O avanço no desenvolvimento dos LLMs (também conhecidos como grandes modelos de linguagem), como ChatGPT, GPT-5 e afins, e no processamento de linguagem natural (PLN) possibilitou, como tem sido possível observar, uma série de aplicações práticas, seja no dia a dia das pessoas seja em processos corporativos, acadêmicos e industriais.
No atual contexto, é também graças a estes avanços que a utilização de IA generativa para codificação é possível: ela se utiliza de algoritmos de deep learning e grandes redes neurais treinadas a partir de vastos conjuntos de dados de diversos códigos-fonte existentes.
Assim, profissionais da área, como programadores, inserem prompts em texto simples, com a descrição daquilo que desejam que o código faça e, desta forma, as ferramentas de IA generativa sugerem trechos de códigos ou funções completas, conferindo maior celeridade ao processo de codificação – assumindo tarefas repetitivas e reduzindo o trabalho manual.
–
Entre no Canal do WhatsApp do Canaltech e fique por dentro das últimas notícias sobre tecnologia, lançamentos, dicas e tutoriais incríveis.
–
No entanto, apesar de aparentes ganhos em termos de produtividade e tempo possibilitados por esses modelos, a escrita de linhas de código talvez não represente, de fato, o maior gargalo na engenharia de software: são os processos que impulsionam a qualidade de um código que representam, de fato, um desafio.
Neste artigo, vou discorrer mais sobre o impacto da IA no desenvolvimento de código – e como, novamente (e não por coincidência), trata-se de um trabalho conjunto de humanos e máquinas. Acompanhe a leitura!
Ganhos de produtividade e tempo, com novos desafios
Em primeiro lugar, é bastante relevante ratificar: os LLMs entregam um valor real em processos como prototipagem, construção de códigos-base e automação. Ao possibilitarem uma economia de tempo – com uma geração de código mais rápida –, por exemplo, permite que profissionais se concentrem em trabalho de maior importância. Paralelamente, também otimiza a realização testes e depuração de códigos, além de tornar o processo de desenvolvimento de código mais acessível para não desenvolvedores.
E esse ganho já tem sido percebido pelas organizações – com pesquisas que corroboram estas impressões. Um estudo do GitHub, por exemplo, mostrou e relatou um ganho de 55% em produtividade a partir do uso de IA por programadores; já a McKinsey descobriu que estes profissionais podem concluir tarefas na metade do tempo quando assistidos por uma ferramenta de IA generativa.
A questão em discussão, contudo, é outra. Apesar de uma real entrega de valor por parte dessas ferramentas, os modelos atuais não dispensam a necessidade de um pensamento claro e uma revisão cuidadosa. Isso porque, ao contrário do que se possa pensar, códigos produzidos a partir de IA generativa e tecnologias congêneres, por mais precisos que sejam, podem conter falhas e, portanto, devem passar por um processo de refinação – que, por enquanto, ainda exige a presença humana.
Implantação rápida = dívida técnica?
Em linhas gerais, entendo que a utilização de LLMs e afins no dia a dia das empresas deve seguir a mesma lógica da implantação de IA no ambiente corporativo: trata-de se um processo que deve ser realizado de forma criteriosa, com o devido rigor para que gere resultados de maneira estrutural e não apenas pontual. Isso porque um uso descuidado destas ferramentas no desenvolvimento de código pode não só prejudicar a escalabilidade do negócio, mas também desestabilizar sistemas – com consequências diretas, eventualmente, para a sua operação.
Acerca dos resultados positivos dos estudos conduzidos pela GitHub e McKinsey apresentados acima, inclusive, é importante realizar uma ressalva: são consultas realizadas há dois anos, dentro de ambientes controlados. Ou seja, talvez não sejam representativos o suficiente para a realidade de hoje.
Pesquisas realizadas mais recentemente – e levando em conta, portanto, contextos atuais – acendem este alerta. Um estudo do METR, publicado em julho de 2025, buscou justamente entender em que níveis a IA acelera o trabalho de desenvolvedores de software com experiência, e os resultados foram inesperados.
Para isso, a organização sem fins lucrativos comparou a velocidade de 16 desenvolvedores trabalhando em projetos de software complexos, com e sem o suporte de IA. Após a conclusão das tarefas, descobriu-se que a inteligência artificial desacelerou os trabalhos em cerca de 20% – indo de encontro inclusive às percepções dos próprios profissionais, que estimaram que o acesso à IA havia acelerado seu trabalho na mesma medida.
A resposta técnica para isso, de acordo com a análise, parece simples: os LLMs são bons em codificação, mas não são bons o suficiente para entender exatamente o que um desenvolvedor busca e corresponder à altura a partir de um único prompt. Assim sendo, esta demanda pode exigir muitas idas e vindas, o que, no fim das contas, pode levar mais tempo do que se o profissional desenvolvesse o código sozinho.
Naturalmente, trata-se de uma amostragem específica, e não necessariamente serve para uma generalização. Além disso, as ferramentas continuam evoluindo no que diz respeito à execução de tarefas, e estudos como este são importantes justamente quais são as limitações – e como é possível contorná-las. Se no contexto em questão a IA atual é prejudicial em cenários específicos em termos de produtividade, a do dia, mês ou ano seguinte pode muito bem não ser.
Em busca de um modelo de cooperação
Os benefícios do uso de LLMs e ferramentas de IA no campo da engenharia de software claramente existem, e tendem a representar uma disrupção nos processos da área. Ao mesmo tempo, estes modelos ainda carecem de confiança e demandam a colaboração humana, sobretudo em tarefas de revisão e design, que demandam maior cuidado e que se tornam cada vez mais importantes à medida que mais e mais linhas de código são construídas.
O cenário que se desenha, portanto, não é o de um futuro em que máquinas assumem totalmente o desenvolvimento de códigos e software, mas um modelo de cooperação sofisticado, com ambas as partes – robôs e humanos – trabalhando em conjunto, cada parte contribuindo com suas melhores capacidades.
À medida que estes sistemas evoluem e se tornam mais contextuais e precisos, cabe também às organizações estruturar processos sólidos e rigorosos que permitam a integração desses recursos, corroborando pontos que tenho defendido nesta coluna. No final do dia, difere-se competitivamente aquele que não só adota novas ferramentas, mas que constrói uma estrutura que permita uma orquestração dessa parceria, a fim de construir soluções robustas e escaláveis para o negócio.
Leia a matéria no Canaltech.
