Codar com IA é mais rápido? O custo real que ninguém mediu

O problema real de depender da IA para codar

Você já sentiu que escreve mais código com IA, mas passa o dobro do tempo arrumando o que ela gerou? Esse incômodo virou dado concreto. Em 2025, pesquisadores descobriram que desenvolvedores que usavam IA reportavam ganho de produtividade, mas na prática estavam mais lentos. Eles gastavam tempo extra corrigindo erros, ajustando prompts e esperando a ferramenta responder.

Agora, em 2026, o laboratório METR tentou replicar o experimento. Não conseguiu. Nenhum desenvolvedor aceitou participar porque não querem trabalhar sem IA, nem para um teste controlado. O resultado foi um estudo alternativo baseado em autopercepção, onde os devs disseram que a IA dobrava seu valor. O problema é que evidências objetivas mostram o contrário.

O Fato: tokenmaxxing e orçamentos estourados

Gente da Amazon e Uber queimou verba de IA em 2026 sem ganho mensurável. Amazon eliminou o ranking interno de tokens depois que funcionários começaram a usar agentes de IA de forma exagerada para inflar métricas. Uber gastou todo o orçamento anual de IA em quatro meses. O COO da Uber admitiu em podcast que não houve aumento perceptível em projetos ou produtividade.

Tokenmaxxing, ou usar volume de tokens como proxy de produtividade, virou moda e já mostrou ser furada. Mais código gerado não significa mais valor entregue.

Como funciona na prática (visão de operador)

A IA acelera a geração inicial, mas cada linha vem com custo de revisão. Uma empresa de ferramentas de revisão de código, Code Rabbit, analisou pull requests de código aberto e descobriu que código gerado por IA produz 1,7x mais problemas que código humano. O fundador da Entelligence AI afirma que empresas gastam 44% dos seus tokens corrigindo bugs gerados pela própria IA.

Isso não é coincidência. A arquitetura de modelos de linguagem favorece fluência, não correção lógica. Eles geram código que parece certo, mas falha em bordas e dependências. O custo de inferência é baixo por token, mas o custo de manutenção explode.

O que isso muda na prática

Se você constrói ou usa IA para codar, precisa ajustar duas coisas agora. Primeiro, crie um sistema de qualidade específico para código gerado por IA, como faria com qualquer estagiário. Segundo, não confie em métricas de produtividade baseadas em volume de tokens. Meça entregas reais, deploys, bugs em produção, não apenas linhas geradas.

O programador James Shore resumiu bem: você escreve código duas vezes mais rápido? Então precisa ter certeza de que reduziu pela metade os custos de manutenção. Senão, trocou um ganho temporário por uma dívida permanente.

A tensão que não dá para ignorar

A pergunta que fica é: a IA resolve o gargalo da escrita de código, mas move o gargalo para a manutenção? Todas as evidências indicam que sim. Enquanto o custo de gerar código cai, o custo de entender e corrigir o que foi gerado sobe. E como ninguém quer parar de usar IA, a solução proposta é usar ainda mais IA para consertar os próprios erros. O fundador do Devin, Scott Wu, admite que o agente dele hoje é nível junior para pleno. Não é um sistema autônomo.

Pesquisadores da Singapore Management University sugerem algo mais humano: aprenda a reconhecer onde a IA falha, assim como você conhece sua linguagem favorita. E mantenha humanos responsáveis pela arquitetura e segurança.

Isso escala? Depende. Se o custo de revisão continuar crescendo na mesma proporção, talvez o ganho líquido seja zero. A diferença é que agora você está preso a ferramentas que não consegue largar.

Fechamento

Não dá para abrir mão da IA, mas também não dá para fingir que o custo não existe. O próximo passo é medir o impacto real na entrega, não apenas no volume de tokens. Quem fizer isso antes vai sair na frente.