Agentes de codificação de IA geram mais código, mas não mais software

Artigo original ↗ Discussão no Hacker News ↗

Agentes de codificação de IA estão aumentando dramaticamente a quantidade de código e testes que engenheiros conseguem gerar, mas muitos argumentam que isso não está se traduzindo em mais software de alta qualidade e realmente entregue nas empresas. Os comentários apontam para gargalos humanos como revisão de código, requisitos अस्पष्टos, processo organizacional e a dificuldade de validar mudanças escritas por IA em escala — especialmente em ambientes grandes, regulados ou legados. Ao mesmo tempo, vários observam um crescimento real em ferramentas pessoais e de pequena escala construídas com IA, sugerindo que a principal restrição é menos a tecnologia e mais como as organizações escolhem estruturar e governar o trabalho de software.

Efeito na produtividade e em “mais software”

  • Muitos relatam escrever muito mais código e pequenas ferramentas, especialmente para projetos pessoais e homelabs. Coisas que pareciam “não valer o esforço” agora se tornam viáveis.
  • Nas empresas, os ganhos líquidos percebidos de throughput são modestos: codificação é uma pequena fração do tempo de engenharia; design, análise e coordenação dominam.
  • Alguns argumentam que os dados do estudo vinculado (majoritariamente de 2025) subestimam modelos mais novos; outros dizem que as capacidades não mudaram de forma significativa os gargalos.

Revisão de código e gargalo de qualidade

  • Há forte consenso de que a revisão, e não a velocidade de digitação, é agora um dos principais gargalos.
  • As opiniões se dividem:
    • Alguns acham a revisão tradicional linha por linha tediosa e querem muita automação ou até pular isso para mudanças “não sérias”.
    • Outros insistem que a revisão é essencial para entendimento compartilhado, manutenção, responsabilização e para detectar falhas de design que testes não pegam.
  • Modelos híbridos estão surgindo: humanos focam em arquitetura e intenção; agentes fazem a primeira passada de lint, verificações de correção e análises de desempenho/segurança.

Testes, ferramentas e manutenção

  • Agentes geram grandes volumes de testes e comentários, muitas vezes prolixos, repetitivos e de caixa branca.
  • Preocupações: “test slop” consumindo recursos de CI, testes codificando bugs existentes como “corretos” e dificuldade de triagem quando centenas falham de uma vez.
  • Alguns usam agentes para auditar e refatorar suítes de testes, com resultados mistos, mas às vezes impressionantes.

Especificações, design e intenção

  • Tema recorrente: a IA é fraca em validar intenção e UX; é forte em correção local se os requisitos forem explícitos.
  • Há pedidos por especificações melhores escritas por humanos, BDD/user stories e desenvolvimento e revisão orientados por especificações. Outros alertam que grandes especificações iniciais historicamente falharam e que a iteração ainda importa.
  • Preocupação com “IA até o fim”: requisitos gerados por IA → especificações → testes → código → revisões, sem nenhum humano realmente entendendo o sistema.

Uso pessoal vs. empresarial

  • Muitas anedotas sobre projetos solo/secundários, ferramentas personalizadas e até complexos harnesses de agentes que “nunca teriam existido” antes dos agentes.
  • Equipes empresariais relatam ganhos mais lentos devido a processos legados (Jira, longos backlogs, risco/compliance, política) e ao hype da liderança exigindo velocidade irrealista.

Fatores culturais e organizacionais

  • Há amplo acordo de que codificar nunca foi o principal gargalo; comunicação, visão de produto e processo são.
  • A IA atua como um multiplicador de força: equipes disciplinadas ficam mais rápidas e melhores; equipes “cowboy” ou teatrais de processo só produzem mais lixo de baixa qualidade.
  • Questões em aberto: como substituir/reformular a revisão de código, até que ponto confiar em agentes autônomos e se as práticas atuais conseguem escalar com “código infinito e barato”.