A inteligência artificial já consegue tornar atividades individuais de engenharia de software significativamente mais rápidas. O problema é que uma empresa não entrega valor porque um desenvolvedor escreveu código mais depressa. Ela entrega valor quando consegue transformar uma necessidade de negócio em uma solução segura, utilizável, colocada em produção e capaz de produzir resultado econômico.
Essa diferença entre produtividade local e desempenho do sistema foi um dos principais pontos levantados por Cláudio Gualberto, CTO da Sankhya, em conversa com Leandro Oliveira, CEO e cofundador da Vibbra, no mais recente episódio do Vibbracast.
Para Gualberto, ganhos isolados na escrita de código podem simplesmente se dissipar quando os demais processos da organização permanecem iguais. Em sua percepção, sem pipelines integrados e sem uma transformação mais ampla do processo de desenvolvimento, a companhia pode terminar “não entregando melhor nem mais rápido”, mesmo com profissionais individualmente mais produtivos.
A experiência relatada no episódio conversa com pesquisas recentes. O estudo global da McKinsey publicado em agosto de 2026 mostra que 80% dos respondentes percebem melhora de produtividade individual com IA, enquanto apenas 37% atribuem algum impacto no EBIT da organização ao uso de IA. Apenas cerca de 6% aparecem no grupo classificado pela consultoria como “high performers”, com impacto financeiro significativo associado à tecnologia. A diferença entre esses dois números sintetiza um dos maiores desafios atuais para líderes de tecnologia: converter eficiência individual em resultado empresarial.
É por isso que discutir IA em engenharia de software apenas como uma escolha entre Copilot, Cursor, Claude Code ou qualquer outra ferramenta é começar a conversa pelo lugar errado.
A questão estratégica é outra:
Como redesenhar o sistema de desenvolvimento de software para que a velocidade criada pela IA atravesse toda a cadeia de valor e se converta em receita, margem, qualidade ou capacidade de inovação?
Confira o episódio completo do Vibbracast e tenha mais insights engradecedores dessa conversa:
Escalar IA exige equilibrar autonomia e padronização
A Sankhya oferece um bom exemplo dessa complexidade. A companhia atua como um ecossistema empresarial construído também por aquisições. Em 2026, anunciou sua 11ª aquisição e afirmou que as empresas incorporadas mantêm autonomia relevante sobre seus negócios, ao mesmo tempo que passam a fazer parte de uma plataforma mais ampla de produtos.
No Vibbracast, Gualberto explica que essa característica muda completamente a abordagem de transformação. Em empresas adquiridas que possuem conhecimento profundo sobre determinado domínio, não faria sentido simplesmente impor todas as decisões técnicas da controladora. Ao mesmo tempo, liberdade absoluta impediria compartilhamento de componentes, pipelines, agentes, ferramentas e boas práticas entre as empresas do grupo.
A solução encontrada foi trabalhar com uma padronização mínima compartilhada.
Segundo o CTO, a jornada passou pela formação de comitês, pela criação de um manifesto interno de IA, por um roadmap corporativo e por guias e playbooks comuns. A padronização ocorre especialmente na camada que precisa ser interoperável e sustentável para o grupo; o que pertence ao domínio específico de cada produto continua com maior autonomia.
Esse equilíbrio é importante porque o cenário corporativo de IA já entrou em uma fase diferente daquela dos primeiros pilotos. Pesquisa da ABES com a IDC publicada em agosto de 2026 afirma que 95% das empresas pesquisadas no Brasil já utilizavam IA e que 69% já haviam passado da fase de experimentação e possuíam investimentos estruturados em IA generativa. Ao mesmo tempo, apenas 48% declaravam possuir dados bem estruturados e governados, indicando que o principal obstáculo está migrando da disponibilidade da tecnologia para a capacidade organizacional de operá-la em escala.
Quando cada squad escolhe modelos, ferramentas, integrações, padrões de contexto, mecanismos de acesso a dados e critérios de validação de maneira independente, a organização pode rapidamente acumular riscos de segurança, duplicações de esforço e arquiteturas difíceis de sustentar.
Por outro lado, uma governança prematura e excessivamente rígida pode bloquear justamente o aprendizado necessário para descobrir quais aplicações da IA realmente criam valor.
A experiência descrita por Gualberto sugere uma sequência mais eficaz: primeiro permitir experimentação suficiente para que soluções relevantes emerjam; depois transformar os aprendizados em padrões reutilizáveis. Ele relata que tentativas iniciais de hipercontrole não produziram resultados durante cerca de seis meses. Ao permitir que times experimentassem com maior autonomia, surgiram projetos aplicados a sustentação de software, construção de interfaces e pipelines de refatoração e revisão de código. A padronização veio depois, sobre aquilo que já havia demonstrado valor.
