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 radarHacker News AI→ original

Agentes de IA aumentaram em 30% o código dos engenheiros, mas a revisão das mudanças ficou 49% mais lenta

Doutorandos de Harvard analisaram 718 empresas: após a adoção de agentes de IA, os engenheiros adicionam 30% mais código, mas o número de tarefas que chegam à produção não aumentou. Em compensação, a revisão de pull requests — o pacote de alterações que os colegas precisam aprovar antes do merge — passou de 7 para 10,5 dias, ou seja, 49% a mais. O código sai mais rápido, mas o número de revisores é o mesmo. Por isso, ao comprar agentes, calcule primeiro a capacidade de revisão, e não a velocidade de geração.

Processado por IA de Hacker News AI; editado por Hamidun News
Agentes de IA aumentaram em 30% o código dos engenheiros, mas a revisão das mudanças ficou 49% mais lenta
Fonte: Hacker News AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHacker News AI ↗
Editor-chefe
Amostra725.938 funcionários, dados da Jellyfish de 2021 a 2026
Dado-chave #2Pedidos de alteração em pull requests subiram de 13% para quase 25%
Dado-chave #3A IA escreveu apenas 23,3% dos comentários de revisão, embora ~80% das empresas tenham revisores de IA

Imagine uma equipe que recebeu agentes de IA: os rascunhos de código aparecem muitas vezes mais rápido e os dashboards ficam verdes. Mas os usuários nunca chegam a ver as novas funcionalidades. É exatamente esse o quadro descrito por um working paper de dois doutorandos de Harvard, Fiona Chen e James Stratton, com dados de 718 empresas.

Depois da adoção dos agentes, os engenheiros passaram a adicionar cerca de 30% mais código (em média +1494 linhas por pessoa ao mês, sobre uma base de 5017). Só que o número de tarefas concluídas não cresceu de forma estatisticamente significativa, e o caminho do pull request, o pacote de mudanças que os colegas revisam antes do merge na branch principal, ficou 49% mais longo: de 7,03 para cerca de 10,5 dias. O gargalo saiu da escrita do código e foi parar na revisão.

O que exatamente foi medido

Os autores usaram dados da Jellyfish, empresa que vende análises de atividade de engenharia, e os cruzaram com perfis de emprego do LinkedIn fornecidos pela Revelio Labs. A amostra inclui 725.938 funcionários em 718 empresas, de janeiro de 2021 a março de 2026, e apenas clientes da Jellyfish que concordaram com o uso dos dados em pesquisa. No conjunto, são 68,3 milhões de tarefas no Jira, 200,9 milhões de commits e 49,1 milhões de pull requests. Dados sobre a agenda de reuniões vieram de apenas 213 das 718 empresas.

O método é uma comparação mês a mês: como os indicadores mudaram nas empresas que já tinham adotado agentes e naquelas que ainda não tinham chegado lá. Segundo os autores, as datas de adoção dependeram sobretudo de quando a empresa soube das ferramentas e de quanto durou a compra: aprovações com os times jurídico e de segurança, pilotos. Em uma empresa, a ferramenta foi aprovada em um dia; em outra, segundo um entrevistado, o processo levava de seis a doze meses.

Os autores consideram que esses atrasos não têm relação com o ritmo de crescimento da própria empresa e controlam pelo tamanho, já que as maiores adotaram antes. Um eventual viés residual, se existir, tende a superestimar o benefício da IA, não a subestimá-lo.

O código cresceu, o trabalho pronto não

O número de commits subiu 20%, e o de pull requests, 23%. Ressalva dos autores: esse é o efeito incremental dos agentes em empresas que já usavam assistentes de IA para código, e não um efeito "a partir do zero".

Já o trabalho concluído não saiu do lugar. Considera-se concluída a tarefa do Jira cujo código foi para produção. O número delas variou 0,12 por pessoa ao mês, sobre uma base de 3,67 — indistinguível de zero, e o intervalo de confiança exclui um aumento maior que 12%. Os autores testaram a objeção óbvia: talvez os engenheiros tenham assumido tarefas maiores. Eles classificaram 0,5% das tarefas por tamanho com o GPT-4o e estenderam as estimativas ao restante por meio de embeddings. O tamanho médio das tarefas não mudou, e os pull requests também não incharam.

