Este texto parte de “The AI productivity gap”, de Bjorn Roche. Os percentuais citados abaixo são um modelo ilustrativo do autor, não uma medição universal.
A IA acelera uma etapa — não o trabalho inteiro
Há uma expectativa recorrente em empresas de tecnologia: se a IA escreve código muito mais rápido, entregas completas também deveriam surgir numa velocidade parecida. A premissa parece intuitiva, mas esbarra na composição real de um dia de engenharia.
Escrever código novo é só uma parte do trabalho. Antes disso, alguém precisa entender requisitos incompletos, investigar o comportamento do sistema, decidir limites de uma solução e negociar escolhas com outras pessoas. Depois, vem leitura, depuração, revisão, testes, integração, deploy, documentação e reuniões. A IA já ajuda em várias dessas etapas, mas sua vantagem é mais clara justamente onde o tempo total costuma ser menor: transformar uma intenção relativamente definida em código.
Essa diferença entre acelerar uma atividade e acelerar o fluxo inteiro é a lacuna de produtividade da IA.
O modelo de Roche: 15% para sêniores, 25% para juniores
Roche propõe um exercício simples. Para um desenvolvedor sênior, ele estima 1,5 hora diária escrevendo código novo antes da IA. Mesmo supondo que a ferramenta reduza esse trecho para meia hora — um ganho agressivo de velocidade — o total diário cai de 8 para 6,75 horas. A economia é de 1,25 hora, cerca de 15%.
No cenário ilustrativo para uma pessoa júnior, mais tempo está concentrado na escrita de código: 2,75 horas antes da IA e 1 hora depois. O dia passaria de 8 para 6 horas, um ganho de 25%.
Os números não devem ser tratados como benchmark. A força do exemplo está na conta: o impacto global é limitado pela fatia do processo que a ferramenta realmente acelera. Se 70% do ciclo continua exigindo interpretação, decisão, coordenação e verificação, nenhuma melhoria local de geração de código vira automaticamente uma fábrica três vezes mais rápida.
O gargalo é raciocínio compartilhado
Em trabalho mais experiente, o tempo não some porque a pessoa digita depressa. Ele vai para perguntas que ainda não têm resposta pronta: qual problema vale resolver, quais dados são confiáveis, que mudança pode quebrar outra área, o que simplificar, o que explicar ao time e como validar o resultado em produção.
Essas tarefas têm contexto local, consequências distribuídas e, muitas vezes, requisitos ambíguos. Uma IA pode ajudar a explorar alternativas, resumir sinais e gerar rascunhos. Ainda assim, alguém precisa reconhecer se o resumo perdeu uma condição importante, se o plano cabe na arquitetura e se a alteração é segura para os usuários.
Há também um custo que costuma ficar fora dos relatórios de produtividade: conteúdo ruim produzido com IA. Uma especificação excessivamente longa, uma tarefa pouco objetiva ou uma documentação que parece completa mas esconde decisões pode transferir tempo de quem escreveu para quem precisa ler e executar. Ganho individual que aumenta o trabalho de outra pessoa não é ganho do sistema.
Por que isso muda a conversa sobre contratação
Se a IA ajuda mais justamente a etapa em que profissionais juniores passam proporcionalmente mais tempo, a conclusão “não precisamos mais contratar juniores” merece cuidado. O argumento de Roche é o oposto: essas pessoas podem se beneficiar bastante quando usam a IA como ferramenta de aprendizado, revisão e experimentação — não como substituta do entendimento.
Uma equipe saudável continua precisando formar gente capaz de decompor problemas, pedir ajuda com precisão, revisar saídas e construir repertório. Cortar a entrada de novos profissionais pode parecer eficiente no trimestre e criar escassez de experiência no futuro.
Como medir produtividade sem cair na contagem de código
Em vez de transformar velocidade de geração em meta, lideranças podem observar o fluxo:
- Onde o trabalho espera? Requisitos, aprovações, ambientes, revisões e incidentes mostram gargalos diferentes de “falta código”.
- O tempo poupado voltou como qualidade? Mais testes úteis, revisão melhor e documentação mais clara são resultados concretos.
- A ferramenta reduziu ou redistribuiu trabalho? Compare quem gera o material com quem precisa interpretar, revisar e corrigir depois.
- O time aprendeu? Entregas rápidas que ninguém consegue manter cobram juros na próxima mudança.
A IA tende a melhorar mais partes do trabalho com o tempo. Até lá, a expectativa mais útil não é um salto mágico de produtividade. É usar a velocidade adicional para encurtar ciclos de aprendizado, reduzir tarefas mecânicas e dar mais espaço ao que ainda depende de julgamento técnico e colaboração.