A experiência recente da B3 segue uma dinâmica comparável. A companhia informou em setembro de 2026 que o uso espontâneo de uma ferramenta de programação assistida por IA precedeu sua homologação corporativa. Após observar uma redução de aproximadamente 35% no tempo de entrega das aplicações avaliadas, a empresa estruturou um modelo oficial integrado às políticas de segurança e governança.
A lição que fica é que governança eficaz de IA tende a ser construída sobre evidências de uso, e não exclusivamente sobre decisões centralizadas tomadas antes da experimentação.
O código acelera e os gargalos aparecem em outros lugares
Durante décadas, escrever, testar e modificar código consumiu uma parcela importante do ciclo de desenvolvimento. Essa duração escondia outras ineficiências. Com IA comprimindo progressivamente essa etapa, problemas que antes pareciam pequenos passam a representar boa parte do lead time total.
Gualberto ilustra esse fenômeno com um exemplo simples: se uma decisão de produto permanece duas semanas parada aguardando aprovação, de pouco adianta que, depois da decisão, a IA permita construir a funcionalidade em dois ou três dias. O novo gargalo deixou de estar necessariamente na implementação. Pode estar na definição de requisito, no design, na aprovação, na segurança, no rollout ou no go-to-market.
Isso altera inclusive a maneira como a empresa deve medir sucesso. Se a métrica principal continuar sendo apenas quantidade de código gerado, taxa de aceitação de sugestões ou velocidade individual do desenvolvedor, uma organização pode comemorar indicadores locais enquanto o cliente continua recebendo valor no mesmo ritmo.
Para a liderança de tecnologia, a unidade relevante passa a ser o fluxo inteiro. O objetivo vai além de produzir mais código e também se torna diminuir o tempo entre identificação de uma oportunidade e geração de resultado com segurança.
Pipelines de agentes podem transformar boas práticas em infraestrutura
Existe outra consequência importante da IA: documentos que descrevem boas práticas podem começar a ser substituídos (ou complementados) por mecanismos que efetivamente executam essas práticas.
No episódio, Gualberto observa que guias tradicionais frequentemente se tornavam documentos extensos que poucas pessoas consultavam. Na abordagem atual da Sankhya, parte desses princípios passa a ser representada por pipelines de agentes. A companhia já utiliza, segundo ele, pipelines compartilhados para atividades como revisão de código, ajudando a disseminar padrões de engenharia entre equipes com produtos, linguagens e culturas diferentes.
Essa ideia aproxima IA generativa de platform engineering.
A disciplina já surgiu justamente para transformar padrões de engenharia em capacidades reutilizáveis: ambientes, pipelines, serviços internos, automação e caminhos recomendados que reduzam a necessidade de cada time reconstruir infraestrutura sozinho. A Gartner identifica a integração entre IA generativa e engenharia de plataforma como uma tendência estratégica e projeta que, até 2027, 70% das organizações que possuem equipes de plataforma incluirão capacidades de GenAI em suas plataformas internas para desenvolvedores.
A Thoughtworks também caracteriza plataformas AI-first como um ponto de controle para políticas que precisam funcionar continuamente, incluindo acesso a modelos, proteção de dados proprietários, compliance, telemetria e experimentação controlada.
Nesse cenário, a ideia apresentada por Gualberto de construir um “córtex” de IA corporativo merece atenção.
Em sua visão, empresas precisarão de uma camada semelhante à engenharia de plataforma responsável por capacidades compartilhadas de IA: modelos, ferramentas, padrões de contexto, mecanismos de recuperação de informação, governança e componentes reutilizáveis.
O valor dessa camada está em evitar que cada equipe precise resolver do zero problemas que são comuns a toda a organização.
Uma arquitetura dessa natureza pode centralizar aspectos como autenticação, observabilidade, acesso aprovado a modelos, proteção de dados, avaliação de respostas, controle de custos, auditoria e integração com ferramentas internas, mantendo as equipes livres para aplicar essas capacidades às particularidades de seus produtos.
Em outras palavras, governança também precisa acompanhar a velocidade da IA.
Humanos continuam críticos, mas seu papel muda
O avanço da geração automática de código costuma produzir uma pergunta inevitável: quantas pessoas serão necessárias para desenvolver software?
A conversa no Vibbracast evita uma resposta simplista.
