Agentes de código autônomos elevaram a atividade de commits dos desenvolvedores em 240% acumulados. As releases — a etapa em que o software chega ao cliente — subiram 30% (Demirer, Musolff & Yang, NBER, 2026). Mesmos desenvolvedores, mesmas ferramentas, mesmo estudo, mesma janela. Oito décimos do ganho medido nunca saíram da empresa.
Essa lacuna é a forma da maioria dos business cases de IA escritos este ano. O piloto instrumenta a etapa que a ferramenta acelera. Ninguém instrumenta a etapa que comanda a entrega, porque a essa etapa não está associada nenhuma taxa de licença.
O paper chama-se Writing Code vs. Shipping Code, e a distinção contida no título é o achado inteiro. Os ganhos de produtividade da IA são reais, grandes e medidos no nível da tarefa. Chegam ao cliente com desconto pesado.
O que um estudo com 500.000 desenvolvedores enxerga e um piloto não
Mert Demirer (MIT Sloan), Leon Musolff e Liyuan Yang cruzaram telemetria de uso de IA com mais de 500.000 desenvolvedores do GitHub em um desenho de event study pareado e acompanharam o efeito ao longo de gerações sucessivas de ferramentas (NBER Working Paper 35275, 2026).
Os resultados por geração merecem ser mantidos à parte, porque são a parte que a maioria dos leitores vai querer citar:
- Autocompletar: +30% de efeito acumulado sobre commits
- Agentes de código interativos: +180%
- Agentes de código autônomos: +240%
Cada geração é um salto genuíno. Quem argumenta que ferramentas agênticas não movem a vazão no nível da tarefa está discutindo contra uma amostra muito grande.
Depois, a atenuação. Esse efeito de 240% sobre commits cai para 80% no número de projetos e para 30% nas releases efetivas. E quando os autores saíram do GitHub para quatro grandes marketplaces de software, encontraram forte aumento no número de novos aplicativos e nenhum aumento no uso total.
Mais código escrito. Alguns projetos a mais iniciados. Um pouco mais entregue. Nada a mais usado.
O resultado dos marketplaces merece peso próprio, porque descarta uma leitura confortável. Uma explicação só por gargalo preveria um represamento — produção esperando atrás de um portão, recuperável assim que o portão se alargasse. Mas os novos aplicativos cresceram enquanto o uso total não, o que aponta para algo além da etapa de release: o mercado absorveu mais oferta sem gerar mais demanda. Parte do ganho ausente está na fila atrás da revisão humana. Parte nunca viraria valor, porque mais produção de algo que ninguém pediu não é produção. As duas leituras deveriam deixar um operador cauteloso diante de um business case que converte velocidade de tarefa diretamente em receita.
Por que os ganhos de produtividade da IA morrem antes da última etapa
A explicação dos autores é a hipótese do elo fraco, mais antiga e mais bem estabelecida do que qualquer coisa específica da IA: em uma cadeia de produção de várias etapas, a produção total é governada pela etapa menos melhorada, não pela média.
Escrever código é uma etapa. Revisão, testes de integração, aprovação de segurança, autorização de release e deploy são as outras — e nenhuma geração de ferramenta de código as tocou. Então a restrição se moveu. Não desapareceu: transferiu-se para o primeiro portão humano a jusante da aceleração.
O número da elasticidade é o argumento
O paper coloca um coeficiente sobre isso: uma elasticidade de substituição estimada de 0,23 entre IA e esforço humano (Demirer et al., NBER, 2026).
Leia sem floreio. Elasticidade baixa significa complementaridade forte. A IA e as pessoas a jusante não são substitutos disputando o mesmo trabalho: são insumos que precisam um do outro em proporção aproximada. Triplique um sem mexer no outro e você não obtém o triplo da produção. Obtém uma fila.
Esse é o número para colocar diante de quem tem um plano que assume em silêncio que um agente suficientemente bom acabará absorvendo também o revisor. A melhor estimativa disponível diz o contrário — e diz com uma casa decimal.
Seu pipeline tem a mesma forma
Software é o cenário, não o escopo. A estrutura que produziu este resultado — etapas sequenciais, trabalho acelerável por máquina na frente, portões de julgamento humano atrás — é a estrutura de quase todo processo operacional em uma empresa de 50 a 500 FTE.
Order-to-cash: gerar a proposta é automatizável; a aprovação de crédito e o tratamento de exceções não. Hire-to-onboard: sourcing e triagem são automatizáveis; a decisão de oferta e as passagens da primeira semana não. Ticket-to-resolution: triagem e redação são automatizáveis; o julgamento de escalonamento não.
Em cada caso o orçamento de IA fica na etapa inicial e o teto de capacidade fica na final.
Como achar seu elo fraco em uma tarde
O diagnóstico não exige ferramenta nova. Pegue um processo e escreva suas etapas de ponta a ponta — seis ou sete é o típico. Para cada etapa, marque duas coisas: se a IA a tocou nos últimos doze meses, e como está hoje a fila diante dela.
O elo fraco é quase sempre a primeira etapa que responde não à primeira pergunta e crescendo à segunda. Em geral será uma etapa ocupada por uma ou duas pessoas sêniores que já eram o ponto de escalonamento antes de tudo isso começar — exatamente por isso ninguém propôs automatizá-la e exatamente por isso ela não consegue absorver mais volume.
