Ferramentas como GitHub Copilot, Cursor, Claude Code e Gemini deixaram de ser simples assistentes de autocompletar para atuar como verdadeiros agentes autônomos. Elas leem repositórios inteiros, planejam mudanças arquiteturais, editam múltiplos arquivos simultaneamente, executam testes automatizados e até abrem pull requests, transformando radicalmente o cotidiano de engenharia. Essa evolução tecnológica redefine o papel do desenvolvedor, que transita de um escritor manual de código para um maestro técnico, responsável por orquestrar e validar a lógica gerada por inteligência artificial. Os dados escancaram um cenário ambíguo, onde saltos expressivos de produtividade convivem com riscos reais de segurança, dívida técnica e regressões silenciosas na mesma linha de código. Nesse contexto de hiperautomação, a dúvida central não é mais se a IA é capaz de programar, mas sim o que sobra para o elemento humano. O veredito para essa transição não reside na ferramenta em si, mas na capacidade crítica, no repertório técnico e no discernimento de quem comanda o jogo.
Todo mundo usa, quase ninguém confia#
A IA já faz parte do dia a dia:
- Na pesquisa do Stack Overflow de 2025, 84% dos desenvolvedores usavam ou pretendiam usar IA, contra 76% no ano anterior.
- No relatório DORA 2025, do Google, cerca de 90% disseram usar IA, com mediana de duas horas por dia.
Só que o uso cresce enquanto a confiança cai:
- 46% não confiam na precisão do que a IA produz (eram 31% no ano anterior).
- 45% dizem que depurar código gerado por IA toma muito tempo.
- No DORA, só 24% confiam muito ou bastante nas respostas.
A explicação prática é o código "quase certo": ele compila, parece razoável e esconde um detalhe errado. Achar esse detalhe num código que você não escreveu pode demorar mais do que escrever do zero.
Em uma frase: usamos mais, mas verificamos mais, ou deveríamos.
Dos assistentes aos agentes#
Em 2025, 31% dos desenvolvedores já usavam agentes de IA, e 69% desses diziam ter ficado mais produtivos. Nas grandes empresas, os números impressionam: o Google afirmou, em 2026, que cerca de 75% do código novo da empresa já é gerado por IA e aprovado por engenheiros, contra 25% em outubro de 2024.
Uma ressalva: esse número é da própria empresa, e "gerado por IA" pode ir de uma sugestão de autocompletar a uma mudança inteira feita por um agente. Mas a direção é clara: o engenheiro passa menos tempo digitando e mais tempo descrevendo, orientando e revisando.
Produtividade: a sensação e a medição#
Aqui os dados se separam. Perguntando às pessoas, o resultado é positivo: no DORA 2025, mais de 80% disseram que a IA aumentou sua produtividade. Medindo, o quadro é mais complicado:
| O que se mede | O que apareceu |
|---|---|
| METR, estudo controlado (2025): 16 devs experientes, 246 tarefas nos próprios repositórios, com sorteio de quem usava IA | Com IA, as tarefas levaram 19% mais tempo. Eles esperavam ficar 24% mais rápidos e, mesmo depois, ainda achavam que tinham sido acelerados. |
| METR, acompanhamento (2026): mesmo tipo de teste | Cerca de 18% mais rápidos, mas a própria METR considerou o número pouco confiável: muitos participantes passaram a recusar tarefas sem IA, o que distorce a amostra. |
| Faros AI (2025): mais de 10 mil devs em 1.255 equipes | Com IA: cerca de 21% mais tarefas concluídas e quase o dobro de merges. Mas o tempo de revisão subiu 91%, os pull requests ficaram maiores e os bugs por dev subiram cerca de 9%. Na empresa, tempo de entrega e falhas em produção ficaram estáveis. |
A leitura possível: a IA acelera a escrita de código, sobretudo em tarefas repetitivas, boilerplate (código de rotina), testes simples, scripts e protótipos. Mas escrever código nunca foi o único gargalo. Entender o problema, revisar, integrar, testar e publicar continuam tomando tempo, e às vezes mais, porque chega mais código para processar. O DORA resume assim: a IA é um espelho e multiplicador. Em organizações bem estruturadas, amplifica a eficiência; nas bagunçadas, amplifica a bagunça.
