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 radarSourcegraph Blog→ original

54% dos líderes: mais de 60% do trabalho dos agentes de IA exige retrabalho sério

O agente entrega um patch em minutos, mas uma pessoa ainda precisa entender e verificar cada alteração. Na pesquisa da Sourcegraph com 1.028 líderes de desenvolvimento, 54% afirmam que mais de 60% do trabalho da IA precisa de retrabalho manual sério antes do lançamento. Ao mesmo tempo, 79% sentem pressão para comprovar o retorno da IA. Por isso, a adoção de agentes deve ser medida pelo tempo de revisão e pelo número de falhas após o lançamento, e não apenas pela velocidade.

Processado por IA de Sourcegraph Blog; editado por Hamidun News
54% dos líderes: mais de 60% do trabalho dos agentes de IA exige retrabalho sério
Fonte: Sourcegraph Blog. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalSourcegraph Blog ↗
Editor-chefe
Dado-chave #165% gastam mais de um quarto do tempo da equipe com leitura e busca de código
Dado-chave #2Apenas 10% dizem que todos os seus agentes compartilham o contexto da base de código
Dado-chave #354% estimam a correção urgente de uma dependência vulnerável em dias ou mais

Imagine: um agente gerou em cinco minutos um patch que atualiza uma biblioteca em uma dezena de serviços. Quem revisa ainda precisa descobrir onde mais esse código é usado, se algum serviço preso à versão antiga vai quebrar e quais testes vão pegar o erro. Esse problema foi medido pelo relatório Sourcegraph Big Code 2026. 54% dos entrevistados consideram que mais de 60% do trabalho feito pela IA exige retrabalho manual sério antes do lançamento. Em outras palavras, mais da metade dos líderes vê o resultado do agente mais como um rascunho do que como um produto pronto. Escrever código ficou rápido, mas entendê-lo continua demorado.

O relatório se baseia em uma pesquisa da Dimensional Research. Em setembro de 2026, foram ouvidas 1.028 pessoas responsáveis pelo desenvolvimento em empresas com mais de 250 desenvolvedores. Uma ressalva importante: todos os números são autoavaliações dos respondentes, e não métricas medidas. Além disso, a Sourcegraph vende uma plataforma para entendimento de código, então as conclusões do relatório levam aos seus produtos. Ainda assim, os dados são interessantes.

Pressão por retorno e retrabalho

79% dos respondentes de empresas que usam IA sentem pressão moderada, significativa ou forte para demonstrar o retorno dos investimentos em IA. Ao mesmo tempo, 58% colocam a escala da IA e dos agentes como prioridade para os próximos doze meses. Ou seja, haverá mais agentes e, portanto, mais alterações de terceiros para revisar.

Os autores também citam a pesquisa DORA: organizações que mais usam IA costumam lançar mudanças mais rapidamente e avaliam melhor o produto, mas têm uma entrega menos estável. Daí vem o conselho prático: o sucesso da adoção não pode ser medido apenas pela velocidade. Observe quanto esforço é gasto na revisão de cada mudança e com que frequência surgem problemas após o lançamento.

Entender o código alheio é metade do trabalho

O agente pode fazer uma alteração rapidamente, mas quem revisa precisa rastrear dependências entre repositórios, conferir regras locais e entender quais testes vão detectar uma regressão. Isso pode levar horas de trabalho de um engenheiro sênior, além do tempo de colegas que conhecem os sistemas afetados.

Segundo a pesquisa, 65% avaliam que a leitura, a busca e a compreensão do código existente ou proposto consomem mais de um quarto do tempo da equipe, e 25% dizem que consomem mais da metade. Para dar escala: se uma organização com 1.000 desenvolvedores gasta um quarto do tempo nessa atividade, isso equivale ao trabalho de 250 pessoas. 51% dos entrevistados têm pelo menos 1.000 repositórios, e a pergunta "o que depende deste código?" facilmente ultrapassa o repositório onde tudo começou. 41% afirmam que engenheiros reescrevem com frequência o que já existe, porque não conseguem encontrá-lo.

