A programação com agentes está mudando a força de trabalho de engenharia, só que não do jeito que você pensa

90% das empresas da Fortune 100 já usam o GitHub Copilot.¹ A Gartner projeta que 90% dos engenheiros de software corporativos vão usar assistentes de código com IA até 2028, contra menos de 14% no começo de 2024.² A curva de adoção é vertical.

Mas a conversa está presa na pergunta errada. Todo mundo pergunta “quanto mais rápido cada engenheiro ficou?” quando deveria perguntar “o que isso muda no que a minha organização de engenharia consegue assumir?”

A mudança é esta: um time de 14 pessoas que antes cuidava de uma vertical de produto pode precisar de só 3 para manter a mesma entrega. Isso não quer dizer que você demite 11 pessoas. Quer dizer que, de repente, você tem 11 engenheiros disponíveis para as prioridades que estavam encalhadas no backlog. O limite do que a sua empresa consegue construir acabou de mudar.

A engenharia é o campo de provas ideal para isso. Diferente de geração de conteúdo ou atendimento ao cliente, a gente tem ciclos de feedback duros. O código compila ou não compila. Os testes passam ou falham. A funcionalidade vai para produção ou não vai. Alucinação é pega na revisão de PR, não publicada para o cliente. Isso faz da engenharia um dos domínios de menor risco para integrar IA, e um dos mais fáceis de medir direito.

Produtividade individual é distração

Os estudos mostram um quadro confuso no nível individual. O teste rigoroso da METR, de julho de 2025, descobriu que desenvolvedores experientes concluíram as tarefas 19% mais devagar com ajuda de IA, enquanto achavam que estavam 20% mais rápidos.³ A McKinsey encontrou o oposto: desenvolvedores com IA escreveram código novo quase duas vezes mais rápido.⁴

As duas coisas podem ser verdade. Desenvolvedores juniores em código que não conhecem ganham de 26 a 39%. Seniores trabalhando em sistemas que eles mesmos construíram ganham um dígito, ou nada. A variação depende da tarefa, do código e da habilidade com as ferramentas.

Mas esse é o enquadramento errado. Os números de produtividade individual dizem muito pouco sobre o que importa: a capacidade da sua organização de entregar ROI.

Antes isso escalava de forma linear com o número de pessoas. Você queria mais entrega, contratava mais gente. A IA muda a equação. Se três engenheiros agora entregam o que quatorze entregavam, você não só melhorou a produtividade. Você liberou capacidade. A pergunta passa a ser: o que você faz com ela?

A narrativa da substituição erra o alvo

Thomas Dohmke, CEO do GitHub: “The companies that are the smartest are going to hire more developers. If you 10x a single developer, then 10 developers can do 100x.”⁵ Ele não viu “a single company say, ‘We’ve finished everything on our backlog thanks to AI.’ If anything, AI is creating more possibilities and more work.”

A Goldman Sachs colocou o Devin AI para cuidar de tarefas rotineiras e manteve o time de engenharia de 12.000 pessoas.⁶ O CIO deles descreveu o papel dos engenheiros como definir os problemas e supervisionar o que os agentes produzem, e não como ser substituído por eles.

A força de trabalho não está encolhendo. Está sendo realocada. Os engenheiros seniores não geram mais só a própria entrega, eles lideram um time de agentes de IA para concluir um projeto. O papel passou de contribuidor individual para orquestrador: definir o problema, dirigir os agentes, revisar o resultado, cuidar do trabalho genuinamente criativo. A capacidade liberada vai para iniciativas que antes ficavam sem recurso.

É essa a conversa que temos com líderes de engenharia na Europa e nos EUA. Ninguém pergunta “quantas pessoas eu consigo cortar?”. Perguntam “o que a gente pode assumir agora que não podia antes?”

O buraco na medição

O problema é este: a maioria das organizações não enxerga isso com clareza.

O Relatório DORA 2024 descobriu que, conforme a adoção de IA aumentava, a vazão de entrega na verdade caía no nível da organização, com uma queda de 7% na estabilidade das entregas.⁷ As métricas de atividade individual disparam (PRs mesclados, tarefas concluídas) enquanto os resultados da organização ficam estáveis ou pioram.

Os indicadores antigos (story points, velocity, linhas de código) já eram suspeitos. Agora enganam ativamente. Um engenheiro que despeja o dobro de PRs não ajuda em nada se o tempo de revisão dobra e a taxa de bugs sobe.

Eu já escrevi sobre o desafio de responder “o que esses £20M de gasto em engenharia realmente produziram?”. A IA torna isso mais difícil e mais importante ao mesmo tempo.