Em uma frase: o ganho individual existe, mas some quando o gargalo se muda para a revisão.
Qualidade e segurança do código gerado#
Os estudos de qualidade são, no geral, preocupantes:
- Veracode: testou mais de 100 modelos em 80 tarefas e achou falhas de segurança em cerca de 45% do código gerado. Quando o modelo podia escolher entre uma forma segura e uma insegura, escolheu a insegura em 45% das vezes. Falhou em se proteger contra XSS (injeção de scripts maliciosos em páginas) em 86% dos casos e contra injeção em logs em 88%. Com o tempo, os modelos melhoraram na sintaxe, mas não na segurança.
- CodeRabbit: analisou 470 pull requests de código aberto e encontrou, em média, 1,7 vez mais problemas nos gerados por IA. Erros de lógica foram 75% mais frequentes, de manutenção 64% e de segurança 57%. A IA teve pontos a favor: menos erros de digitação e menos problemas de testabilidade. A própria empresa reconhece que não dá para garantir que os pull requests "humanos" fossem 100% humanos.
- GitClear: analisou cerca de 211 milhões de linhas e viu, em 2024, os blocos de código duplicado crescerem cerca de oito vezes, enquanto as linhas movidas (indicador de refatoração) caíram quase 40%. Foi o primeiro ano em que copiar e colar superou reorganizar. O resultado de médio prazo é uma base de código maior, mais repetitiva e mais difícil de manter.
Em uma frase: a IA gera código novo com facilidade, mas não incentiva a reorganizar o que já existe.
Vibe coding: democratização ou roleta-russa digital? #
No vibe coding, você dita ordens à IA em linguagem natural e ignora o código. Para protótipos e leigos, é pura revolução: uma tarde basta para o marketing lançar um app funcional. Mas a fatura chegou. Em 2025, um agente da Replit incinerou o banco de dados de produção de uma empresa. Em maio de 2026, a RedAccess expôs o caos: dos 380 mil apps gerados por plataformas como Lovable, Base44, Netlify e Replit, cerca de 5 mil escancaravam dados sensíveis — de conversas de pacientes a cofres financeiros de um banco brasileiro (apesar dos protestos das plataformas). Entre os profissionais, a trégua é clara: 77% dos devs no Stack Overflow de 2025 rejeitam o método. O perigo real explode na fronteira invisível onde o rascunho feito "no embalo" vira produto final sem um único filtro de segurança, autenticação ou proteção de dados.
Revisão e testes: o novo centro do trabalho#
Se a máquina escreve mais, o humano revisa mais. É talvez o efeito mais concreto no cotidiano: o aumento de 91% no tempo de revisão da Faros é sintoma disso. Desenvolvedores gastam mais energia lendo diffs grandes, entendendo decisões que não tomaram e procurando o erro sutil no meio de centenas de linhas plausíveis.
A IA também entrou na revisão e nos testes: comenta pull requests, escreve testes unitários, sugere casos de borda e ajuda a interpretar stack traces. Testes automatizados bons, integração contínua confiável e verificações de segurança viraram pré-requisito para usar agentes com tranquilidade, porque são a rede de proteção contra o código "quase certo".
Papéis e habilidades#
O papel do desenvolvedor se desloca de "quem escreve o código" para "quem define, orienta e responde pelo código". Ganharam peso:
- descrever bem um problema e seus requisitos;
- dividir o trabalho em partes que um agente consiga executar;
- ler e avaliar código criticamente;
- entender arquitetura, segurança e o negócio.
Isso não diminui o conhecimento técnico profundo, pelo contrário: para revisar bem o que a IA produz, é preciso saber mais, não menos. Quem não reconhece um padrão inseguro ou uma abstração ruim tende a aceitar o que vier.
Aprender com IA, ou aprender sem entender#
Um estudo da Anthropic, do início de 2026, pediu a 52 programadores (a maioria juniores) que aprendessem a Trio, uma biblioteca de Python para programação assíncrona. Metade podia usar IA. No teste depois, o grupo com IA teve média de 50%, contra 67% do grupo sem IA, com a maior diferença em perguntas de depuração. O ganho de velocidade foi pequeno e estatisticamente insignificante.
