Para 42% dos desenvolvedores, pelo menos metade do código que entregam já é código gerado por IA. No terceiro trimestre de 2025, eram 12%. Com esse volume, líderes de tecnologia precisam definir quem revisa e quem responde pelo que vai para produção.
Quanto tempo desenvolvedores economizam com IA
Desenvolvedores economizam, em média, 13 horas por semana de programação com IA, quase o dobro das 7 horas registradas no terceiro trimestre de 2025. A mediana fica em 10 horas. Os números são do Dev Barometer Q3 2026, levantamento que a BairesDev fez em agosto de 2026 com 705 desenvolvedores de mais de 60 países.
Essas horas foram para outras tarefas. 51% dos desenvolvedores dedicam mais de um quarto da semana a revisar trabalho produzido com IA, e 67% afirmam que revisam mais do que revisavam um ano antes. O tempo de estudo também cresceu: a média subiu de 4 para 9 horas semanais dedicadas a aprender ferramentas de IA e novas tecnologias.
Só 21% ainda passam a maior parte da semana escrevendo código novo do zero. Para quem decide investimento, esse é o ponto central: as horas economizadas mudaram de lugar dentro da semana do time. Darren Shimkus, CEO da BairesDev, admite que a empresa leu as primeiras 7 horas como capacidade extra e errou. Na leitura dele, o tempo foi... "para um trabalho que exige mais julgamento do que a programação que substituiu".
Quem responde pelo código gerado por IA
58% dos desenvolvedores dizem que passaram a responder mais por código que não escreveram por inteiro. E a revisão ficou mais pesada: 59% relatam mais esforço mental para encontrar erros sutis no código gerado por IA, a maior alta entre todos os itens da pesquisa. Revisar significa ler o que foi produzido, conferir se atende ao requisito do projeto e decidir se pode ir para produção, o ambiente em que clientes e usuários usam o software.
Essa decisão continua com pessoas. 41% dos desenvolvedores afirmam que praticamente nenhum código gerado por IA chega à produção sem uma revisão humana específica. Em boa parte das empresas, essa revisão vale igual para qualquer alteração: 57% dos profissionais de engenharia ouvidos em levantamento da Harness com a LeadDev dizem que a empresa ainda exige revisão humana em cada linha de código gerado por IA, seja qual for o risco da alteração. A pesquisa ouviu mais de 400 profissionais.
O volume de código cresce e o número de pessoas habilitadas a aprovar continua o mesmo. Um time que entrega mais rápido e aprova no mesmo ritmo acumula fila de revisão e atrasa lançamentos. O Gartner chega a uma leitura parecida em estudo publicado em setembro: com agentes de IA construindo e usando a maior parte dos produtos de software até 2030, as pessoas passam a ser o principal limite da entrega e, ao mesmo tempo, quem mais a destrava.
O primeiro passo que recomendamos: classificar as alterações por nível de risco, definir quem pode aprovar cada tipo e formar mais pessoas para essa função. Assim, a revisão humana mais profunda fica com o que tem mais impacto, e a aprovação acompanha o ritmo da entrega.
CTOs investem mais em revisão de código e QA
78% dos CTOs aumentaram, nos 12 meses anteriores à pesquisa, o investimento em revisão de código, garantia de qualidade (QA) ou infraestrutura de validação. Os pesquisadores ouviram 41 CTOs de empresas da Fortune 500 e de médio porte. É uma base pequena, e o número serve como indicação.
Nas competências, perto de oito em cada dez CTOs investiram em fluência em ferramentas de IA. Engenharia de dados aparece com 66%, qualidade de IA com 51% e segurança de IA com 49%.
Guardrails: como validar código gerado por IA antes da produção
Revisão humana linha por linha tem limite de escala. Por isso, times de engenharia levam parte da validação para o pipeline, a esteira automatizada que testa e publica o software. O Gartner prevê que, até 2027, mais de 65% dos times que usam agentes de programação vão transferir controle, governança e validação para plataformas automatizadas.
49% dos líderes de engenharia ouvidos pela Harness e pela LeadDev já têm guardrails específicos para código gerado por IA. Segundo a Harness, na outra metade o código gerado por IA passa pelo mesmo processo de validação usado antes dessas ferramentas. Medir o resultado também é raro: 52% apontam a falta de métricas claras como o maior desafio com código gerado por IA, e só 29% das empresas medem o impacto das ferramentas de IA no time.