Gualberto argumenta que empresas podem escolher capturar produtividade de formas diferentes. Algumas poderão operar com equipes menores; outras poderão usar a mesma capacidade para entregar mais produtos, reduzir bugs, melhorar atendimento ou buscar crescimento. Para ele, o ponto mais importante é que a engenharia continua necessitando de supervisão humana capaz de avaliar arquitetura, segurança, escalabilidade, resiliência e comportamento do sistema em produção.
Os dados recentes ajudam a contextualizar essa posição.
A pesquisa JetBrains Developer Ecosystem de 2025, baseada em mais de 24 mil profissionais, encontrou 85% de uso regular de ferramentas de IA entre desenvolvedores. Ao mesmo tempo, os profissionais pesquisados mostraram preferência por delegar tarefas repetitivas à IA e permanecer responsáveis por atividades complexas e criativas, como desenho da lógica de aplicações e debugging.
Em 2026, o Stack Overflow encontrou uso ainda mais intenso entre desenvolvedores que adotaram assistentes: 73% dos usuários de coding assistants ou agentes declararam utilizá-los diariamente. Apesar disso, atividades relacionadas a deploy, operação e troubleshooting de produção apareciam muito menos entre os usos da IA do que geração de código ou debugging. A pesquisa também mostrou que 93% dos respondentes consideravam atribuição de fonte importante para confiar no contexto fornecido à IA.
Isso dialoga diretamente com a lógica dos Squads Cognitivos, proposta pela Vibbra: humanos, agentes e ferramentas de IA deixam de funcionar como elementos separados e passam a operar dentro de um único fluxo de trabalho. O objetivo não é colocar uma ferramenta ao lado de um processo antigo, mas redesenhar responsabilidades para que atividades automatizáveis sejam realizadas por agentes e decisões que exigem contexto, julgamento e responsabilização continuem sob supervisão humana.
Essa mudança também afeta formação e carreira.
No episódio, Gualberto questiona a ideia de simplesmente interromper a contratação de profissionais juniores. Para ele, organizações ainda precisarão formar profissionais experientes no futuro; o desafio é definir o que caracteriza um novo júnior, um novo desenvolvedor e um novo product manager em uma engenharia assistida por IA.
A questão mais produtiva do debate é: quais decisões devem continuar humanas, quais tarefas podem ser delegadas e como redesenhar papéis para maximizar a capacidade combinada dos dois?
Da produtividade ao ROI: um modelo para líderes de tecnologia
Para transformar IA em resultado empresarial, líderes precisam atuar sobre um sistema maior do que o ambiente de desenvolvimento.
O cenário atual mostra por quê. Em 2026, a McKinsey encontrou ampla percepção de produtividade individual, mas uma proporção bem menor de empresas capturando impacto financeiro no nível corporativo. As organizações classificadas como de maior desempenho se diferenciam justamente por redesenhar workflows e perseguir crescimento e inovação, e não apenas redução de esforço.
A KPMG também identifica o redesenho de workflows, a dívida técnica, a integração entre sistemas e a pressão por ROI entre as principais questões enfrentadas por executivos de tecnologia em 2026.
A implicação prática é que a transformação precisa atravessar engenharia, produto, negócio, segurança, infraestrutura e go-to-market.
| Dimensão | Pergunta tradicional | Pergunta necessária na era da IA |
|---|---|---|
| Desenvolvimento | Quantas horas o dev economizou? | O lead time de geração de valor diminuiu? |
| Código | Quanto código foi gerado por IA? | Qual parcela chegou à produção com qualidade? |
| Produto | A feature ficou pronta mais rápido? | A organização consegue decidir o que construir no mesmo ritmo? |
| Governança | Como aprovar cada uso de IA? | Como incorporar guardrails ao próprio fluxo? |
| Plataforma | Qual ferramenta cada squad usa? | Quais capacidades devem ser compartilhadas pela organização? |
| Pessoas | Quantos papéis podem ser eliminados? | Quais responsabilidades precisam ser redesenhadas? |
| Financeiro | Quanto tempo foi economizado? | Qual impacto apareceu em receita, margem, custo, qualidade ou risco? |
Essa mudança de perspectiva também ajuda a evitar uma armadilha comum: automatizar processos que nunca deveriam ter sobrevivido intactos.
Colocar IA sobre um fluxo com aprovações redundantes, handoffs excessivos, baixa qualidade de dados e semanas de espera tende a tornar apenas uma etapa mais rápida.
Para empresas com operações grandes ou heterogêneas, o caminho tende a combinar experimentação descentralizada com uma camada progressiva de padronização, plataformas compartilhadas, governança incorporada aos pipelines e métricas ligadas ao resultado do negócio.
