A AI gera mais do que seu time de Engenharia absorve
Por que acelerar a geração de código não destravou a entrega, e onde o gargalo foi parar
Um time hoje gera uma spec, um trecho de código ou uma análise em minutos. Revisar, entender e corrigir esse mesmo material continua custando o tempo de sempre.
Esse desencontro entre a velocidade de gerar e a de absorver é onde a escala da AI começa a travar. São capacidades diferentes, e a segunda quase nunca foi redesenhada no ritmo da primeira.
Um estudo com mais de 100 lideranças de Produto e Engenharia no Brasil, ajuda a localizar onde esse descompasso aparece e por que ele se agrava conforme a empresa avança.
Onde os dados mostram a AI gerando mais rápido do que o time revisa?
Na pesquisa, o descompasso aparece justamente nas etapas onde a AI foi mais delegada. A delegação se concentra em Construir, com 70%, e em Definir a solução, com 65%, as etapas onde a AI já virou rotina para a maioria dos times.
Quando o uso da AI não gera o resultado esperado, a ruptura costuma aparecer na entrada com contexto mal definido, apontada por 23%, e na geração de um output tecnicamente correto mas desconectado do problema real, apontada por 19%.
Do outro lado do fluxo, os obstáculos declarados descrevem a mesma tensão:
25% dizem que a AI gera rápido, mas o time não consegue revisar na mesma velocidade;
24% apontam que o output ainda não é confiável o suficiente para o fluxo padrão.
E as duas coisas andam juntas. Entre as empresas que citam a falta de confiança, 40% também marcam a dificuldade de revisar no mesmo ritmo.
Somados, esses números descrevem uma operação que acelerou a geração sem redesenhar nem o contexto que entra nem a revisão que sai.
E todos eles apontam para o mesmo intervalo, entre a AI gerar e o resultado poder seguir adiante, que deixou de ser uma passagem rápida e passou a exigir um trabalho que antes não existia.
Que camada nova a AI criou no fluxo de engenharia?
É a camada de supervisão, o trabalho de direcionar a AI, avaliar o que ela devolve e corrigir o que veio errado antes que siga adiante.
Foi isso que a pesquisa começou a mostrar quando 25% das lideranças disseram que a revisão não acompanha a geração, ainda sem um nome para essa camada.
Um estudo da Universidade de Auckland ajuda a explicar o que está por trás desse número.
Annie Vella e Kelly Blincoe acompanharam engenheiros de software ao longo de seis meses e encontraram um deslocamento consistente. 82% relataram passar menos tempo escrevendo código, e o foco do trabalho migrou da criação para a verificação.
O tempo economizado na escrita reaparece do outro lado, como esforço de orientar e validar o que a AI gera. As autoras deram a esse esforço o nome de supervisory engineering work, uma categoria de trabalho que as descrições tradicionais de engenharia não capturavam.
As três camadas do trabalho de engenharia
Vella e Blincoe situam essa camada nova de supervisão entre duas que já existiam no trabalho de engenharia:
Inner loop, onde a AI gera e itera o código;
Supervisão, a camada nova, dedicada a direcionar, avaliar e corrigir o que a AI produziu;
Outer loop, com planejamento, integração, deploy e monitoramento.
A camada do meio funciona como um posto de conferência que antes quase não existia e agora decide o que passa adiante.
Nenhuma das três desaparece, mas essa é a que passou a existir e ainda não tem dono claro na maioria das operações.
Há um segundo achado que explica por que essa camada passa despercebida.
A percepção de produtividade se manteve alta, 84% dos engenheiros relataram melhora, enquanto a proporção que relatou piora em alguma dimensão da experiência quase dobrou, de 14% para 27%, com fluxo e carga cognitiva se deteriorando.
As autoras chamam isso de paradoxo produtividade-experiência, seguir produtivo enquanto o custo se acumula em silêncio.
Vella e Blincoe estudaram engenheiros individualmente e apontaram que o efeito no nível de time ainda era uma questão em aberto.
A pesquisa brasileira mostra o mesmo deslocamento na escala da operação, com a supervisão, o trabalho de revisar e validar o que a AI gera, aparecendo como um gargalo declarado. O esperado seria investir nessa camada, mas a maioria das empresas responde reforçando o outro lado.
Por que mais ferramenta e mais treinamento não destravam a revisão?
Porque o investimento continua caindo do lado da geração, enquanto o gargalo está do lado da absorção.
A pesquisa brasileira mostra que as tentativas mais comuns de estruturar o uso de AI são definir uma ferramenta padrão, com 35%, e investir em treinamento, com 34%.
As duas endereçam a capacidade de gerar, e nenhuma delas mexe em quem revisa, corrige e valida o que foi gerado. Por isso os obstáculos de revisão e qualidade persistem mesmo depois desses investimentos.
A barreira mais citada continua sendo a falta de processo claro, com 42%. Quando faltam processo, critério e capacidade de absorver, cada nova ferramenta vira mais uma fonte de output para uma operação que já não dá conta de revisar o que tem.
Como saber se o gargalo do seu time está na geração ou na absorção?
O primeiro passo é parar de assumir onde ele está e olhar o fluxo com dado.
Rodamos um diagnóstico numa operação de produto digital com múltiplos squads. A liderança sentia velocidade, com PRs integrados quase na hora. O dado mostrava quase 99% dos PRs sem revisão e mais de um em cada cinco já corretivo, com a velocidade vindo de pular a supervisão e o débito voltando como retrabalho.
Em outra operação, uma plataforma B2C de grande volume, o sintoma era o oposto, a sensação de entrega lenta, enquanto o gargalo real estava na entrada, com dois terços do esforço presos em sustentação e demanda priorizada parada por meses.
Nos dois casos, investir na dor que a liderança sentia teria piorado o quadro. Um olhar superficial empurra a decisão para o lado errado do fluxo.
A pesquisa mostra que o gargalo de escalar AI está na camada que revisa, corrige e valida o que a AI produz, a mesma que a maioria das operações ainda não redesenhou.
Se você quiser se aprofundar no estudo que citei aqui, o Report traz os cruzamentos completos entre delegação, obstáculos e o mecanismo por trás do travamento. É só acessar em https://hubs.li/Q04pHYTJ0
 | Uma publicação convidada por
|