Intensivo Grátis 21–22/11Intensivo gratuito de 2 dias em Vibecoding (21–22/11 às 16:00 MSK) · Turma 3 começa 23/11Inscrever-se grátis →Turma 3 (23/11)
LançamentoAnálise · No radarHabr AI→ original

Alta de 21% no fluxo de PRs, em um modelo de filas, quadruplica a espera por revisão: de 2 para 8 horas

Assistentes de AI como o Copilot aceleram a escrita de código, mas revisão, testes e release continuam no mesmo ritmo. Em um modelo de filas simplificado, o aumento do fluxo de 14 para 17 pull requests por dia (21%) eleva o tempo de revisão de 2 para 8 horas. O código sai em duas horas, mas a mudança espera dias por verificação. Por isso, meça a carga de revisão e de QA, e não apenas a velocidade de escrita do código.

Processado por IA de Habr AI; editado por Hamidun News
Alta de 21% no fluxo de PRs, em um modelo de filas, quadruplica a espera por revisão: de 2 para 8 horas
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Carga de 94% (17 PRs por dia)a revisão leva 8 horas; com 78%, são 2 horas
METRdesenvolvedores experientes com AI levaram 19% mais tempo nas tarefas
DORA 2024+25% na adoção de AI — queda de 7,2% na estabilidade de entrega

Um desenvolvedor com Copilot ou Cursor escreve uma função em duas horas, em vez de oito, abre um pull request (PR, solicitação de mesclagem de código) e... espera. O revisor está ocupado, os testes estão na fila e a janela de release só abre na quinta-feira.

O código ficou mais barato, mas a entrega ao usuário não ficou mais rápida. Em um modelo de filas simplificado, o autor de uma análise no Habr mostra a dimensão do problema: se o fluxo de PRs por dia sobe de 14 para 17, ou seja, 21%, o tempo médio da etapa de revisão aumenta de 2 para 8 horas, quatro vezes mais. Para você, isso significa uma coisa: se adota ferramentas de AI e olha apenas a velocidade de digitação do código, pode estar acelerando a parte errada do sistema.

Se o AI realmente acelera o desenvolvimento

Os dados são ambíguos. Em um experimento controlado do GitHub e da Microsoft, de 2023, o grupo com Copilot escreveu um servidor HTTP em JavaScript, em média, 55,8% mais rápido que o grupo de controle. Mas participaram 95 desenvolvedores do Upwork, só 35 terminaram a tarefa, e ela foi feita do zero.

Em 2025, a METR reuniu 16 desenvolvedores experientes de open source e 246 tarefas reais em projetos que eles conheciam bem. Com o uso de AI permitido, as tarefas levaram, em média, 19% mais tempo. Antes do experimento, os participantes esperavam ganhar velocidade e, depois dele, ainda assim achavam que o AI os havia ajudado. Em fevereiro de 2026, a METR fez um novo estudo, com amostra maior. Ele indicava uma possível aceleração, mas parte dos desenvolvedores se recusou a fazer tarefas sem AI, e os autores não conseguiram avaliar o efeito com confiabilidade. Eles refizeram o desenho do experimento.

Para as conclusões seguintes, basta uma premissa restrita: se o AI barateia parte das mudanças, a carga dentro da organização de engenharia é redistribuída.

O gargalo muda de lugar, e a fila cresce de forma abrupta

Considere uma equipe de dez pessoas: cada uma faz cerca de dois PRs por semana, algo como 20 no total. Revisão, QA e releases foram calibrados para esse fluxo. O AI dobra a produção para 40 PRs. A fila de revisão cresce, e a empresa adiciona revisão automática. Aí o fluxo bate no QA, que também é automatizado, e as mudanças passam a esperar pela janela de release. O gargalo não desaparece: ele se desloca para onde falta capacidade.

A não linearidade aparece no modelo M/M/1: um único canal de revisão, fluxo aleatório de tarefas, limite de 18 PRs por dia. O tempo médio na etapa é calculado como W = 1 / (μ − λ), onde λ é o número de tarefas que chegam e μ, o número de tarefas processadas. Os valores são de modelo, não foram medidos:

  • 9 PRs por dia, carga de 50%: 53 minutos;
  • 12 PRs, 67%: 1 hora e 20 minutos;
  • 14 PRs, 78%: 2 horas;
  • 16 PRs, 89%: 4 horas;
  • 17 PRs, 94%: 8 horas.

Uma equipe real é mais complexa: há vários revisores, tarefas diferentes, prioridades e novas rodadas de verificação. Para uma previsão, são necessários dados reais e um modelo multicanal. A conclusão qualitativa permanece: uma etapa que opera perto do limite desacelera bruscamente com qualquer carga adicional. Por isso, uma mudança escrita em duas horas pode esperar alguns dias por revisão e testes. A velocidade individual subiu, mas o Lead Time (tempo entre a ideia e o production) da organização continua o mesmo.

