# Mais código, menos software Adotar agentes de código em escala aumenta volume. Linhas geradas sobem cerca de 30%. Commits sobem cerca de 20%. Pull requests sobem cerca de 23%. A resolução de incidentes e épicos — o que de fato sai como software entregue — não acompanha esse salto de forma estatisticamente relevante. O estudo de Fiona Chen e James Stratton, de Harvard, com dados agregados da Jellyfish sobre mais de 300 milhões de eventos de trabalho em mais de 700 empresas e cerca de 700 mil pessoas entre 2021 e março de 2026, deixa o descompasso visível: a eficiência na geração é absorvida pelo gargalo de revisão humana. O tempo médio entre abrir o PR e mergear sobe cerca de 49%. A parcela de PRs com pedido de alteração quase dobra. Comentários por PR sobem cerca de 35%. As empresas respondem deslocando cerca de 14% a mais do time para revisar. Ferramentas de revisão assistida por IA já estão em cerca de 80% das firmas medidas; mesmo assim, agentes respondem só cerca de 23% dos comentários de review e cerca de 11% dos PRs. O grosso do trabalho de inspeção continua com pessoas. Gerar código mais rápido não encurta sozinho o ciclo de entrega. O que entra em produção ainda passa por quem confere intenção, risco e efeito colateral — e esse passo não escalou na mesma proporção do volume gerado. Medir só commits ou linhas cria a impressão de progresso enquanto a fila de revisão engorda e o throughput de issues resolvidas fica parado. O indicador que importa para o negócio continua sendo o que sai validado, não o que o agente produziu na branch. --- ## O mecanismo por trás do número O fenômeno tem nome na literatura de sistemas: deslocamento de gargalo. Quando você acelera uma etapa de um fluxo, o gargalo se move para a próxima restrição. O estudo de Harvard quantifica isso para o contexto de agentes de código. Um engenheiro entrevistado resumiu o problema de forma direta: "Conseguíamos escrever código mais rápido em alguns casos, mas só existe um gargalo por vez. Se você acelera a codificação, o gargalo se desloca para outro lugar". A revisão de código é uma etapa que resiste à automação porque exige julgamento. O agente entrega sintaxe correta. O humano precisa avaliar se aquela sintaxe respeita a intenção do sistema, se não viola uma restrição arquitetural, se não introduz um acoplamento que vai doer seis meses depois. Esse tipo de avaliação não escala com volume da mesma forma que a geração. Há um dado complementar no mesmo estudo que reforça o ponto. Embora 95% das empresas já tenham adotado agentes de código até março de 2026, o estudo não encontrou mudança estatisticamente significativa no emprego total. O que houve foi uma redistribuição: 14% mais pessoas puxadas para revisão. A conta da produtividade não aparece como redução de custo. Aparece como mudança de tarefa. --- ## Por que a automação da revisão não fecha a lacuna A resposta intuitiva seria usar IA para revisar o que a IA gerou. Os números mostram que isso ainda é marginal. Apenas 23,3% dos comentários de review vêm de agentes, e apenas 10,8% dos PRs são tocados por eles. A explicação está na assimetria de dificuldade: gerar código é uma tarefa de pattern matching em escala. Revisar código é uma tarefa de avaliação contextual. O agente que escreveu o código tem o mesmo viés do agente que poderia revisá-lo. Um não substitui o julgamento que o outro não tem. O estudo também documentou que as empresas não encontraram uma forma de compensar o gargalo com contratação ou redistribuição. O aumento de 14% na alocação de revisores foi a resposta encontrada, mas ela não resolveu o problema de throughput de issues resolvidas. --- ## O que fazer com esse dado A primeira implicação é que medir produtividade por volume de código produz uma leitura errada. O indicador que importa é o que sai do outro lado do funil: issues resolvidas, épicos entregues, software em produção que funciona. A segunda é que investir em geração sem investir em revisão é acelerar uma etapa que já não era o gargalo. O ganho desaparece na fila. O estudo sugere que empresas que redesenham o processo de revisão — com triagem por risco, automação de verificações mecânicas, e foco humano no que realmente precisa de julgamento — conseguem