Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)
LançamentoCódigo / SDK · Pronto p/ usoHabr AI→ original

Habr AI: METR e Google Cloud não veem a aceleração prometida em desenvolvedores que usam IA

A Habr AI reuniu vários estudos sobre o efeito da IA na produtividade de desenvolvedores e concluiu que a aceleração prometida ainda não aparece. A análise do PyPI não mostra crescimento explosivo de lançamentos, um relatório do Google Cloud registra leve queda de throughput e stability, e a pesquisa da METR indica que engenheiros experientes até ficam mais lentos com IA, embora esperem ganhar velocidade. A conclusão é incômoda para o mercado: desenvolvedores muitas vezes sentem que trabalham mais rápido, mas os indicadores mensuráveis ainda não sustentam isso.

Processado por IA de Habr AI; editado por Hamidun News
Habr AI: METR e Google Cloud não veem a aceleração prometida em desenvolvedores que usam IA
Fonte: Habr AI. Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalHabr AI ↗
Editor-chefe
Dado-chave #175% dos desenvolvedores sentem aumento de produtividade
Dado-chave #2o delivery throughput cai 1,5%
Dado-chave #3a delivery stability cai 7,2%

A Habr AI publicou uma análise de vários estudos sobre a influência de ferramentas de IA no trabalho de programadores. A principal conclusão é incômoda para o mercado: os desenvolvedores muitas vezes sentem que trabalham mais rápido, mas os indicadores mensuráveis ainda não confirmam a aceleração prometida.

Onde não há crescimento visível

Um dos argumentos centrais do artigo está ligado ao ecossistema Python. O autor cita uma análise da Answer.AI que examinou a dinâmica do PyPI em busca de sinais de produtividade «explosiva». Se a IA realmente acelerasse o desenvolvimento de forma radical, isso deveria aparecer no número de pacotes novos, na frequência de lançamentos e no volume total de código publicado. Mas o quadro se mostrou bem mais modesto: não há salto perceptível em pacotes novos, e o aumento na frequência de atualizações começou já em 2019 e provavelmente se deve mais às práticas de CI/CD do que aos modelos generativos.

Um detalhe interessante é que o aumento de atividade aparece principalmente em projetos de IA. Esses pacotes são atualizados com mais frequência, mas o autor interpreta isso não como um efeito universal das ferramentas, e sim como consequência do hype e da entrada de investimento no segmento. Lógica parecida vale para os dados do GitHub: segundo a análise, também não há um surto em massa de novos repositórios, embora esse fosse um indicador simples de que ficou bem mais fácil lançar projetos paralelos. A conclusão é dura: a IA ajuda a fazer protótipos vistosos, mas não elimina os gargalos reais do desenvolvimento e do lançamento de um produto.

O que os estudos mostram

A lacuna mais reveladora aparece entre a percepção das equipes e as métricas operacionais. O artigo cita um relatório do Google Cloud sobre o impacto da GenAI no desenvolvimento de software: 75% dos desenvolvedores dizem que a IA lhes dá a sensação de maior produtividade. Mas, com 25% de adoção dessas ferramentas, o delivery throughput cai 1,5% e a delivery stability, 7,2%. Em outras palavras, trabalhar com IA é subjetivamente mais agradável, mas isso não significa necessariamente mais resultado útil.

  • 75% dos desenvolvedores sentem aumento de produtividade
  • o delivery throughput cai 1,5%
  • a delivery stability cai 7,2%
  • o pico de atividade é mais visível no segmento de IA

O estudo da METR citado pelo autor parece ainda mais duro. Nele, desenvolvedores experientes esperavam que ferramentas de IA como Cursor e Claude acelerassem o trabalho em cerca de 20%. Na prática, ocorreu o contrário: a execução das tarefas ficou cerca de 20% mais lenta. A explicação parece plausível: os engenheiros digitam menos código à mão, mas gastam mais tempo com revisão, correções, espera pela resposta do modelo e novas execuções. Ou seja, parte da rotina mecânica some, mas no lugar dela surge uma nova camada de controle de qualidade.

«Hoje temos fatos de que a IA torna muitos de nós não mais, mas menos produtivos».

Essa distância entre expectativa e realidade importa não só para engenheiros, mas também para as empresas. A matéria traz ainda o exemplo do Notion: após a adição de funções de IA, a margem do produto, segundo o CEO da empresa, caiu de 90% para 80%. A lógica é clara: o mercado empurra para embutir IA em quase tudo, mas os custos extras de inference e infraestrutura não garantem nem crescimento de audiência nem de receita. Para as empresas, isso significa que a adoção de IA no desenvolvimento e no produto não pode ser avaliada pelo efeito uau: são necessárias métricas de velocidade, estabilidade e economia.

O que isso significa

A análise da Habr AI esfria as expectativas em torno de acelerações «de dez vezes» na programação. No estágio atual, programar com IA melhora a experiência de trabalho e acelera partes isoladas do processo, em vez de entregar um ganho garantido de produtividade para a equipe ou o negócio. Para gestores, a conclusão é simples: antes de implantar essas ferramentas em larga escala, é preciso medir não o humor dos desenvolvedores, mas o cycle time, a qualidade das entregas e o custo total das mudanças.

História

Perguntas frequentes sobre a notícia

Onde não há crescimento visível?

Um dos argumentos centrais do artigo está ligado ao ecossistema Python. O autor cita uma análise da Answer.AI que examinou a dinâmica do PyPI em busca de sinais de produtividade «explosiva». Se a IA realmente acelerasse o desenvolvimento de forma radical, isso deveria aparecer no número de pacotes novos, na frequência de lançamentos e no volume total de código publicado.

O que os estudos mostram?

A lacuna mais reveladora aparece entre a percepção das equipes e as métricas operacionais. O artigo cita um relatório do Google Cloud sobre o impacto da GenAI no desenvolvimento de software: 75% dos desenvolvedores dizem que a IA lhes dá a sensação de maior produtividade. Mas, com 25% de adoção dessas ferramentas, o delivery throughput cai 1,5% e a delivery stability, 7,2%. Em outras palavras, trabalhar com IA é subjetivamente mais agradável, mas isso não significa necessariamente mais resultado útil.

O que isso significa?

A análise da Habr AI esfria as expectativas em torno de acelerações «de dez vezes» na programação. No estágio atual, programar com IA melhora a experiência de trabalho e acelera partes isoladas do processo, em vez de entregar um ganho garantido de produtividade para a equipe ou o negócio. Para gestores, a conclusão é simples: antes de implantar essas ferramentas em larga escala, é preciso medir não o humor dos desenvolvedores, mas o cycle time, a qualidade das entregas e o custo total das mudanças.

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…