O resultado de 2025 tem um contexto específico
Em julho de 2025, a METR divulgou um experimento controlado sobre uso de IA por desenvolvedores experientes em seus próprios projetos de código aberto. Participaram 16 profissionais, que trabalharam em 246 tarefas. Cada tarefa foi sorteada para permitir ou proibir a utilização de ferramentas de IA daquele período.
O resultado observado foi um aumento de 19% no tempo de conclusão quando o uso de IA era permitido. Os participantes trabalhavam em repositórios maduros e já conheciam seus projetos. A METR apresentou a pesquisa como um retrato das ferramentas do início de 2025 naquele cenário, não como prova de que toda assistência de IA prejudica qualquer programador.
A percepção não acompanhou a medição
O estudo encontrou uma diferença entre percepção e medição: os participantes esperavam ganhar tempo e continuaram acreditando em aceleração depois das tarefas. A comparação entre expectativa e tempo registrado foi parte da investigação.
O recorte exige cautela: manter um repositório familiar é diferente de criar um protótipo ou corrigir um sistema desconhecido. Generalizar sem essas distinções ultrapassa a evidência do experimento.
O que a atualização de 2026 acrescentou
Em 24 de fevereiro de 2026, a METR explicou que o experimento posterior fornecia um sinal pouco confiável sobre a produtividade atual. Entre os problemas relatados estavam a recusa de desenvolvedores em participar se precisassem trabalhar sem IA, a alteração da remuneração e a dificuldade de medir tempo quando vários agentes eram utilizados simultaneamente.
Os pesquisadores consideravam provável que as ferramentas mais recentes acelerassem mais o trabalho do que na medição inicial. Porém, ressaltaram que os efeitos de seleção deixavam fraca a evidência sobre o tamanho desse ganho. A atualização impede apresentar os 19% de lentidão de 2025 como uma taxa universal vigente.
O que uma equipe pode aprender com isso
Nossa análise editorial é que produtividade precisa ser definida antes da comparação. Observe o tempo até uma alteração ser aceita, incluindo revisão, testes e correções, em vez de contar somente o momento em que o código aparece na tela.
Registre também o tipo de tarefa e a familiaridade da pessoa com o projeto. Essas informações ajudam a interpretar resultados diferentes sem transformá-los em disputa de preferências. O estudo não elimina o valor da IA; demonstra a importância de medir um efeito concreto e atualizar a conclusão quando o contexto muda.
Uma compra de software pode ser avaliada com critérios objetivos definidos pela equipe. A pesquisa é um convite a fazer essa comparação, sem presumir antecipadamente que o resultado será positivo ou negativo para todos.
Fontes e leitura complementar
Para aprofundar
Conteúdo preparado com assistência de IA. Conheça nossa política editorial.
