Os estudos divergem. Em tarefas controladas, a IA acelerou desenvolvedores em 21% a 55,8%; com desenvolvedores experientes em código conhecido, a METR mediu 19% de lentidão em 2025. A DORA mostra que o ganho individual não vira entrega melhor sem bons fundamentos. Cada equipe precisa medir o próprio efeito.
Os estudos sobre IA no desenvolvimento de software não apontam um número único de ganho. Em tarefas controladas, desenvolvedores com assistentes de código foram 21% (estudo interno do Google) a 55,8% (experimento com o GitHub Copilot) mais rápidos. Já a METR mediu, no início de 2025, que desenvolvedores experientes trabalhando em repositórios que conheciam levaram 19% mais tempo com IA. A pesquisa DORA mostra que o ganho individual só melhora a entrega da equipe quando os fundamentos de engenharia estão sólidos.
O que cada estudo mediu?
Os resultados parecem contraditórios até que se olhe o que cada estudo mediu, com quem e em que tipo de tarefa.
| Estudo | Participantes | Tarefa | Resultado | Limitação principal |
|---|---|---|---|---|
| GitHub Copilot (Peng e coautores, 2023) | Desenvolvedores recrutados, grupo com e sem Copilot | Implementar um servidor HTTP em JavaScript | Grupo com IA concluiu 55,8% mais rápido | Tarefa única, nova e bem delimitada |
| Google, estudo randomizado em ambiente corporativo | 96 engenheiros do Google | Tarefa de desenvolvimento com ferramentas internas de IA | Cerca de 21% mais rápido | Intervalo de confiança amplo; ferramentas e período específicos (2024) |
| METR, início de 2025 | 16 desenvolvedores experientes de projetos de código aberto | 246 tarefas reais em repositórios que conheciam | 19% mais lento com IA | Amostra pequena; ferramentas do início de 2025 |
| METR, atualização de fevereiro de 2026 | 57 desenvolvedores, mais de 800 tarefas | Tarefas reais com ferramentas do fim de 2025 | Indício de aceleração, com intervalos que incluem zero | Viés de seleção reconhecido pela própria METR |
| DORA 2024 (Google Cloud) | Pesquisa com profissionais de tecnologia | Práticas e resultados de entrega | Mais adoção de IA associada a menor vazão e estabilidade | Associação estatística, não causalidade |
| DORA 2025 (Google Cloud) | Quase 5 mil profissionais | Uso de IA e desempenho | Adoção de 90%; IA ligada a maior vazão de entrega | Percepção autodeclarada em parte das medidas |
Por que os resultados são tão diferentes?
Pelo menos cinco fatores explicam a diferença entre os estudos.
- Tipo de tarefa. Tarefas novas e bem delimitadas, como criar um servidor do zero, favorecem a IA. Mudanças em sistemas grandes e antigos exigem contexto que a ferramenta nem sempre tem.
- Familiaridade com o código. Os participantes da METR conheciam profundamente os repositórios. A própria METR ressalta que o resultado não vale automaticamente para desenvolvedores menos experientes ou para código desconhecido.
- Geração das ferramentas. Os modelos evoluem rapidamente. A METR afirma que o estudo de 2025 está desatualizado e, na atualização de 2026, estimou aceleração de 18% para os desenvolvedores originais e de 4% para os recrutados depois, com intervalos de confiança que vão de ganhos maiores a pequenas perdas.
- Percepção versus medição. No estudo de 2025, os desenvolvedores previam ficar 24% mais rápidos e, depois, acreditavam ter ficado cerca de 20% mais rápidos, quando a medição mostrou o contrário. Autoavaliação não é métrica confiável.
- Seleção. Na atualização de 2026, a METR relatou que parte dos desenvolvedores se recusou a trabalhar sem IA e que de 30% a 50% evitaram tarefas que não queriam fazer sem a ferramenta. Isso distorce a amostra e, segundo a METR, provavelmente faz a estimativa central subestimar o efeito.
O que os desenvolvedores dizem sobre as ferramentas?
O uso é amplo, e a confiança é baixa. Na pesquisa do Stack Overflow de 2025, 84% dos respondentes disseram usar ou planejar usar ferramentas de IA no desenvolvimento, e cerca de 51% dos desenvolvedores profissionais usam diariamente. Ao mesmo tempo, 46% disseram desconfiar da precisão dessas ferramentas, contra cerca de 33% que confiam. A frustração mais citada, por 66%, foram soluções "quase certas, mas não totalmente".
O relatório DORA de 2025 encontrou padrão parecido: 90% de adoção, mediana de duas horas por dia de uso, mais de 80% percebendo ganho de produtividade, mas apenas 24% com confiança alta no resultado e 30% com pouca ou nenhuma.
O que muda na entrega da equipe, e não só do indivíduo?
Escrever código mais rápido não significa entregar software melhor mais rápido. O relatório DORA de 2024 associou um aumento de 25% na adoção de IA a melhoras na qualidade da documentação (7,5%), na qualidade do código (3,4%) e na velocidade de revisão (3,1%), mas também a uma queda estimada de 1,5% na vazão e de 7,2% na estabilidade de entrega. Os autores concluíram que a IA não é solução mágica e que lotes pequenos e testes robustos continuam essenciais.
Em 2025, a relação com a vazão se inverteu e a IA passou a aparecer ligada a maior vazão de entrega. O relatório descreve a IA como espelho e multiplicador: ela potencializa organizações coesas e expõe as fragmentadas.
