A programação com agentes está a mudar a força de trabalho de engenharia, mas não como pensas

90% das empresas da Fortune 100 usam agora o GitHub Copilot.¹ A Gartner prevê que 90% dos engenheiros de software empresariais usem assistentes de código com IA até 2028, contra menos de 14% no início de 2024.² A curva de adoção é vertical.

Mas a conversa está presa na pergunta errada. Toda a gente pergunta “quanto mais rápidos são os engenheiros, individualmente?” quando devia perguntar “o que muda naquilo que a minha organização de engenharia consegue assumir?”

Eis a mudança: uma equipa de 14 que antes tratava de uma vertical de produto pode agora precisar de apenas 3 para manter o mesmo output. Isso não quer dizer que despedes 11 pessoas. Quer dizer que, de repente, tens 11 engenheiros disponíveis para prioridades que estavam encalhadas no backlog. O limite do que a tua empresa consegue construir acabou de mudar.

A engenharia é o terreno de prova ideal para isto. Ao contrário da geração de conteúdo ou do apoio ao cliente, temos ciclos de feedback duros. O código compila ou não compila. Os testes passam ou falham. As funcionalidades saem ou não saem. As alucinações são apanhadas na revisão do PR, não publicadas aos clientes. Isto faz da engenharia um dos domínios de menor risco para integrar IA, e um dos mais fáceis de medir como deve ser.

A produtividade individual é uma distração

Os estudos pintam um quadro confuso ao nível individual. O rigoroso ensaio da METR, de julho de 2025, concluiu que programadores experientes completaram tarefas 19% mais devagar com ajuda de IA, enquanto acreditavam ser 20% mais rápidos.³ A McKinsey concluiu o contrário: os programadores assistidos por IA completaram código novo quase duas vezes mais depressa.⁴

As duas coisas podem ser verdade. Programadores juniores em bases de código desconhecidas veem ganhos de 26-39%. Programadores seniores a trabalhar em sistemas que construíram veem um dígito ou nada. A variação depende da tarefa, da base de código e da competência com as ferramentas.

Mas esta é a moldura errada. Os números de produtividade individual dizem-te muito pouco sobre o que importa: a capacidade da tua organização de entregar ROI.

Isso costumava escalar de forma linear com o número de pessoas. Querias mais output, contratavas mais gente. A IA muda a equação. Se três engenheiros conseguem agora entregar o que catorze entregavam, não melhoraste só a produtividade: libertaste capacidade. A questão passa a ser: o que fazes com ela?

A narrativa da substituição falha o ponto

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 Ainda 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 pôs o Devin AI a tratar de tarefas rotineiras, mantendo a equipa de engenharia de 12 000 pessoas.⁶ O CIO descreveu-o como engenheiros a definir problemas e a supervisionar o output dos agentes, e não a serem substituídos por eles.

A força de trabalho não está a encolher. Está a ser realocada. Os engenheiros seniores já não se limitam a gerar o seu próprio output: lideram uma equipa de agentes de IA para concluir um projeto. O papel passou de contribuidor individual a orquestrador: definir o problema, dirigir os agentes, rever o output, tratar do trabalho verdadeiramente criativo. A capacidade libertada vai para iniciativas que antes estavam limitadas por falta de recursos.

É esta a conversa que temos com líderes de engenharia na Europa e nos EUA. Ninguém pergunta “quantas pessoas posso cortar?” Perguntam “o que podemos assumir agora que antes não podíamos?”

A lacuna de medição

Eis o problema: a maioria das organizações não consegue ver isto com clareza.

O DORA Report de 2024 concluiu que, à medida que a adoção de IA aumentava, o débito de entrega até diminuía ao nível organizacional, com uma queda de 7% na estabilidade das entregas.⁷ As métricas de atividade individual disparam, como PRs integrados e tarefas concluídas, enquanto os resultados organizacionais ficam iguais ou pioram.

Os indicadores antigos (story points, velocity, linhas de código) já eram duvidosos. Agora induzem em erro. Um engenheiro a despejar o dobro dos PRs não ajuda se o tempo de revisão duplica e a taxa de bugs sobe.