Os relatórios da DORA são coerentes com esse quadro. Em 2024, o aumento de 25% na adoção de AI esteve associado a uma queda estimada de 1,5% na vazão de entrega e de 7,2% na estabilidade de entrega. Em 2025, a relação com a vazão passou a ser positiva, mas os problemas de estabilidade permaneceram. Trata-se de uma correlação, e ela não prova causalidade. Ainda assim, a conclusão é prática: o AI amplifica o que já existe. Equipes com mudanças pequenas e feedback rápido vão acelerar, enquanto as que têm filas grandes e aprovações manuais sentirão os problemas com mais força.

O que mudar: verificações por risco e controle independente

O autor propõe repensar a arquitetura de entrega, e não apenas automatizar cada etapa. Hoje, a correção do texto de uma mensagem de erro e um novo algoritmo de cálculo de comissão passam pelo mesmo pipeline. No modelo Risk-Adaptive Delivery, há um mínimo obrigatório para todas as mudanças, e as verificações adicionais dependem do que foi afetado. Para documentação, bastam a verificação de formatação e de links. Para o esquema do banco de dados, são necessárias migrações e retrocompatibilidade; para autorização, security review; para cálculos financeiros, verificação independente das invariantes de negócio.

A abordagem tem duas armadilhas. A primeira é que o classificador de risco pode errar: uma alteração de “documentação segura” foi tomada por texto, mas afetava um config executável, e o pipeline leve a deixou passar. Por isso, o classificador precisa de verificações próprias, monitoramento e comportamento conservador diante da incerteza. A segunda é que a resposta de um modelo de linguagem não é prova de correção, e restrições críticas devem ser definidas por políticas formais.

Com agentes de AI, surge um problema de confiança. Se um único agente escreve o código e os testes e ainda interpreta os resultados, ele pode ajustar os critérios à sua própria implementação, e sem má intenção: entendeu o requisito errado e escreveu testes que confirmam o erro. Um segundo AI no papel de verificador não resolve se os dois partem da mesma especificação incompleta. São necessários critérios de aceitação fixados de antemão, invariantes de negócio, verificações determinísticas e uma pessoa para as mudanças críticas. O executor não deve alterar políticas de segurança, e a execução deve ocorrer em sandbox, com privilégios mínimos e credentials temporárias.

Por fim, o dinheiro. O custo total de uma mudança soma implementação, verificação, entrega e os custos esperados de falhas e retrabalho. Revisão por AI, testes com agentes e ambientes isolados também consomem tokens e poder de computação. Uma verificação barata que deixa passar um erro crítico sai mais cara que uma verificação cuidadosa, e um conjunto completo de verificações caras para cada ajuste pequeno não reduz o risco na mesma proporção.

Na prática: meça a carga de revisão e de QA, e não apenas a velocidade de escrita do código. Mantenha capacidade de reserva e não trabalhe com 90% de carga. Planeje o rollback: o código dá para reverter, mas dados alterados e transações externas nem sempre. O autor vê como próximo gargalo a compreensão das consequências de uma mudança em um sistema com muitos serviços e propõe, para isso, um modelo do sistema legível por máquina. Essa é uma hipótese de engenharia dele, não um fato comprovado.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Se o AI realmente acelera o desenvolvimento?

Os dados são ambíguos. Em um experimento controlado do GitHub e da Microsoft, de 2023, o grupo com Copilot escreveu um servidor HTTP em JavaScript, em média, 55,8% mais rápido que o grupo de controle. Mas participaram 95 desenvolvedores do Upwork, só 35 terminaram a tarefa, e ela foi feita do zero. Em 2025, a METR reuniu 16 desenvolvedores experientes de open source e 246 tarefas reais em projetos que eles conheciam bem. Com o uso de AI permitido, as tarefas levaram, em média, 19% mais tempo.

O que se sabe sobre O gargalo muda de lugar, e a fila cresce de forma abrupta?

Considere uma equipe de dez pessoas: cada uma faz cerca de dois PRs por semana, algo como 20 no total. Revisão, QA e releases foram calibrados para esse fluxo. O AI dobra a produção para 40 PRs. A fila de revisão cresce, e a empresa adiciona revisão automática. Aí o fluxo bate no QA, que também é automatizado, e as mudanças passam a esperar pela janela de release. O gargalo não desaparece: ele se desloca para onde falta capacidade.

O que mudar: verificações por risco e controle independente?

O autor propõe repensar a arquitetura de entrega, e não apenas automatizar cada etapa. Hoje, a correção do texto de uma mensagem de erro e um novo algoritmo de cálculo de comissão passam pelo mesmo pipeline. No modelo Risk-Adaptive Delivery, há um mínimo obrigatório para todas as mudanças, e as verificações adicionais dependem do que foi afetado. Para documentação, bastam a verificação de formatação e de links.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
O que você acha?
Carregando comentários…