# IA no desenvolvimento de software: o que dizem os estudos sobre produtividade — Citeo > Os estudos divergem. Em tarefas controladas, a IA acelerou desenvolvedores em 21% a 55,8%; com desenvolvedores experientes em código conhecido, a METR medi... Fonte: https://mail.citeo.com.br/artigo/ia-no-desenvolvimento-de-software-produtividade · Atualizado em 21/10/2026 [Início](https://mail.citeo.com.br) [Insights](https://mail.citeo.com.br/blog) [IA na prática](https://mail.citeo.com.br/blog/ia) IA na prática# IA no desenvolvimento de software: o que dizem os estudos sobre produtividade **Redação Citeo** Publicado em 18/10/2026 Revisado em 18/10/2026 6 min de leitura Resposta rápidaOs 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. EstudoParticipantesTarefaResultadoLimitação principalGitHub Copilot (Peng e coautores, 2023)Desenvolvedores recrutados, grupo com e sem CopilotImplementar um servidor HTTP em JavaScriptGrupo com IA concluiu 55,8% mais rápidoTarefa única, nova e bem delimitadaGoogle, estudo randomizado em ambiente corporativo96 engenheiros do GoogleTarefa de desenvolvimento com ferramentas internas de IACerca de 21% mais rápidoIntervalo de confiança amplo; ferramentas e período específicos (2024)METR, início de 202516 desenvolvedores experientes de projetos de código aberto246 tarefas reais em repositórios que conheciam19% mais lento com IAAmostra pequena; ferramentas do início de 2025METR, atualização de fevereiro de 202657 desenvolvedores, mais de 800 tarefasTarefas reais com ferramentas do fim de 2025Indício de aceleração, com intervalos que incluem zeroViés de seleção reconhecido pela própria METRDORA 2024 (Google Cloud)Pesquisa com profissionais de tecnologiaPráticas e resultados de entregaMais adoção de IA associada a menor vazão e estabilidadeAssociação estatística, não causalidadeDORA 2025 (Google Cloud)Quase 5 mil profissionaisUso de IA e desempenhoAdoção de 90%; IA ligada a maior vazão de entregaPercepção autodeclarada em parte das medidas ## Por que os resultados são tão diferentes? Pelo menos cinco fatores explicam a diferença entre os estudos. 1. **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. 2. **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. 3. **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. 4. **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. 5. **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: 1. **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. 2. **Escolha tarefas comparáveis.** Separe por tipo: código novo, manutenção em sistema legado, testes, documentação, migração. 3. **Faça um piloto com comparação.** Use a IA em parte das tarefas de cada tipo e compare com as demais por algumas semanas. 4. **Meça qualidade, não só velocidade.** Defeitos encontrados na revisão e em produção, falhas em implantações e vulnerabilidades detectadas. 5. **Reforce as barreiras de qualidade.** Revisão humana obrigatória, testes automatizados e análise de segurança no pipeline. Veja [DevSecOps explicado para gestores](/artigo/devsecops-explicado-para-gestores). 6. **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](/artigo/lgpd-e-ia-generativa-cuidados-com-dados). 7. **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](/artigo/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](/artigo/governanca-de-ia-em-empresas-medias-roteiro). ## 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](/cadastro) ou veja [como funciona para empresas](/para-empresas). ## Fontes - [arXiv — The Impact of AI on Developer Productivity: Evidence from GitHub Copilot](https://arxiv.org/abs/2302.06590v1) — 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](https://arxiv.org/abs/2410.12944v3) — 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](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/) — 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)](https://metr.org/blog/2026-02-24-uplift-update/) — 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](https://cloud.google.com/blog/products/devops-sre/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](https://blog.google/technology/developers/dora-report-2025/) — quase 5 mil respondentes, 90% de adoção, confiança, vazão e IA como amplificadora - [Stack Overflow — 2025 Developer Survey: AI](https://survey.stackoverflow.co/2025/ai) — 84% usam ou planejam usar IA, 51% de uso diário entre profissionais, 46% de desconfiança, 66% citam soluções quase certas **Encontre software houses verificadas**Compare nota, avaliações verificadas e score, e fale direto com a empresa pela Citeo. [Ver empresas ](https://mail.citeo.com.br/empresas/software) [Comparar empresas lado a lado](https://mail.citeo.com.br/comparar) ## 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. ## Leia também [](https://mail.citeo.com.br/artigo/adocao-de-ia-nas-empresas-brasileiras-pesquisas) IA na prática### [Adoção de IA nas empresas brasileiras: o que mostram as pesquisas públicas](https://mail.citeo.com.br/artigo/adocao-de-ia-nas-empresas-brasileiras-pesquisas) 18 de out · 6 min de leitura [](https://mail.citeo.com.br/artigo/busca-semantica-e-embeddings-para-gestores) IA na prática### [Busca semântica e embeddings explicados para gestores](https://mail.citeo.com.br/artigo/busca-semantica-e-embeddings-para-gestores) 18 de out · 6 min de leitura [](https://mail.citeo.com.br/artigo/chatgpt-gemini-claude-perplexity-diferencas) IA na prática### [ChatGPT, Gemini, Claude e Perplexity: diferenças que importam para empresas](https://mail.citeo.com.br/artigo/chatgpt-gemini-claude-perplexity-diferencas) 18 de out · 6 min de leitura [](https://mail.citeo.com.br/artigo/uso-de-ia-generativa-pelos-brasileiros) IA na prática### [Uso de IA generativa pelos brasileiros: o que dizem as pesquisas](https://mail.citeo.com.br/artigo/uso-de-ia-generativa-pelos-brasileiros) 18 de out · 5 min de leitura