O que falta é a ligação entre a entrega individual e a capacidade da organização, o desafio central da Workforce Engineering. Você precisa enxergar as duas coisas: quem está tirando valor das ferramentas de IA e como isso se traduz no que seus times conseguem entregar juntos. A correlação entre ganhos individuais e resultados no nível macro é onde está o insight.

É isso que estamos construindo na Flowstate. Acompanhamos a alocação de tempo por pessoa, por projeto, por trimestre, o que nos permite modelar como a adoção de IA muda a capacidade efetiva da sua organização, e não só a vazão individual.

Custo de IA exige o mesmo rigor que custo de nuvem

A outra dimensão que ninguém acompanha direito: o gasto com IA é baseado em uso, igualzinho à computação em nuvem. E todo mundo lembra o que aconteceu quando as empresas adotaram a nuvem pela primeira vez sem governança.

A projeção é que o gasto mensal médio com IA suba 36% ano a ano.⁸ A maioria das organizações diz que o custo dos agentes passou do esperado. Quase metade aponta os “runaway tool loops” como a causa do estouro de orçamento.

Falei da dinâmica de preços em A Lei de Moore da IA está oficialmente morta. Os preços dos modelos de fronteira estão subindo, não caindo, e as ferramentas construídas em cima deles estão todas migrando para preço por uso, porque a assinatura de preço fixo ficou insustentável.

O consumo de tokens precisa ficar ao lado da entrega de engenharia, na mesma visão. Senão você não responde à pergunta básica: o gasto com IA gera ganho de capacidade suficiente para justificar o custo?

A nossa pesquisa na Flowstate mostra que isso está virando algo crítico para a Workforce Engineering. Você não consegue prever headcount nem orçamento sem entender como o gasto com IA escala com a atividade do time. As empresas que tratam o custo de IA como uma linha de despesa para olhar depois vão levar susto. As que o incorporam à Workforce Engineering vão enxergar as trocas com clareza.

Ligando gasto a resultado

Quando o gasto com IA se liga direto aos resultados do negócio, a conversa sobre ROI fica direta.

Você não está justificando o custo da ferramenta isoladamente. Você está mostrando: “Este time liberou 40% de capacidade com as ferramentas de IA. A gente realocou isso para o projeto de modernização de pagamentos. Ele foi entregue dois trimestres antes. Aqui está o impacto na receita.”

O insight que importa não é “estamos mais produtivos?”. É “como o nosso planejamento de pessoal deve mudar, dado o que a IA torna possível?”

Se os seus times conseguem entregar mais de verdade com o mesmo número de pessoas, você tem opções. Apostar mais forte no roadmap. Pegar oportunidades adjacentes. Construir as funcionalidades que viviam sendo deixadas para depois. O limite sempre foi capacidade. A IA muda o limite.

As empresas que conseguem enxergar isso, medindo produtividade individual e capacidade da organização e custo de IA numa visão unificada, vão tomar decisões de alocação melhores. Vão ver onde o investimento em IA se paga e onde não. Vão se ajustar de forma dinâmica, em vez de planejar no instinto.

Olhando para 2026

O cenário de 2026 vai ser definido por quem resolveu a medição em 2025.

Ferramentas de código com IA vão ser o mínimo exigido. O diferencial vai vir de adoção estruturada, de governança que evita estouro de custo e de sistemas de medição que ligam o investimento em IA à capacidade da organização, e não só à vazão individual.

A força de trabalho vai continuar se reorganizando em torno de engenheiros como definidores de problemas e supervisores de resultado, com a IA cuidando do trabalho mecânico. Os times que investem agora em capacitação vão ter engenheiros que usam bem as ferramentas. Os que não investem vão queimar tokens sem ganho de capacidade.

O dinheiro esperto está em fazer mais com a sua organização de engenharia, não menos. Mas só se você enxergar com clareza o que a IA realmente torna possível.

É para isso que estamos construindo.

GitHub Copilot Statistics & Adoption Trends – Second Talent ↩
Gartner Says 75% of Enterprise Software Engineers Will Use AI Code Assistants by 2028 – Gartner ↩
Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity – METR ↩
Unleashing developer productivity with generative AI – McKinsey ↩
GitHub CEO says the ‘smartest’ companies will hire more software engineers – Yahoo Finance ↩
Goldman Sachs is piloting its first autonomous coder – CNBC ↩
Announcing the 2024 DORA Report – Google Cloud ↩
The State Of AI Costs In 2025 – CloudZero ↩