O dado mais útil foi o modo de uso:
- Quem delegou tudo à IA, ou depurou "na tentativa e erro" com o modelo, ficou abaixo de 40%.
- Quem pedia explicações, fazia perguntas de acompanhamento ou usava a IA só para dúvidas conceituais enquanto escrevia o próprio código teve 65% ou mais.
Em uma frase: usar IA para entender acelera o aprendizado; usar IA para não precisar entender atrapalha. Para cursos e bootcamps, avaliar só "código que funciona" perdeu sentido: a formação precisa enfatizar leitura de código, fundamentos e explicação das próprias decisões.
Mercado de trabalho: juniores sob pressão #
O AI Index 2026, da Universidade Stanford, destacou dados baseados em folhas de pagamento, com trabalhos de Erik Brynjolfsson: o emprego de desenvolvedores de 22 a 25 anos caiu quase 20% em relação a 2022. Nas faixas mais velhas, ficou estável ou cresceu. A leitura mais comum é que a IA substitui sobretudo as tarefas que antes iam para iniciantes: código simples, bugs pequenos, testes, documentação. A causalidade não é simples: o período também teve juros altos e cortes após as contratações da pandemia. Mas a pergunta preocupa o setor: se as empresas não contratam juniores hoje, de onde virão os seniores daqui a dez anos? A experiência que forma um sênior vem justamente das tarefas que estão sendo automatizadas, criando um gargalo estrutural na cadeia de formação de talentos que ameaça a sustentabilidade a longo prazo de todo o ecossistema tecnológico.
Dependência das ferramentas
Muitos desenvolvedores dizem se sentir desconfortáveis programando sem o assistente. Para o experiente, que já consolidou fundamentos lógicos e arquiteturais ao longo de anos de prática, a inteligência artificial atua apenas como um acelerador de produtividade; para o iniciante, contudo, a delegação precoce de raciocínio pode significar nunca desenvolver a intuição e a capacidade crítica essenciais para resolver problemas complexos de forma autônoma. Nas empresas, essa vulnerabilidade se manifesta de forma multifacetada: vai desde os custos operacionais recorrentes e a exposição a reajustes unilaterais de preços até o envio involuntário de propriedade intelectual para servidores externos e o alto custo de troca (lock-in) entre diferentes fornecedores de modelos de linguagem.
Conclusão#
O desenvolvimento de software em 2026 não chegou ao fim, mas foi profundamente transformado. Enquanto a inteligência artificial assume tarefas repetitivas e acelera a entrega de código em grandes corporações, ela também amplifica falhas de segurança e duplica lógicas quando aplicada sem rigor técnico. A profissão mudou de eixo: digitar linhas de código cedeu lugar à curadoria rigorosa, ao pensamento crítico e à responsabilização pelos sistemas que construímos.
Fontes:
- Stack Overflow – 2025 Developer Survey (comunicado de imprensa)
- Google – How are developers using AI? Inside our 2025 DORA report
- DORA – State of AI-assisted Software Development
- eWeek – Developers Using AI Take 19% Longer on Tasks (estudo METR)
- CoderCops – AI coding productivity: 2x not 10x (acompanhamento METR 2026)
- Rob Bowley – New research shows AI-assisted coding isn't moving delivery (relatório Faros AI)
- Veracode – AI-Generated Code Poses Major Security Risks in Nearly Half of All Development Tasks
- The Register – AI-authored code contains worse bugs than software crafted by humans (CodeRabbit)
- CodeRabbit – State of AI vs Human Code Generation Report
- DevClass – AI is eroding code quality states new in-depth report (GitClear)
- InfoQ – Anthropic study on AI coding and skill formation
- TechSpot – Google says AI now generates 75% of its new code
- Security Boulevard – Thousands of Vibe-Coded Apps Exposing Corporate, Personal Data (RedAccess)
- Gizmodo – Replit's AI agent wipes company's codebase during vibe coding session
- FindSkill – Stanford AI Index 2026 e a queda nas contratações de devs juniores
