Habr AI: METR e Google Cloud Não Veem a Aceleração Prometida de Desenvolvedores com IA

No Habr AI foi publicada uma análise de vários estudos sobre o impacto das ferramentas de IA no trabalho dos desenvolvedores. A conclusão incômoda para o mercado: os desenvolvedores frequentemente sentem que trabalham mais rápido, mas as métricas mensuráveis ainda não confirmam a aceleração prometida.

Onde o Crescimento Não é Visível

Um dos principais argumentos do artigo está relacionado à análise do ecossistema Python. O autor cita a análise da Answer.AI, onde pesquisaram a dinâmica do PyPI em busca de sinais de produtividade "explosiva".

Se a IA realmente acelerasse radicalmente o desenvolvimento, isso deveria aparecer no número de novos pacotes, frequência de lançamentos e volume geral de código publicado. Mas o cenário se mostrou bem mais modesto: nenhum pico notável em novos pacotes, e o crescimento na frequência de atualizações começou em 2019 e provavelmente está mais ligado às práticas de CI/CD do que aos modelos generativos. Um detalhe interessante é que o crescimento na atividade é mais visível em projetos de IA.

Esses pacotes são atualizados com mais frequência, mas o autor interpreta isso não como um efeito universal das ferramentas, mas como uma consequência do hype e da entrada de investimentos no segmento. Uma lógica similar se aplica aos dados do GitHub: segundo a análise, não há um aumento em massa de novos repositórios, embora isso pudesse ter sido um indicador simples de que lançar projetos secundários ficou consideravelmente mais fácil. O veredicto é severo: a IA ajuda a criar protótipos impressionantes, mas não elimina os verdadeiros gargalos do desenvolvimento e lançamento de produtos.

O que as Pesquisas Mostram

A lacuna mais marcante é visível entre as percepções das equipes e as métricas operacionais. O artigo apresenta o relatório do Google Cloud sobre o impacto da IA Generativa no desenvolvimento de software: 75% dos desenvolvedores dizem que a IA lhes dá uma sensação de maior produtividade. Mas com uma taxa de adoção de 25% de tais ferramentas, o throughput de entrega diminui 1,5%, e a estabilidade de entrega diminui 7,2%. Em outras palavras, trabalhar com IA é subjetivamente mais agradável, mas não necessariamente significa mais resultado útil na saída.

• 75% dos desenvolvedores sentem aumento de produtividade
• throughput de entrega diminui 1,5%
• estabilidade de entrega cai 7,2%
• aumento de atividade é mais notável no segmento de IA

Ainda mais severa é a pesquisa do METR citada pelo autor. Nela, desenvolvedores experientes esperavam que ferramentas de IA como Cursor e Claude acelerassem seu trabalho em aproximadamente 20%. Na realidade, aconteceu o oposto: a execução das tarefas desacelerou em cerca de 20%. A explicação parece plausível: os engenheiros digitam menos código manualmente, mas gastam mais tempo verificando, fazendo correções, aguardando respostas do modelo e executando testes novamente. Em outras palavras, parte da rotina mecânica desaparece, mas uma nova camada de controle de qualidade toma seu lugar.

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

Essa lacuna entre expectativa e realidade importa não apenas para engenheiros, mas também para negócios. O artigo também cita o exemplo do Notion: depois de adicionar recursos de IA, a margem do produto, segundo o CEO da empresa, caiu de 90% para 80%. A lógica é clara: o mercado pressiona pela integração de IA em praticamente tudo, mas custos adicionais com inference e infraestrutura não garantem nem crescimento de audiência nem crescimento de receita. Para as empresas, isso significa que implementar IA no desenvolvimento e no produto não pode ser avaliado pelo fator "uau" — são necessárias métricas de velocidade, estabilidade e economia.

O que Isso Significa

A análise do Habr AI resfria efetivamente as expectativas em torno de acelerações "10x" na programação. No estágio atual, a codificação com IA tende a melhorar a experiência de trabalho e acelerar certas partes do processo, em vez de garantir um aumento na produtividade da equipe ou dos negócios. Para gerentes, a conclusão é simples: antes de implementar tais ferramentas em larga escala, meça não o sentimento dos desenvolvedores, mas o tempo de ciclo, a qualidade da entrega e o custo final das mudanças.