Quem escreve isto já viveu o modelo dos dois lados. Tocamos uma software house de verdade — a Téxvn, com clientes como Reserva, Kasznar Leonardos e Target Bank, duas vezes certificada GPTW. Construímos um ERP do zero e o vendemos ao Grupo Hinova. Vendemos a AgendaSAT. Escalamos produto dentro do Grupo Stone/Trinks. Hoje estamos na diretoria da ASSESPRO-RJ. Ou seja: já vendemos hora de desenvolvedor, já fechamos folha com ela e já sabemos exatamente onde essa conta aperta.

Por isso este texto é desconfortável. Não porque a IA vá acabar com a engenharia. Mas porque ela ataca, direto e em cheio, o modelo de receita de boa parte das empresas de software do Brasil.

A tese: não é a engenharia que está sob ataque. É a hora.

Faça a conta com a gente.

Se a sua empresa cobra por hora — body shop, alocação, squad as a service — a sua receita é uma função do tempo gasto. Você é pago pelo esforço. Aí chega uma ferramenta que promete cortar o tempo de escrever código.

Se a promessa for verdade, você acabou de cortar a própria receita.

Não existe saída elegante para isso. Ou você não usa a ferramenta (e perde para quem usa), ou você usa e entrega o mesmo escopo em menos horas (e fatura menos), ou você usa e cobra o mesmo (e vive de assimetria de informação — o que dura pouco). Um modelo em que a produtividade do seu time é uma ameaça ao seu faturamento é um modelo quebrado por construção. A IA só está tornando isso visível mais rápido.

Quem cobra por resultado — produto, escopo fechado, SLA, receita compartilhada, licença — está do outro lado da equação. Para esse, ganho de produtividade vira margem.

Essa é a tese central. O resto do artigo é sobre o quanto essa promessa de produtividade é real. E aqui a gente precisa ser rigoroso, porque o marketing e a evidência não estão dizendo a mesma coisa.

O que os dados realmente mostram (spoiler: eles divergem)

Comecemos pelo estudo que mais incomoda.

Em 2025, a METR rodou um ensaio randomizado com 16 desenvolvedores experientes em repositórios open source grandes (média de 22 mil estrelas e mais de 1 milhão de linhas), sobre 246 tarefas reais. Metade das tarefas permitia IA (Cursor Pro com Claude 3.5/3.7), metade não. O resultado: com IA, os devs levaram 19% mais tempo.

O detalhe que arrepia não é esse. É o seguinte: antes de começar, esses devs previram um ganho de 24% de velocidade. Depois de terminar — já tendo sido medidos ficando mais lentos — eles ainda achavam que a IA os havia acelerado em 20%. A percepção errou o sinal.

Os próprios autores fazem questão de dizer o que o estudo não prova: não é evidência de que a IA não acelera a maioria dos desenvolvedores, nem de que isso vale fora daquele contexto. É um retrato de uma tecnologia de início de 2025, com devs sênior, em bases de código que eles conhecem profundamente. Guarde essas três condições — elas explicam a divergência.

Porque outros estudos, sérios também, deram o contrário:

  • Nos ensaios randomizados de Cui e colegas com GitHub Copilot na Microsoft, na Accenture e em uma fabricante de eletrônicos — mais de 4 mil desenvolvedores — houve aumento de ~26% no número de tarefas concluídas por semana. E o efeito foi maior entre os desenvolvedores mais juniores e recém-contratados.
  • Um ensaio controlado do Google com 96 engenheiros internos, em uma tarefa corporativa complexa, mediu cerca de 21% de redução no tempo — com intervalo de confiança largo e um alerta explícito dos autores de que o número não se generaliza.

Como conciliar "19% mais lento" com "26% mais tarefas"?

Sem malabarismo. As condições são diferentes:

  1. Familiaridade com a base de código. A IA rende quando você não sabe o caminho. Ela atrapalha quando você já sabe — e precisa parar, ler, conferir e corrigir o que ela sugeriu.
  2. Senioridade. Os ganhos aparecem mais fortes justamente em quem tem menos repertório.
  3. O que se mede. Tarefas concluídas, commits e compilações são proxies de vazão — não de valor entregue nem de qualidade.

Traduzindo para a sua operação: o ganho de IA não é uma constante. É uma variável que depende do contexto, do time e do tipo de trabalho. Quem te vende "40% de produtividade" como número fixo está vendendo um número que não existe.

O gargalo mudou de lugar — de escrever para verificar

Aqui a evidência para de divergir e começa a convergir. E é a parte que mais muda o dia a dia de uma software house.

A Stack Overflow ouviu dezenas de milhares de devs em 2025. 84% usam ou pretendem usar IA. E, ao mesmo tempo, 46% desconfiam da precisão da saída — contra 33% que confiam. Só 3% "confiam muito". Os mais experientes são os mais céticos.

A maior frustração, citada por 66%, é a mesma que qualquer um que já revisou código gerado reconhece na hora: "soluções que estão quase certas, mas não exatamente". E a segunda maior, com 45%: "depurar código gerado por IA leva mais tempo".

Quase certo é o pior estado possível. Errado escancarado você joga fora em 10 segundos. Quase certo você lê, acredita, integra — e paga depois.