Essa é também a área em que consultorias de tecnologia precisam evoluir. O desafio já não é simplesmente disponibilizar mais profissionais para executar o processo existente. É ajudar organizações a diagnosticar gargalos, reduzir risco técnico, redesenhar o sistema de desenvolvimento e estabelecer uma operação em que humanos e agentes consigam produzir valor com mais velocidade e previsibilidade.
O futuro da engenharia de software será definido pelo sistema (não pela ferramenta)
Ao final da conversa, Gualberto aponta três mudanças que considera especialmente relevantes para os próximos anos:
1. Redesenhar tudo que orbita a escrita de código;
2. Repensar a própria experiência de software em uma era de interfaces e agentes cognitivos;
3. Redefinir os papéis das pessoas responsáveis por criar esses produtos.
A própria Sankhya já experimenta essa segunda transformação em seus produtos. Em 2026, a companhia anunciou uma nova geração de ERP baseada em interação por linguagem natural e “Digital Workers” capazes de executar jornadas de negócio. A empresa também expandiu o uso de agentes para implantação e monitoramento do ERP.
Assistentes e agentes de IA já se tornaram parte relevante do trabalho de desenvolvimento. O GitHub informou que mais de 1,1 milhão de repositórios públicos utilizavam SDKs de LLM em seu levantamento de 2025, enquanto pesquisas de 2026 mostram uso diário elevado de agentes entre desenvolvedores que adotaram essas ferramentas.
A vantagem competitiva, portanto, tende a migrar.
Ter acesso a um modelo poderoso será progressivamente menos diferenciador. Saber como organizar contexto, decisões, plataformas, segurança, processos, pessoas e métricas em torno desses modelos será mais difícil de replicar.
Para CTOs, CPOs e lideranças de engenharia, essa talvez seja a principal consequência do momento atual: a IA tornou a escrita de código mais rápida, mas colocou em evidência tudo aquilo que a empresa ainda faz devagar.
O próximo salto de produtividade virá da capacidade de redesenhar o sistema inteiro.
Perguntas frequentes sobre IA na engenharia de software
A IA aumenta a produtividade dos desenvolvedores?
Sim, diversos estudos identificam ganhos de produtividade percebidos ou mensurados em determinadas tarefas. O DORA relata que mais de 80% dos profissionais pesquisados percebem melhora de produtividade, enquanto pesquisas da JetBrains também indicam economia de tempo para grande parte dos usuários de IA. O ganho individual, porém, não significa automaticamente melhora proporcional no desempenho da organização.
Por que mais produtividade na programação não gera necessariamente mais ROI?
Porque codificação representa apenas uma etapa do fluxo de entrega de software. Esperas relacionadas a decisões de produto, code review, testes, segurança, infraestrutura, rollout e go-to-market podem absorver o tempo economizado na geração de código.
Como escalar IA entre vários squads ou empresas?
Uma abordagem é permitir experimentação distribuída inicialmente e, depois, transformar padrões comprovados em componentes, políticas e pipelines compartilhados. Platform engineering pode fornecer a infraestrutura comum para acesso a modelos, observabilidade, segurança, governança e automação sem obrigar todos os produtos a terem a mesma arquitetura.
Qual é o papel da governança de IA no desenvolvimento de software?
Governança estabelece limites para uso de dados, modelos, propriedade intelectual, segurança, validação e responsabilidade. A tendência é incorporar esses controles diretamente às plataformas e aos pipelines, reduzindo a dependência de aprovações manuais posteriores.
A IA vai substituir desenvolvedores?
Não. Ferramentas podem automatizar partes importantes da programação, enquanto atividades como arquitetura, avaliação, depuração complexa, decisão e operação de sistemas continuam demandando forte participação humana. As funções tendem a mudar à medida que desenvolvedores assumem mais responsabilidades de orquestração, system design e validação.
O que uma empresa deve medir para avaliar o ROI da IA em engenharia?
Além de métricas de adoção ou produtividade individual, a análise deve acompanhar indicadores do fluxo completo: lead time, cycle time, throughput, estabilidade, taxa de defeitos, retrabalho, custo operacional, tempo de decisão e, principalmente, efeitos sobre receita, margem, satisfação do cliente ou redução de risco.
Acelerar desenvolvedores é apenas uma parte da transformação. A Vibbra ajuda empresas a redesenhar processos de engenharia e produto para integrar humanos e agentes de IA, reduzir gargalos técnicos e transformar produtividade em velocidade, previsibilidade e resultado de negócio.