absorver o volume extra sem que a fila cresça na mesma proporção. A terceira é que o ganho de geração não é fictício. Ele existe. O problema é que ele não chega ao negócio porque o sistema de entrega não foi redesenhado para absorvê-lo. O estudo de Harvard não diz que agentes de código não ajudam. Diz que o ganho de geração se perde quando a revisão e a decisão de merge permanecem no mesmo desenho de antes — só que com mais volume passando pela mesma porta. --- > Quem quiser aprofundar o tema de forma estruturada — do contexto à governança de agentes — encontra o assunto tratado na coleção **Engenharia de Software Assistida por IA**. > > * Cupom de 30% OFF nos eBooks: `LEIA30` > * Disponível também no Kindle Unlimited %[https://livro-engenharia-de-software-assistida-por-ia.aspepper.workers.dev/?utm_source=hashnode&utm_medium=article&utm_campaign=serie_ia] --- ## Fontes da Pesquisa 1. **Ars Technica — AI coding agents generate more code, but not more software** (outubro/2026) — Chen, F.; Stratton, J. (Harvard) com dados Jellyfish. 300 milhões de work events, 700+ empresas, 700 mil funcionários, 2021 a março de 2026. Agentes aumentam linhas em 30%, commits em 20%, PRs em 23%. Tempo PR → merge sobe 49%. PRs com changes requested quase dobram. Comentários por PR sobem 35%. 14% mais trabalhadores alocados em review. AI review tools presentes em 80% das firmas, mas responsáveis por 23,3% dos comentários e 10,8% dos PRs. Sem mudança estatisticamente significativa em emprego total. 2. **Hardware.com.br — IA faz empresas produzirem 30% mais código, mas não acelera entrega** (outubro/2026) — Cobertura em português do estudo. Confirma os números: +30% linhas, +20% commits, +23% PRs. Taxa de resolução de issues e épicos sem mudança significativa. 95% das empresas adotaram agentes até março/2026. 3. **Yahoo Tech — AI Coding Agents Write 30% More Code - and Resolve Zero Additional Issues** (outubro/2026) — Cobertura do working paper "Artificial Intelligence in the Firm: Bottlenecks in Software Production". 718 empresas, 725 mil trabalhadores. Tempo de review +49%, aumento médio de 3,45 dias. PRs com revisão quase dobram. 14% mais workers puxados para review. Citação de engenheiro sênior: "Só existe um gargalo por vez. Se você acelera a codificação, o gargalo se desloca". 4. **Forkast News — AI Coding Agents Write 30% More Code - and Resolve Zero Additional Issues** (outubro/2026) — Análise do estudo. 80% das firmas usam AI review, mas apenas 23% dos comentários são gerados por IA. 10,8% dos PRs. Conclusão: "Perceber os benefícios da adoção de IA requer investimentos complementares em capacidade de review downstream, não simplesmente aumentar a produção de código". 5. **t3n.de — Laut Harvard-Studie: Warum Software-Entwickler durch KI nicht wirklich produktiver sind** (outubro/2026) — Cobertura alemã com dados qualitativos. Entrevistas com 21 profissionais. Um líder de desenvolvimento: "Com Claude Code, escrevo um rascunho em 2 segundos que está correto em 90% dos casos. Em tarefas técnicas mais exigentes, não economiza tanto tempo — comete erros e você acaba gastando mais tempo revisando". Um desenvolvedor júnior: "A IA faz 95% da tarefa. Os 5% restantes são descobrir o que ela fez de errado e corrigir". 6. **UA.News — 研究:AI代理使代码量增加30%,但未提高软件发布量** (outubro/2026) — Cobertura em chinês. Confirma os mesmos números do estudo de Harvard. 95% das empresas adotaram agentes até março/2026. 7. **IT-Boltwise — KI-Coding Agents erzeugen mehr Code, aber nicht mehr Software** (outubro/2026) — Análise técnica do estudo. Enquadra o resultado como padrão conhecido de automação: "Automatização frequentemente desloca o gargalo em vez de eliminá-lo". Cita o "compositional shift" ausente nas issues do Jira. 8. **ACM — AI Didn't Make Programming Easier. It Just Made It Differently Difficult** (julho/2026) — Ensaio que enquadra o deslocamento como transformação cognitiva: de recall ("Como escrevo isso?") para judgment ("Isso faz sentido?"). A carga cognitiva não desaparece — ela se muda da recuperação para o raciocínio. --- \#EngenhariaDeSoftware \#IA \#InteligenciaArtificial \#Productivity \#CodingAgents \#SoftwareEngineering \#DevOps \#GovernancaIA \#EngenhariaDeSoftwareAssistidaPorIA