas linhas gerado em segundos sabe o que acontece depois da mágica do prompt.
Um estudo conduzido pelos pesquisadores Fiona Chen e James Stratton, da Universidade de Harvard, analisou as entranhas dessa rotina ao examinar 300 milhões de eventos de trabalho entre 2021 e março de 2026, com dados agregados pela plataforma de métricas de engenharia Jellyfish (abre em nova aba). A amostra cobriu cerca de 700 mil profissionais em mais de 700 empresas, comparando equipes antes e depois da adoção de assistentes e agentes autônomos de programação.
O resultado do paper dos pesquisadores (abre em nova aba) expõe uma contradição mecânica: a escrita acelerou, mas o software pronto não aumentou.
A fábrica de puxar código
O primeiro impacto detectado na pesquisa é inegável na etapa de geração de texto. Ferramentas que funcionam como agentes autônomos de código — capazes de ler repositórios, planejar tarefas e abrir alterações sem supervisão linha por linha — elevaram em 30% o volume de linhas escritas, em 20% o número de commits (o registro de alterações em um repositório) e em 23% a abertura de pull requests (PRs, pedidos para integrar o código novo à base principal).
Assistentes mais simples de autocompletar registraram um avanço modesto de 9% em commits, sem impacto estatisticamente relevante em PRs. Já os agentes provocaram uma verdadeira inundação no fluxo de trabalho.
| Indicador | Valor (% de variação) |
|---|---|
| Linhas de código | 30 |
| Commits | 20 |
| Pull Requests | 23 |
Fonte: Chen e Stratton (Harvard/Jellyfish), dados até março de 2026
Escrever código, no entanto, nunca foi a etapa mais complexa da engenharia de sistemas. O problema reside na validação. A pesquisa constatou que a resolução de tarefas e grandes iniciativas registradas no Jira não teve aumento estatisticamente mensurável. As estimativas econométricas descartam que o uso de agentes tenha gerado uma alta de entregas reais superior a 12% da média histórica.
A produção entupiu.
O pedágio da revisão humana
O ponto de estrangulamento mudou de lugar na esteira de produção. Como o modelo estatístico gera estruturas sintaticamente convincentes, mas frequentemente cegas para as regras de negócio implícitas da empresa, o trabalho de conferência quadruplicou de peso.
O estudo de Chen e Stratton revelou que o tempo médio para revisar um pull request subiu 49% após a entrada dos agentes. A proporção de pedidos de mesclagem que exigiram retrabalho e pedidos formais de alteração quase dobrou. Além disso, o volume de comentários trocados em cada revisão aumentou em 35%, e a parcela da equipe destacada para atuar como revisora precisou crescer 14%.
Aquele commit rápido feito pelo agente gerou um trabalhinho monumental para quem assina a estabilidade do sistema em produção.
A triagem humana tornou-se o elemento regulador da velocidade real. Um profissional sênior gasta muito mais energia cognitiva tentando decifrar e validar lógica alheia do que gastaria escrevendo a própria solução. Ler código ruim, ou código aparentemente perfeito com falhas sutis de concorrência, cansa o dobro.
Mesmo nas companhias em que ferramentas automatizadas de revisão por IA já operavam — cenário verificado em 80% das empresas analisadas —, o nó permaneceu atado. Os próprios robôs de revisão responderam por 23,3% dos comentários, mas os humanos continuaram assumindo a responsabilidade final e demandando mais tempo de análise.
A falácia da economia de cabeças
A crença corporativa de que agentes dispensariam engenheiros esbarra nos limites medidos pela equipe de Harvard. Ao cruzar dados de atividade técnica com registros profissionais no LinkedIn, os pesquisadores encontraram um efeito nulo sobre o emprego geral: o modelo estatístico descarta quedas de postos gerais superiores a 2,9% e quedas de vagas estritamente de engenharia maiores que 13,8%.
Se a capacidade de entrega final de valor ao usuário não dispara, o custo de coordenação cresce na mesma proporção do volume de texto adicionado ao repositório. Criar código tornou-se uma commoditie barata; garantir que esse código não quebre a integração bancária continua sendo um ativo escasso.
Para quem atua no ecossistema técnico brasileiro, o sintoma é visível na rotina: licenças de ferramentas integradas ao editor são aprovadas com rapidez pela gestão, enquanto o backlog de aprovações trava o time no fim da tarde. A velocidade percebida na janela do chat não se traduz em produto no ar. O desenvolvedor passa menos tempo pensando na sintaxe e muito mais tempo atuando como auditor de uma máquina prolixa.
Não se trata de descartar a ferramenta, mas de reconhecer a física do processo produtivo. A inteligência artificial resolveu a digitação; a engenharia continua consistindo em entender o que não deve ser construído.
Perguntas frequentes
O estudo da Harvard prova que a IA não serve para programar?
Não. Os dados mostram que assistentes e agentes aceleram a produção de código, commits e pull requests, mas o tempo ganho na escrita acaba consumido no processo de revisão humana e correção de detalhes antes da entrega final.
Por que o tempo de revisão de pull requests aumentou tanto?
O tempo médio subiu 49% porque códigos gerados por agentes exigem leitura atenta para encontrar falhas de contexto corporativo, fazendo a proporção de PRs com pedidos de alteração quase dobrar e elevando os comentários em 35%.
A automação da revisão por IA resolveu esse gargalo?
De acordo com os dados coletados até março de 2026, mesmo em empresas onde ferramentas de IA realizavam revisão automática, a participação e a responsabilidade humana continuaram indispensáveis, mantendo o gargalo de tempo ativo.
O uso de agentes de IA reduziu postos de trabalho de engenharia?
Os pesquisadores constataram efeito estatisticamente insignificante no emprego total e descartaram grandes reduções imediatas de postos na engenharia, indicando que a necessidade de supervisão e refinamento técnico mantém a equipe ocupada.