A IA Generativa está transformando a Engenharia de Software. Mas a narrativa correu mais rápido do que as evidências. Alegações de marketing, casos de sucesso anedóticos e estudos mal interpretados deram origem a um conjunto de mitos persistentes que, silenciosamente, vêm guiando decisões ruins sobre adoção de IA, escolha de ferramentas e formas de medir o sucesso.

Neste post, examinamos oito das concepções equivocadas mais comuns sobre o tema, com base em estudos de larga escala, entrevistas e observações de campo. O objetivo não é ceticismo: é oferecer a profissionais, líderes técnicos e gestores de Engenharia de Software um retrato mais claro e fundamentado em pesquisa e dados, para que as decisões sobre IA sejam ancoradas em evidências e não apenas em entusiasmo.

Boa leitura.

Mito 1: Desenvolvedores Passam a Maior Parte do Tempo Escrevendo Código

Engenharia de Software é uma atividade altamente exigente, que envolve criatividade, longos períodos de foco e muita colaboração. E, surpreendentemente, relativamente pouco tempo digitando código. Software não é escrito no vácuo: desenvolvedores dividem o dia entre trabalho individual e atividades em grupo, como reuniões, planejamento e revisões de código.

Diversas pesquisas analisaram como desenvolvedores realmente usam o tempo e os resultados são consistentes: codificar não é a atividade dominante. Um estudo de 2025 com mais de 450 engenheiros da Microsoft mostrou que apenas cerca de 14% do tempo é gasto escrevendo código, em linha com pesquisas anteriores. Um desses estudos identificou que, em um “bom” dia de trabalho, engenheiros dedicavam 18% do tempo à codificação; em um dia “ruim”, apenas 11%. A margem entre um bom e um mau dia é estreita.

Como resumiu um desenvolvedor entrevistado em um estudo da Microsoft sobre uso de IA: no nível dele, grande parte do tempo vai para design e reuniões, e a fração da semana efetivamente gasta codificando parece pequena, o que impõe um teto natural ao quanto da função pode ser auxiliado por uma ferramenta de geração de código.

Mito 2: Escrever Código é o Gargalo

Se desenvolvedores gastam apenas cerca de 15% do tempo no editor, mesmo uma IA que dobrasse a velocidade de codificação melhoraria a produtividade total em menos de 15%. Os outros 85% do trabalho permanecem intocados ou com ganhos relativamente baixos.

Pior: acelerar a produção de código sem tratar as etapas ao redor (design, compreensão de código legado, configuração de ambientes, etc.) pode ter consequências indesejadas. Se a IA permite produzir código mais rápido, a pressão simplesmente se desloca para a etapa seguinte e mais código gerado significa mais código para revisar, testar e integrar ao produto.

O ciclo de desenvolvimento é tão rápido quanto sua fase mais lenta e a codificação raramente é essa fase. Usar IA principalmente como gerador de código (embora útil para indivíduos) não é necessariamente a melhor forma de entregar software mais rápido. Essa abordagem ataca o inner loop (escrever código na IDE), mas deixa o outer loop do desenvolvimento praticamente inalterado.

Mito 3: Linhas de Código Geradas Por IA São a Melhor Métrica de Impacto

Bill Gates comparou certa vez medir produtividade de software por linhas de código a medir o progresso da construção de um avião pelo seu peso.

Já em 2014, um estudo estatístico sobre a relevância de métricas de linhas de código concluiu que a medida falha em testes básicos de validade e tem utilidade limitada. Apesar disso, uma década depois, muitas organizações continuam usando linhas de código como métrica de produtividade e, com a ascensão da IA, a métrica evoluiu para “número de linhas geradas por IA”, um indicador divulgado publicamente até por grandes empresas do setor.

Linhas de código (e outras métricas pontuais, como story points) não são estatisticamente válidas nem indicadores significativos de impacto. Pior: incentivam times a “burlar” o sistema, dificultando a avaliação de resultados reais. Em culturas organizacionais pouco saudáveis, essas métricas podem fomentar comportamentos tóxicos e corroer a confiança dos desenvolvedores. Quando há pressão para priorizar volume de código em detrimento da colaboração, a qualidade do design é comprometida, aumentando débito técnico e vulnerabilidades de segurança.