Já escrevi antes sobre o desafio de responder a “O que produziu, afinal, aquele investimento de £20M em engenharia?” A IA torna isto mais difícil e mais importante ao mesmo tempo.

O que falta é a ligação entre o output individual e a capacidade organizacional, o desafio central da Workforce Engineering. Precisas de ver as duas coisas: quem está a tirar valor das ferramentas de IA e como isso se traduz no que as tuas equipas conseguem entregar em conjunto. É na correlação entre os ganhos individuais e os resultados ao nível macro que está a perceção.

É isto que estamos a construir na Flowstate. Registamos 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 tua organização, e não apenas o débito individual.

Os custos da IA exigem o mesmo rigor que os custos da cloud

A outra dimensão que ninguém está a acompanhar como deve ser: a despesa com IA é baseada no uso, tal como a computação na cloud. E todos nos lembramos do que aconteceu quando as empresas adotaram a cloud sem governação.

Prevê-se que a despesa mensal média com IA suba 36% de um ano para o outro.⁸ A maioria das organizações diz que os custos dos agentes superaram as expectativas. Quase metade aponta os “runaway tool loops” como a causa dos estouros de orçamento.

Falei da dinâmica de preços em A lei de Moore para a IA está oficialmente morta: os preços dos modelos de fronteira estão a subir, não a descer, e as ferramentas construídas por cima estão todas a passar para preços baseados no uso, porque as subscrições de preço fixo se tornaram insustentáveis.

O consumo de tokens tem de estar ao lado do output de engenharia, na mesma vista. Caso contrário, não consegues responder à pergunta básica: a despesa com IA está a gerar ganho de capacidade suficiente para justificar o custo?

A nossa investigação na Flowstate mostra que isto está a tornar-se crítico para a Workforce Engineering. Não consegues prever pessoas nem orçamento sem perceber como a despesa com IA escala com a atividade das equipas. As empresas que tratam os custos de IA como uma linha de despesa a posteriori vão ter surpresas. As que os integrarem na Workforce Engineering vão ver as trocas com clareza.

Ligar a despesa aos resultados

Quando a despesa com IA se liga diretamente aos resultados de negócio, a conversa sobre o ROI torna-se simples.

Não estás a justificar o custo das ferramentas isoladamente. Estás a mostrar: “Esta equipa libertou 40% de capacidade com ferramentas de IA. Realocámo-la para o projeto de modernização dos pagamentos. Entregou-se dois trimestres mais cedo. Aqui está o impacto na receita.”

A perceção que importa não é “somos mais produtivos?” É “como deve mudar o nosso planeamento de pessoas, dado o que a IA permite?”

Se as tuas equipas conseguem mesmo entregar mais com o mesmo número de pessoas, tens opções. Apostar a fundo no roadmap. Assumir oportunidades adjacentes. Construir as funcionalidades que foram sempre despriorizadas. O limite foi sempre a capacidade. A IA muda o limite.

As empresas que conseguirem ver isto, medindo a produtividade individual e a capacidade organizacional e os custos de IA numa vista unificada, vão tomar melhores decisões de alocação. Vão perceber onde o investimento em IA compensa e onde não. Vão ajustar de forma dinâmica, em vez de planear por intuição.

Olhando para 2026

O panorama de 2026 vai ser definido por quem percebeu a medição em 2025.

As ferramentas de programação com IA vão ser o mínimo exigido. A diferenciação vai vir da adoção estruturada, da governação que evita estouros de custos e de sistemas de medição que ligam o investimento em IA à capacidade organizacional, e não apenas ao débito individual.

A força de trabalho vai continuar a remodelar-se em torno de engenheiros como definidores de problemas e supervisores de output, com a IA a tratar do trabalho mecânico. As equipas que investirem agora na formação vão ter engenheiros capazes de tirar partido das ferramentas. As que não investirem vão queimar tokens sem ganhos de capacidade.

O dinheiro inteligente está em fazer mais com a tua organização de engenharia, não menos. Mas só se conseguires ver com clareza o que a IA permite de facto.

É para isso que estamos a trabalhar.

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 ↩