Algumas empresas já ligam o uso de IA à qualidade do que chega à revisão. A Rippling, empresa americana de software de RH, criou uma ferramenta interna que cruza o gasto de cada engenheiro com IA com a frequência com que os colegas pedem para refazer o trabalho dele na revisão de código.
O que um pipeline com guardrails verifica
Um pipeline bem montado costuma aplicar quatro verificações:
- Testes automatizados: rodam a cada alteração e conferem se o que já funcionava continua funcionando.
- Verificações de segurança: procuram senhas expostas, bibliotecas desatualizadas e falhas conhecidas.
- Critérios mínimos de qualidade: padrão de escrita, cobertura de testes e tamanho da alteração.
- Registro de aprovação: quem aprovou, quando e com base em quais resultados.
A alteração que falha em uma etapa volta para quem a enviou, com a indicação do que corrigir. Só o que passa por todas chega ao revisor.
O que continua com o revisor humano
Com essa camada, o revisor humano recebe o código já testado e concentra a atenção no que pede julgamento: arquitetura, regra de negócio e impacto em outros sistemas.
A decisão de publicar também entra nessa divisão. 32% dos desenvolvedores ouvidos no Dev Barometer dizem que a decisão de enviar uma versão para produção já é delegada à IA com um desenvolvedor acompanhando, e 7% dizem que ela acontece sem participação do desenvolvedor. Quanto mais etapas a empresa automatiza, mais o registro de aprovação importa: com ele, o time consegue reconstituir por que uma versão foi liberada.
Competências de desenvolvedor mais valorizadas com IA
Desenvolvedores que tiveram aumento ligado a IA apontam três competências como principal motivo: fluência em ferramentas de IA (29%), desenho de sistemas e arquitetura (20%) e habilidades humanas (15%).
Arquitetura é a segunda competência que mais pesa na remuneração dos desenvolvedores e, entre as nove áreas financiadas pelos CTOs, aparece só em sexto lugar, atrás de fluência em ferramentas de IA, engenharia de dados, qualidade de IA, segurança de IA e modernização de sistemas legados. Isso cria um descompasso: a competência que sustenta a revisão ainda não está entre as prioridades de orçamento. Quem avalia bem código gerado por IA sabe como o sistema inteiro deve funcionar, e esse conhecimento se forma com tempo e mentoria. A mentoria, por sua vez, entra nas habilidades humanas, que recebem investimento de só 24% dos CTOs.
Isso também muda a composição do time. Se metade dos desenvolvedores já dedica mais de um quarto da semana à revisão, o squad precisa ter, desde a formação, pessoas com experiência para aprovar o que a IA produz e tempo reservado para essa função. A Rippling seguiu um caminho parecido: identificou quem usava IA com mais resultado e deu a essas pessoas a função de orientar os colegas.
Nossa recomendação para quem lidera tecnologia: incluir capacidade de revisão nos critérios de contratação e promoção, reservar horas de aprendizado na agenda do time e definir regras claras de uso de IA. A falta dessas regras já afeta retenção: 38% dos desenvolvedores dizem que ela pesa na decisão de continuar no emprego.
Regras claras também precisam vir com ferramentas adequadas: 21% usam ferramentas de IA que a empresa não aprovou, e o motivo mais citado é que as opções oficiais não têm os recursos de que precisam. 86% afirmam que o trabalho ficou mais gratificante com IA, ante 76% no terceiro trimestre de 2025, e esse número chega a 95% entre quem usa IA de forma intensa, contra 58% entre quem quase não usa.
Como estruturamos essa camada com nossos clientes
Na dataRain, tratamos velocidade de entrega e validação como partes do mesmo projeto. No Desenvolvimento 360°, levamos produtos digitais da ideia à produção: usamos IA generativa na engenharia e incluímos segurança e boas práticas desde o início de cada projeto. Na frente de DevOps e Modernização, para a qual temos a AWS DevOps Consulting Competency, montamos na AWS esteiras que automatizam compilação, teste e implantação, com detecção antecipada de problemas, para que o código gerado por IA chegue à produção já testado. Em Squad e Alocação, montamos times que já incluem perfis de arquitetura e revisão, para que a capacidade de aprovar cresça junto com o volume de entrega.
👉 Converse com nosso time sobre como estruturar revisão, QA e pipeline na sua operação.