Há uma ironia aqui: esforços para acelerar a velocidade de codificação via IA podem amplificar desafios antigos da Engenharia de Software. Mais código produzido significa mais trabalho de revisão, teste e manutenção. Empresas de software não têm como objetivo maximizar a quantidade de código escrito e a avaliação do impacto da IA deveria refletir isso. Medir sucesso por volume de código distorce o objetivo real: entregar software seguro, sustentável e de alta qualidade.

Mito 4: IA Ajuda Todas as Tarefas e Todos os Engenheiros Igualmente

A pesquisa sobre ferramentas de desenvolvimento com IA Generativa apresenta resultados mistos: muitos estudos encontram ganhos expressivos de produtividade, outros encontram efeitos neutros e, recentemente, um estudo encontrou até efeito negativo. Por que tanta discrepância? Estamos usando a IA como um martelo e tratando código como prego, mas as evidências mostram que muitos fatores determinam se a IA Generativa funcionará para uma tarefa específica, da natureza da tarefa às habilidades do desenvolvedor.

Um relatório da Microsoft sobre IA e produtividade identificou que tarefas familiares e bem compreendidas geram ganhos de eficiência maiores com o Copilot do que tarefas desconhecidas. Experiência em desenvolvimento de software e experiência prévia com assistentes de IA também influenciam positivamente os resultados. Estilos de resolução de problemas e motivação importam: desenvolvedores que processam informação de forma abrangente e os que usam a tecnologia por vontade própria (e não por imposição), demonstram mais confiança ao criar prompts eficazes. Curiosamente, anos de experiência profissional correlacionam-se inversamente com a confiança em escrever bons prompts.

No mundo open source, um estudo de 2025 com desenvolvedores experientes constatou que ferramentas de IA aumentaram o tempo de implementação em 18% na média. Outros estudos indicam que a IA Generativa é mais eficaz em tarefas “código-intensivas”, como boilerplate e trabalho repetitivo, do que em tarefas criativas ou colaborativas. Até a forma de escrever o prompt pesa: um estudo mostrou que reescrever um prompt mantendo o mesmo significado semântico levou a código diferente em 46% dos casos e a mudança na correção do resultado em 28%.

Ou seja: o sucesso com IA Generativa é altamente dependente de contexto. Não existe fórmula universal.

Mito 5: A IA Vai Transformar Cada Desenvolvedor em um “10x”

Um dos mitos mais persistentes é o de que ferramentas como o GitHub Copilot ou Claude Code transformarão desenvolvedores individuais em “desenvolvedores 10x”, multiplicando dramaticamente sua produtividade.

Essa narrativa ignora a natureza colaborativa e interconectada do desenvolvimento de software no mundo real e a complexidade das tarefas reais (muitos estudos anteriores usaram exemplos muito simples, não código de produção). Estudos controlados podem mostrar ganhos impressionantes para indivíduos em tarefas isoladas, mas esses resultados raramente se traduzem diretamente para os ambientes complexos e baseados em times onde a maior parte do software é construída. O famoso “ganho de 55% de produtividade” é dependente de contexto: ganhos medidos isoladamente não capturam a coordenação, a colaboração e o compartilhamento de conhecimento essenciais à entrega de software.

Além disso, como já reportado pela literatura, boa parte da diferença de desempenho entre desenvolvedores é atribuível à tarefa em si. Um desenvolvedor que supera outro em uma tarefa não necessariamente o supera em todas, mais uma evidência de que características da tarefa, contexto e adequação importam enormemente.

Mito 6: Cabe a Cada Desenvolvedor Fazer a IA Funcionar

A maioria dos estudos atuais analisa como um Engenheiro de Software individual é potencializado por uma ferramenta de IA Generativa, colocando sobre os próprios engenheiros o fardo de gerar ganhos de produtividade. Historicamente, porém, grandes saltos de produtividade não vieram de mudanças individuais e sim de mudanças sistemáticas no nível organizacional.

Cal Newport, professor de Ciência da Computação em Georgetown, observa que otimizar sistemas para aumentar produtividade sempre foi extremamente difícil: a linha de montagem de Ford não surgiu de um insight evidente, mas de inúmeros falsos começos, experimentos incrementais e investimentos pesados. Hoje, pedimos casualmente que cada trabalhador do conhecimento conduza otimizações igualmente complexas de suas próprias “fábricas”, simultaneamente ao trabalho que tentam otimizar.