Depois faça a pergunta que reformula a conversa de orçamento: se esta etapa processasse 20% mais unidades por semana, quanto isso valeria? Compare com o custo da próxima faixa de licenças a montante. Na maioria dos pipelines do mid-market a comparação nem chega perto.
Evidência independente diz que esse desalinhamento é quase universal. Telemetria comportamental sobre 120.620 trabalhadores encontrou apenas 2% no nível de maturidade de integração ao fluxo de trabalho — uso de IA dentro de um processo redesenhado em vez de consulta lateral, com 27% ainda em simples assistência de pesquisa (ActivTrak Productivity Lab, 2026). Se 98% da adoção acontece em volta do processo e não dentro dele, as etapas a jusante nunca estiveram no escopo.
Dados de produção apontam o mesmo pela ponta oposta. Um estudo de uso de agente versus busca encontrou tarefas pareadas concluídas em 36 minutos contra 269, uma redução de tempo de 87% — enquanto o trabalho subsequente se deslocava para cima, para verificação e extensão, em vez de sumir (Perplexity & HBS, arXiv, 2026). O trabalho humano não foi embora. Mudou para a etapa que você não estava medindo.
O portão que você não financiou também é o caro
Mais dois achados tornam a etapa a jusante mais difícil de ignorar do que um simples problema de filas.
Primeiro, ela custa mais do que a ferramenta. A análise da McKinsey QuantumBlack sobre economia unitária de agentes encontrou que, para um agente de atendimento ao cliente bancário, os custos de tokens representam apenas 20–25% dos custos variáveis de execução, enquanto a supervisão humana responde por 70–75% (McKinsey QuantumBlack, 2026). A etapa que seu business case trata como overhead gratuito é a maior parte do custo de operação.
Segundo, ela se degrada sob carga. Uma pesquisa com 2.500 trabalhadores do conhecimento encontrou que 42% gastam mais tempo verificando a saída da IA do que economizam ao usá-la, e que 52% corrigem regularmente trabalho gerado por IA produzido por colegas (Adaptavist, 2026). Empurre mais volume por uma etapa de revisão inalterada e os revisores absorvem isso como retrabalho — que é exatamente como um ganho de 240% a montante vira um de 30% a jusante.
Portanto o elo fraco não é apenas lento. É o centro de custo, e já está saturado.
A objeção honesta
Três limites, ditos antes que outro os diga.
Os autores têm relação declarada com um fornecedor. Demirer e Musolff ocuparam posições de pós-doutorado em pesquisa na Microsoft e hoje atuam como consultores de pesquisa remunerados pela empresa — declarado no próprio working paper. O achado vai contra o interesse comercial (limita o efeito de produção reivindicável para ferramentas de código), que é a direção que torna um conflito menos preocupante. Anote mesmo assim.
As estimativas mudaram entre as versões, e isso importa para como você as cita. A versão de maio de 2026 reportava amostra menor e coeficientes diferentes; a revisão de setembro de 2026 reporta mais de 500.000 desenvolvedores, os efeitos geracionais de 30/180/240% e a elasticidade de 0,23. O padrão de atenuação se manteve nas duas. Se citar um número deste paper em um board deck, cite a revisão vigente e date-a — working papers não são resultados fechados, e os que valem a citação são aqueles cuja forma sobrevive à revisão.
Um setor não é todos os setores. Software tem fronteiras de etapa excepcionalmente limpas e telemetria excepcionalmente boa. Seu fechamento contábil ou sua cadeia de fulfilment podem ter envolvimento humano mais profundo em cada etapa, o que comprimiria tanto o ganho a montante quanto a atenuação. A direção se transfere. As magnitudes não são suas até que você as meça.
O que decidir neste trimestre
Quatro movimentos. Três não custam nada além de atenção.
- Dê nome ao último portão humano de um processo. Não o dono do processo — o passo específico de aprovação, revisão ou assinatura pelo qual cada unidade de trabalho precisa passar antes de contar como entregue. Se você não consegue nomeá-lo em uma frase, esse é o achado.
- Meça as duas etapas separadamente. Sua métrica atual quase certamente conta atividade na etapa acelerada: rascunhos produzidos, tickets triados, propostas geradas. Acrescente um contador na etapa de entrega. A razão entre os dois é sua atenuação — e é o único número deste artigo que trata de fato da sua empresa.
- Mova para jusante o próximo incremento de orçamento de IA. Se o resultado do elo fraco vale no seu pipeline, o retorno marginal de mais uma licença a montante é próximo de zero e o retorno marginal de destravar o portão é tudo o que esse portão está segurando. Isso é realocação, não gasto novo.
- Redesenhe o portão antes de alargar o funil. Elevar o volume a montante contra uma etapa de revisão inalterada produz fila e retrabalho, não produção. Inverta a sequência: conserte o portão e então deixe o volume passar.
Seus ganhos de produtividade da IA são reais. O estudo diz isso, em uma escala que nenhum piloto interno vai alcançar.
Eles também estão parados numa fila atrás de uma pessoa que ninguém colocou no orçamento. A pergunta deste trimestre não é quão mais rápido sua equipe consegue produzir trabalho. É quanto desse trabalho sua organização ainda consegue terminar.