O congestionamento na revisão

A fatia de pull requests com pedido formal de alteração subiu cerca de 12 pontos percentuais sobre uma base de 13%, ou seja, quase o dobro. O número de comentários por pull request aumentou 35%. A proporção de funcionários que fazem revisão cresceu 14% sobre uma base de 29%, enquanto a proporção dos que escrevem código não mudou.

Os revisores de IA não desfizeram o congestionamento. Em março de 2026, cerca de 80% das empresas já tinham testado essas ferramentas, mas a IA escreveu só 23,3% dos comentários, e apenas 10,8% dos pull requests receberam ao menos um comentário de IA. Um dos desenvolvedores juniores entrevistados contou que só um sênior podia aprovar suas mudanças e conseguia fazê-lo uma vez por semana. Depois de falhas causadas por commits gerados por IA, surgiu a regra de que esse tipo de código sempre passa por um sênior, e a fila cresceu ainda mais.

Os autores explicam os números por dois mecanismos. O primeiro: chega mais código ao mesmo número de revisores, e isso se resolve realocando pessoas para a revisão. O segundo: o aumento dos pedidos de alteração sugere rascunhos mais fracos, o que já é uma questão da qualidade dos próprios modelos. Qual mecanismo predomina define onde gastar o orçamento.

Limitações e conclusão

Trata-se de um working paper apresentado como job-market paper, sem sinais de revisão por pares concluída. A versão atual é datada de 4 de agosto de 2026, e a primeira, de 7 de janeiro. O emprego, por sua vez, não caiu: as estimativas excluem uma queda do emprego total maior que 2,9%, embora seja um efeito de curto prazo.

Um trabalho independente do NBER, com dados de mais de 500.000 desenvolvedores do GitHub, mostra uma lacuna semelhante: o aumento de 240% nos commits de agentes autônomos se transforma em 30% quando se olham os releases reais. Os dois estudos têm suas ressalvas: os autores do artigo do NBER têm vínculo com a Microsoft, dona do GitHub.

Ambos tratam de desenvolvimento de software, e não, por exemplo, de trabalho jurídico.

A prática é simples. Meça não o volume de código gerado, mas o tempo até o resultado aceito, a taxa de devolução para ajustes e as horas dos revisores. Primeiro planeje a capacidade de revisão, depois escale a geração. E mantenha um registro do que os revisores corrigem: ele mostrará se o congestionamento vem do volume ou da qualidade dos rascunhos.

História

Perguntas frequentes sobre a notícia

O que exatamente foi medido?

Os autores usaram dados da Jellyfish, empresa que vende análises de atividade de engenharia, e os cruzaram com perfis de emprego do LinkedIn fornecidos pela Revelio Labs. A amostra inclui 725.938 funcionários em 718 empresas, de janeiro de 2021 a março de 2026, e apenas clientes da Jellyfish que concordaram com o uso dos dados em pesquisa. No conjunto, são 68,3 milhões de tarefas no Jira, 200,9 milhões de commits e 49,1 milhões de pull requests.

O que se sabe sobre O código cresceu, o trabalho pronto não?

O número de commits subiu 20%, e o de pull requests, 23%. Ressalva dos autores: esse é o efeito incremental dos agentes em empresas que já usavam assistentes de IA para código, e não um efeito "a partir do zero". Já o trabalho concluído não saiu do lugar. Considera-se concluída a tarefa do Jira cujo código foi para produção. O número delas variou 0,12 por pessoa ao mês, sobre uma base de 3,67 — indistinguível de zero, e o intervalo de confiança exclui um aumento maior que 12%.

O que se sabe sobre O congestionamento na revisão?

A fatia de pull requests com pedido formal de alteração subiu cerca de 12 pontos percentuais sobre uma base de 13%, ou seja, quase o dobro. O número de comentários por pull request aumentou 35%. A proporção de funcionários que fazem revisão cresceu 14% sobre uma base de 29%, enquanto a proporção dos que escrevem código não mudou. Os revisores de IA não desfizeram o congestionamento.

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…