O avanço de ferramentas de programação com inteligência artificial está levando empresas a revisar como medem a produtividade de desenvolvedores. Embora agentes como Claude Code, Cursor e Codex permitam gerar mais código, relatórios citados pela TechCrunch indicam que parte relevante desse material precisa ser refeita nas semanas seguintes, o que reduz o ganho efetivo de desempenho. O debate ocorre em meio à expansão do chamado “tokenmaxxing”, termo usado para descrever a valorização de orçamentos elevados de tokens, isto é, da capacidade de processamento de IA disponível para cada profissional.
De acordo com informações da TechCrunch, gestores de engenharia têm observado taxas de aceitação de código gerado por IA entre 80% e 90%, mas esse indicador não captaria a revisão posterior exigida por parte desse conteúdo. Segundo Alex Circei, CEO e fundador da Waydev, a taxa de aceitação no uso real cairia para algo entre 10% e 30% do código gerado quando se considera o retrabalho feito depois.
Por que medir tokens não equivale a medir produtividade?
O argumento central da reportagem é que tokens representam um insumo do processo, e não o resultado final. Em outras palavras, autorizar mais consumo de IA pode ampliar o volume de código produzido, mas isso não significa, necessariamente, maior eficiência da equipe. Para empresas interessadas em retorno operacional, o dado relevante seria a qualidade e a permanência desse código, e não apenas a quantidade inicialmente aprovada.
A Waydev, fundada em 2017 para atuar com análises de produtividade de desenvolvedores, reformulou sua plataforma nos últimos seis meses para acompanhar a disseminação das ferramentas de codificação acelerada. A empresa afirma trabalhar com 50 clientes que reúnem mais de 10 mil engenheiros de software e agora lança recursos para rastrear metadados gerados por agentes de IA, com foco em qualidade e custo.
O que os relatórios do setor mostram sobre churn de código?
Os dados citados na reportagem apontam uma tendência semelhante em diferentes empresas de análise de engenharia: mais código está sendo escrito, mas uma parcela desproporcional não permanece. A expressão “code churn” é usada para indicar esse movimento de revisão, exclusão ou reescrita do que foi produzido.
Entre os levantamentos mencionados, estão:
-
um relatório da GitClear, publicado em janeiro, segundo o qual usuários regulares de IA apresentaram churn de código 9,4 vezes maior do que profissionais que não usavam essas ferramentas;
-
um relatório de março de 2026 da Faros AI, baseado em dois anos de dados de clientes, que apontou aumento de 861% no churn de código em cenários de alta adoção de IA;
-
um levantamento da Jellyfish com 7.548 engenheiros no primeiro trimestre de 2026, segundo o qual profissionais com maiores orçamentos de tokens geraram mais pull requests, mas com ganho de produtividade que não cresceu na mesma proporção do custo.
No caso da Jellyfish, a conclusão destacada foi que esses engenheiros alcançaram o dobro de vazão, mas a um custo de tokens dez vezes maior. A leitura apresentada é que as ferramentas estariam ampliando volume, e não necessariamente valor.
Como essa mudança afeta equipes de engenharia?
Segundo a reportagem, desenvolvedores relatam aumento na carga de revisão de código e no acúmulo de dívida técnica, mesmo com a sensação de maior liberdade proporcionada pelas novas ferramentas. Um dos padrões observados é a diferença entre profissionais seniores e juniores: os mais jovens tenderiam a aceitar mais código gerado por IA e, como consequência, enfrentariam maior necessidade de reescrita posterior.
Ao mesmo tempo, a matéria observa que grandes empresas seguem tentando entender como extrair retorno mais eficiente dessas plataformas. Um exemplo citado é a aquisição da DX pela Atlassian por US$ 1 bilhão no ano passado, em movimento voltado a ajudar clientes a medir o retorno sobre investimento em agentes de codificação.
Há perspectiva de recuo no uso de IA para programar?
Apesar das limitações apontadas, a expectativa descrita no texto não é de abandono dessas ferramentas. A avaliação de Circei é que o setor entrou em uma nova fase de desenvolvimento de software, na qual a adaptação se tornou inevitável para as empresas.
“This is a new era of software development, and you have to adapt, and you are forced to adapt as a company. It’s not like it will be a cycle that will pass.”
A partir dos dados reunidos por empresas de analytics, a discussão deixa de ser apenas quanto código a IA consegue produzir e passa a incluir quanto desse conteúdo continua útil após revisão, manutenção e uso prático. Nesse contexto, o debate sobre produtividade tende a se concentrar menos no consumo de tokens e mais na durabilidade do resultado entregue.