O relatório DORA 2025 do Google, com quase 5 mil profissionais, fecha o quadro: 90% usam IA no trabalho, mais de 80% dizem que ela aumentou sua produtividade — e a adoção de IA mantém uma relação positiva com vazão e negativa com a estabilidade da entrega. A frase-síntese do relatório merece ser colada na parede: a IA é um amplificador — ela não conserta um time, ela amplifica o que já existe ali. Time com teste automatizado, arquitetura desacoplada e feedback rápido ganha. Time sem isso só produz o mesmo lixo, mais rápido.

E tem a conta que só aparece no ano seguinte. A GitClear analisou 211 milhões de linhas alteradas entre 2020 e 2024, em repositórios de Google, Microsoft, Meta e empresas. A fatia de linhas copiadas/coladas subiu de 8,3% para 12,3%. A fatia de linhas movidas — o marcador de refatoração, de reuso — despencou de ~24% para ~9,5%. Pela primeira vez, copiar passou refatorar.

Isso tem nome e a gente conhece: dívida técnica. Ela não entra no gráfico de velocidade do trimestre. Entra no custo de manutenção do contrato do ano que vem — que, num modelo de escopo fechado, é seu.

O problema que ninguém quer encarar: onde o júnior vai aprender?

Se a IA faz bem o trabalho de júnior, a tentação é óbvia: contratar menos júnior.

Os dados já mostram isso acontecendo. O estudo Canaries in the Coal Mine, do Stanford Digital Economy Lab (Brynjolfsson, Chandar e Chen), usando folha de pagamento da ADP, encontrou queda relativa de ~13% no emprego de jovens de 22 a 25 anos nas ocupações mais expostas à IA — e, especificamente entre desenvolvedores de software de 22 a 25 anos, uma queda de quase 20% entre o pico do fim de 2022 e julho de 2025.

Agora junte as pontas. O novo gargalo é verificar. Quem verifica bem? Sênior. Como se fabrica um sênior? Deixando um júnior escrever, errar, apanhar e ser revisado durante anos.

Se a gente corta o degrau de entrada porque a máquina o preenche, a gente para de fabricar as pessoas que serão as únicas capazes de auditar a máquina. É um problema de formação, não de custo — e não se resolve no próximo trimestre. No Brasil, onde já formamos cerca de 53 mil profissionais por ano contra uma demanda estimada em 159 mil, essa conta fica pior, não melhor.

Não temos a solução pronta. Temos uma convicção: não use IA como desculpa para não formar gente. Mude o que o júnior faz (menos boilerplate, mais leitura crítica, teste, revisão assistida), mas não apague a porta de entrada.

O que fazer, na prática

Cinco movimentos. Nenhum é confortável.

  1. Saia da hora. Escopo fechado, produto, licença, sucesso compartilhado, SLA. Enquanto sua receita for proporcional ao seu esforço, produtividade é sua inimiga. É a mudança estrutural — o resto é otimização.
  2. Pare de prometer velocidade que você não mede. Se você não instrumenta lead time, taxa de falha em mudança e tempo de recuperação, você não sabe se ficou mais rápido — e a METR mostrou que a sua sensação não serve como medida.
  3. Invista em quem verifica. Revisão, teste automatizado, arquitetura, integração. O gargalo migrou de "escrever" para "conferir". É lá que o dinheiro e a contratação precisam ir.
  4. Use IA para o trabalho chato, não para fingir velocidade. Boilerplate, migração, teste, documentação, glue code, exploração de base desconhecida. Nesses, o ganho é real e replicável.
  5. Cuide da base antes de acelerar. A IA amplifica o que já existe. Sem teste e sem desacoplamento, acelerar é só chegar mais rápido no muro.

Um recado para quem tem software house no Brasil

Somos um setor grande — o macrossetor de TIC brasileiro produziu R$ 762,4 bilhões em 2024, 6,5% do PIB, com mais de 2,1 milhões de empregos formais (Brasscom). É gente, é folha, é família.

E boa parte dessa receita ainda é hora vendida.

A conversa madura, dentro da ASSESPRO e fora dela, não é "a IA vai substituir programador" — não vai, e quem diz isso não está olhando os dados. É outra, mais dura: quem cobra por esforço está numa canoa furada, e o furo cresce com o tempo. O ganho de IA pode não ser 40%; pode ser 20%, pode ser zero na sua base legada. Mas a expectativa do seu cliente já é de 40%, e ele vai negociar preço com base nela.

A saída não é resistir à ferramenta. É mudar o que você vende.

Foi o que fizemos. Saímos de vender hora para construir e vender produto. Não porque é da moda — porque é o único lugar em que ganho de produtividade vira margem em vez de virar desconto.

Na Aimi Digital, é isso que fazemos: Advisory antes de Tecnologia. Primeiro entender o modelo de receita, depois escolher onde a tecnologia entra. Porque vendemos o resultado, não a ferramenta — e porque a tecnologia só vale a pena quando vira alavanca, e não gargalo.

Dado, não opinião. Se algum número aqui envelhecer, a gente atualiza.

Fontes: METR — Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ (paper · Cui et al. — The Productivity Effects of Generative AI: Evidence from a Field Experiment with GitHub Copilot · GitHub/Accenture — Quantifying GitHub Copilot's impact in the enterprise · Paradis et al. (Google) — How much does AI impact development speed? An enterprise-based randomized controlled trial · Stack Overflow Developer Survey 2025 — seção AI · GitClear — AI Copilot Code Quality, 2025 Research · Brynjolfsson, Chandar & Chen (Stanford Digital Economy Lab) — Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence · Brasscom — Relatório Setorial de TIC (2024)