As ferramentas de IA foram frequentemente introduzidas com orientação mínima. A IA Generativa talvez seja uma das primeiras tecnologias em que organizações investiram milhões em licenças sem compreender claramente como maximizar seu valor. Os casos de uso emergem organicamente, de baixo para cima, enquanto pesquisadores correm para identificar boas práticas. A ausência dos ganhos dramáticos que muitos esperavam sugere que acesso, sozinho, não basta: é preciso repensar sistemas e processos de Engenharia de Software no nível organizacional, criando ambientes onde desenvolvedores alcancem maior impacto dentro de um ecossistema mais produtivo.

Mito 7: Ferramentas de IA de Alto Desempenho Serão Adotadas Automaticamente

Assumir que engenheiros adotarão ferramentas de IA simplesmente porque elas melhoram seu desempenho ignora uma teia complexa de barreiras sociais, organizacionais e cognitivas.

Pesquisas recentes mostram que desenvolvedores enfrentam uma “penalidade de competência” ao usar IA, recebendo avaliações mais duras por trabalho assistido por IA mesmo quando o resultado é idêntico. Confiança também é um problema: cerca de 80% dos desenvolvedores usam essas ferramentas, mas apenas 29% confiam em sua precisão e muitos relatam gastar mais tempo depurando a saída da IA do que gastariam escrevendo o código. Isso mina os ganhos prometidos e adiciona carga cognitiva.

Além disso, as ferramentas de IA frequentemente não se integram bem aos fluxos de trabalho existentes. Desenvolvedores já sobrecarregados podem não ter tempo nem apoio organizacional para aprender novas ferramentas, sobretudo quando elas não resolvem suas dores reais. Preocupações éticas (do impacto ambiental à procedência dos dados de treinamento) também pesam, assim como o medo de perda de habilidades (de-skilling) e de substituição. No fim, adoção não é só uma questão de qualidade da ferramenta: é uma questão de confiança, contexto e experiência humana do trabalho.

Mito 8: Com IA Generativa, Grandes Empresas Podem Inovar na Velocidade de Startups

A IA Generativa criou uma suposição comum: se uma startup pequena consegue lançar funcionalidades rapidamente, por que uma grande empresa não conseguiria? Embora a IA acelere o desenvolvimento de modo geral, diferenças estruturais tornam essa comparação enganosa.

Startups normalmente constroem sobre componentes open source e frameworks amplamente documentados, recursos fortemente representados nos dados de treinamento dos grandes modelos de linguagem. Sistemas corporativos, em contraste, dependem de ferramentas proprietárias e bases de código legadas que os modelos nunca viram. Além da complexidade técnica, grandes empresas operam sob exigências de compliance, segurança, privacidade e regulação que só se aplicam em escala, restrições que a maioria das startups jamais enfrenta.

A IA Generativa também rende melhor em cenários greenfield, enquanto software corporativo precisa manter compatibilidade retroativa e integrar-se a milhares de sistemas internos e ferramentas de terceiros. Os objetivos divergem: startups priorizam velocidade até o MVP e iteração rápida; empresas equilibram velocidade com confiabilidade, segurança e obrigações contratuais. As expectativas dos clientes também são diferentes: startups podem lançar versões alfa com bugs e contar com a tolerância dos early adopters; clientes corporativos esperam soluções polidas e prontas para produção, e contratos e reguladores exigem isso.

A IA pode ajudar startups e grandes empresas a se moverem mais rápido, mas as realidades estruturais garantem que elas nunca operarão sob as mesmas condições. A velocidade é visível; a complexidade, não.

Conclusão

Os mitos explorados neste post revelam o quão complexo é o impacto da IA Generativa na Engenharia de Software. Ferramentas de IA podem acelerar certas tarefas, mas seus benefícios são frequentemente exagerados ou mal compreendidos, especialmente quando se trata de como desenvolvedores realmente usam o tempo, do que significa produtividade e de como melhorias em uma parte do fluxo criam novos desafios em outra.

As evidências mostram que contexto importa: tipo de tarefa, experiência do desenvolvedor, dinâmica do time e sistemas organizacionais moldam os resultados da adoção de IA. Linhas de código e velocidade, isoladamente, são proxies ruins de progresso real. Em última análise, extrair o valor pleno da IA na engenharia de software exige ir além do hype e das métricas simplistas, e focar nos objetivos maiores: construir software seguro, sustentável e de alta qualidade.

Adaptado do artigo “Eight Myths on Software Engineering and GenAI“, de Jenna Butler, Brian Houck, Margaret-Anne Storey, Travis Lowdermilk, Steven Clarke e Emerson Murphy-Hill, publicado na ACM Queue (2026).

Equipe DSA