O exemplo mais crítico é a vulnerabilidade crítica em uma dependência. Quando perguntados quanto tempo levaria para encontrar e corrigir todos os pontos afetados, 54% responderam "dias ou mais" ou "não conseguiríamos". São estimativas hipotéticas, e não medições de correções reais. Entre as principais dificuldades em alterações em larga escala, os respondentes citaram com mais frequência a compreensão de dependências e impactos (43%), a uniformidade das correções entre repositórios (42%) e os testes (42%).

Os agentes não têm contexto compartilhado

Apenas 10% afirmam que todos os seus agentes enxergam o panorama comum do código, das dependências e do histórico. Nos demais casos, o contexto é compartilhado parcialmente ou é fornecido a cada agente separadamente. Outros 33% das empresas que usam IA admitem que os desenvolvedores precisam explicar detalhadamente a arquitetura, as dependências e os acordos antes que o agente comece a trabalhar em uma nova tarefa.

A Sourcegraph propõe uma solução: um servidor pelo qual agentes compatíveis, como Claude Code, Codex e Cursor, pesquisam o código indexado da organização durante a própria tarefa. Ele respeita as permissões de acesso existentes aos repositórios, e os administradores controlam quem pode usar quais ferramentas. O engenheiro vê o código encontrado ao lado da alteração proposta, e, em caso de falha, fica claro o que deu errado: o agente não encontrou o código necessário, interpretou mal uma exceção ou errou na implementação. Para atualizações e migrações em massa, a empresa oferece uma ferramenta separada para coordenar alterações entre repositórios.

O que isso significa

O dado mais interessante é o último: 77% esperam que, no futuro, as alterações escritas por IA sejam incorporadas com menos controle humano. Para decidir quais mudanças podem receber essa autonomia, é preciso saber onde os agentes têm bom desempenho e onde os engenheiros precisam intervir.

Para as equipes, a conclusão é simples. Primeiro, meçam o tempo de revisão e a proporção de alterações que causam problemas após o lançamento, e não apenas a velocidade de entrega. Segundo, invistam em busca de código e em contexto compartilhado para os agentes, senão a economia na escrita do código será consumida na revisão. Terceiro, encarem as pesquisas de fornecedores com ceticismo: os respondentes avaliaram de memória, e a amostra inclui apenas grandes empresas.

História

Perguntas frequentes sobre a notícia

O que se sabe sobre Pressão por retorno e retrabalho?

79% dos respondentes de empresas que usam IA sentem pressão moderada, significativa ou forte para demonstrar o retorno dos investimentos em IA. Ao mesmo tempo, 58% colocam a escala da IA e dos agentes como prioridade para os próximos doze meses. Ou seja, haverá mais agentes e, portanto, mais alterações de terceiros para revisar. Os autores também citam a pesquisa DORA: organizações que mais usam IA costumam lançar mudanças mais rapidamente e avaliam melhor o produto, mas têm uma entrega menos estável.

O que se sabe sobre Entender o código alheio é metade do trabalho?

O agente pode fazer uma alteração rapidamente, mas quem revisa precisa rastrear dependências entre repositórios, conferir regras locais e entender quais testes vão detectar uma regressão. Isso pode levar horas de trabalho de um engenheiro sênior, além do tempo de colegas que conhecem os sistemas afetados. Segundo a pesquisa, 65% avaliam que a leitura, a busca e a compreensão do código existente ou proposto consomem mais de um quarto do tempo da equipe, e 25% dizem que consomem mais da metade.

O que se sabe sobre Os agentes não têm contexto compartilhado?

Apenas 10% afirmam que todos os seus agentes enxergam o panorama comum do código, das dependências e do histórico. Nos demais casos, o contexto é compartilhado parcialmente ou é fornecido a cada agente separadamente. Outros 33% das empresas que usam IA admitem que os desenvolvedores precisam explicar detalhadamente a arquitetura, as dependências e os acordos antes que o agente comece a trabalhar em uma nova tarefa.

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.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…