Como uma software house deve medir o efeito da IA?
Como os estudos divergem, a única resposta confiável para a sua empresa é a sua própria medição. Um roteiro prático:
- Registre a linha de base. Antes de mudar ferramentas ou processos, meça tempo de ciclo das tarefas, tempo de revisão, taxa de retrabalho e defeitos que chegam à produção.
- Escolha tarefas comparáveis. Separe por tipo: código novo, manutenção em sistema legado, testes, documentação, migração.
- Faça um piloto com comparação. Use a IA em parte das tarefas de cada tipo e compare com as demais por algumas semanas.
- Meça qualidade, não só velocidade. Defeitos encontrados na revisão e em produção, falhas em implantações e vulnerabilidades detectadas.
- Reforce as barreiras de qualidade. Revisão humana obrigatória, testes automatizados e análise de segurança no pipeline. Veja DevSecOps explicado para gestores.
- Defina regras de uso de dados. Que código e que dados de clientes podem ser enviados a cada ferramenta, conforme contrato e LGPD. O tema está em LGPD e IA generativa.
- Revise periodicamente. As ferramentas mudam rápido; um resultado de seis meses atrás pode não valer hoje.
O que isso muda na venda e no contrato?
Se a IA acelera a equipe e o contrato paga por hora, a receita da software house cai junto com o esforço. Se a aceleração não se confirma, prometer prazos menores por causa da IA vira risco. Modelos ligados a entregas, escopo ou valor tendem a acomodar melhor essa incerteza, como explicado em como precificar projeto de software.
No contrato e na proposta, três pontos merecem clareza:
- Se a equipe usa ferramentas de IA, quais e com que regras.
- Como ficam confidencialidade e propriedade intelectual do código produzido com apoio dessas ferramentas.
- Que controles de qualidade e segurança são aplicados antes da entrega.
Para o cliente, transparência sobre o processo pesa mais do que promessa de velocidade. Para estruturar regras internas, veja governança de IA em empresas médias.
Próximo passo
Compradores querem saber como a software house trabalha, inclusive com IA, e que resultados entrega. Descreva processo, controles e cases no perfil da empresa e reúna avaliações de clientes reais. Crie ou reivindique o perfil gratuito na Citeo ou veja como funciona para empresas.
Fontes
- arXiv — The Impact of AI on Developer Productivity: Evidence from GitHub Copilot — experimento controlado: grupo com Copilot concluiu a tarefa 55,8% mais rápido
- arXiv — How much does AI impact development speed? An enterprise-based randomized controlled trial — 96 engenheiros do Google, cerca de 21% mais rápidos, intervalo de confiança amplo
- METR — Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity — 16 desenvolvedores, 246 tarefas, 19% mais lentos; expectativa de 24% e percepção de 20% de ganho
- METR — We are changing our developer productivity experiment design (atualização de fevereiro de 2026) — estimativas de 18% e 4% de aceleração com ferramentas do fim de 2025, viés de seleção, 57 desenvolvedores e mais de 800 tarefas
- Google Cloud — Announcing the 2024 DORA report — efeitos associados a 25% mais adoção de IA: documentação, qualidade, revisão, vazão e estabilidade
- Google — How are developers using AI? Inside our 2025 DORA report — quase 5 mil respondentes, 90% de adoção, confiança, vazão e IA como amplificadora
- Stack Overflow — 2025 Developer Survey: AI — 84% usam ou planejam usar IA, 51% de uso diário entre profissionais, 46% de desconfiança, 66% citam soluções quase certas
Compare nota, avaliações verificadas e score, e fale direto com a empresa pela Citeo.
Perguntas frequentes
A IA deixa desenvolvedores mais produtivos?
Depende da tarefa, da experiência e da ferramenta. Estudos controlados encontraram ganhos de 21% a 55,8% em tarefas específicas, enquanto a METR mediu lentidão de 19% com desenvolvedores experientes em código conhecido no início de 2025. A atualização da METR de 2026 indica aceleração com ferramentas mais novas, mas com evidência fraca sobre o tamanho do efeito.
O que é o estudo da METR sobre IA e produtividade?
É um estudo randomizado publicado em julho de 2025 com 16 desenvolvedores experientes de projetos de código aberto, em 246 tarefas reais. Com IA permitida, as tarefas levaram 19% mais tempo, embora os participantes acreditassem ter sido mais rápidos. A METR publicou uma atualização em fevereiro de 2026 com ferramentas mais recentes.
O que diz o relatório DORA sobre IA?
O relatório de 2024 associou maior adoção de IA a ganhos em documentação, qualidade de código e revisão, mas a quedas estimadas na vazão e na estabilidade de entrega. O de 2025 registrou 90% de adoção e passou a associar a IA a maior vazão, descrevendo-a como amplificadora das forças e fraquezas de cada organização.
Desenvolvedores confiam no código gerado por IA?
A maioria usa, mas boa parte desconfia. Na pesquisa do Stack Overflow de 2025, 46% disseram desconfiar da precisão das ferramentas e cerca de 33% disseram confiar. No DORA 2025, 30% relataram pouca ou nenhuma confiança e 24% confiança alta.
Como medir o impacto da IA na minha equipe?
Registre uma linha de base de tempo de ciclo, revisão, retrabalho e defeitos em produção, compare tarefas parecidas com e sem IA e acompanhe qualidade além de velocidade. Não use a percepção da equipe como medida principal, porque os estudos mostram que ela pode divergir da medição.