Colapso de Fluxo: Mais Código do que Nunca, Menos Deploys do que Antes

O throughput de tarefas por desenvolvedor subiu 33,7 por cento em dois anos. Épicos concluídos por desenvolvedor subiram 66,2 por cento. Tarefas com pull request associado cresceram 210 por cento no nível de time. Na mesma janela, nas mesmas organizações, os deploys por semana caíram 11,7 por cento e o lead time do commit até a produção cresceu 480,4 por cento. Todos os números vêm de um único dataset: o AI Engineering Report 2026 da Faros AI, construído sobre telemetria de 22.000 desenvolvedores em mais de 4.000 times. O sistema produz mais do que nunca e libera com menos frequência do que antes de a IA chegar.

Escrevemos sobre a história de qualidade desse relatório em junho. O artigo sobre o chicote da aceleração rastreou o que o volume de IA faz com a carga de revisão e o trabalho de verificação, e segue sendo o par deste texto. Aqui o assunto é a outra metade da telemetria: o que acontece com o trabalho entre “iniciado” e “rodando em produção” quando cada desenvolvedor alimenta o pipeline com um terço a mais.

Fácil de começar, difícil de terminar

A tarefa média agora passa 225,2 por cento mais tempo em andamento. O tempo em estados de espera subiu 81,8 por cento. Tarefas em andamento sem nenhuma atividade por sete dias ou mais cresceram 26 por cento. Desenvolvedores tocam 67,4 por cento mais contextos de PR por dia, e os reinícios de trabalho subiram 13,8 por cento. A Faros comprime o padrão em uma frase: o trabalho ficou fácil de começar e difícil de terminar.

Cada item dessa lista fica a jusante da geração de código, em estágios que rodam sobre atenção humana. Revisão de código, QA e a decisão sobre se uma mudança é segura para liberar têm, cada um, capacidade diária fixa, e cada um agora é alimentado por uma fonte que cresceu um terço. A aritmética de filas não negocia. Quando a taxa de chegada sobe contra uma capacidade de atendimento fixa, as filas crescem mais rápido que linearmente, a espera engole o cronograma, e a vazão no fim do cano pode cair mesmo com a entrada explodindo no topo. É essa a aparência, vista de dentro de uma fila, de um contador de deploys marcando menos 11,7 por cento ao lado de um contador de tarefas marcando mais 33,7 por cento.

Começar também ficou mais barato do que terminar, o que distorce o comportamento. Um agente abre a próxima tarefa em segundos. Fechar a anterior ainda exige um humano para revisar o diff, exercer o julgamento e assumir a consequência. Quando começar custa nada e terminar custa atenção, a razão entre aberto e concluído deriva exatamente do jeito que os números de estagnação dizem que derivou. A mesma escassez explica por que as organizações que mais absorvem IA continuam contratando: atenção é o insumo que acabou, um padrão visível nos dados de quadro de pessoal da Ramp.

Uma ressalva merece ficar à vista. Frequência de deploy e lead time são medidos por cerca de 10 por cento do dataset da Faros, o subconjunto que instrumenta deploys. Dentro desse subconjunto a queda de deploys é estatisticamente significativa, e a Faros apresenta os dois números como direcionais. Lidos com conservadorismo, eles ainda apontam na mesma direção das métricas de espera e estagnação, que vêm do dataset completo.

Maturidade não protege

O relatório DORA de 2025, uma pesquisa com cerca de 5.000 profissionais de tecnologia, concluiu que “o papel primário da IA é de amplificador, ampliando as forças e fraquezas existentes de uma organização”. O corolário reconfortante se espalhou rápido: construa fundações fortes e a IA torna você mais forte. A telemetria da Faros pousa exatamente sobre essa afirmação e a quebra: “as organizações com práticas de engenharia fortes anteriores à IA veem a mesma degradação de qualidade que as demais”.

A divergência é metodológica. O DORA mede o que os profissionais relatam perceber; a Faros mede o que o pipeline fez. As duas leituras podem ser honestas ao mesmo tempo. A amplificação pode valer para os resultados que as pessoas conseguem sentir, enquanto a degradação de fluxo se acumula abaixo do limiar da percepção, uma fila alongada de cada vez. O trabalho anterior do próprio DORA aponta na mesma direção: o relatório de 2024 encontrou um aumento de 25 por cento na adoção de IA associado a uma queda de 7,2 por cento na estabilidade de entrega. A telemetria estende um sinal que o próprio DORA levantou primeiro.

Por que organizações maduras degradariam como as imaturas? Porque maturidade é calibração. Uma pontuação DORA alta certifica um pipeline ajustado a uma taxa específica de chegada de mudanças: tantos PRs por semana, tanta capacidade de revisão, portões dimensionados para o fluxo sob o qual foram desenhados. A IA moveu a taxa de chegada e deixou a calibração no lugar. Uma cultura de revisão excelente a dez PRs por semana é uma fila a trinta. Os portões de estágio que tornavam o pipeline confiável são os mesmos que agora o estrangulam. Restrições bem desenhadas não se redimensionam sozinhas.

O redesenho é um problema de fluxo, e tem preço

A proteção vem de redesenhar o fluxo para a nova taxa de chegada, e o redesenho começa por uma instrumentação que quase ninguém tem. Dashboards de adoção medem o lado da geração: sugestões aceitas, PRs mesclados, ciclo na etapa de codificação. O colapso de fluxo só aparece em métricas de fila: tempo em estados de espera por estágio, contagem de itens em andamento parados por sete dias ou mais, deploys por semana, lead time do commit à produção. Se esses quatro números não estão em um dashboard, o colapso fica invisível até o cliente reportar. Transparência devida: a Faros vende ferramenta de inteligência de engenharia, então a conclusão de que você precisa de visibilidade de fluxo carrega incentivo de fornecedor; os deltas acima são telemetria e se sustentam independentemente de qual dashboard você compre.

Com as filas visíveis, os movimentos são pouco glamourosos. Limite o trabalho em progresso para que terminar passe na frente de começar. Mova capacidade de verificação para onde as filas de fato se formam, em vez de onde o organograma a colocou. Automatize as partes reversíveis da decisão de liberação para que o julgamento humano seja gasto apenas nas irreversíveis. Cada um desses movimentos é uma decisão de governança com preço, e precificar explicitamente é melhor do que absorver em silêncio, a mesma disciplina que defendemos em a decisão do limiar de modelo. O lado de produção dessa mesma história de volume, onde código pouco familiar começa a acordar humanos que nunca o escreveram, está mapeado em o tsunami de código.

Faça isto agora

Puxe duas curvas dos últimos quatro trimestres. Curva um: qualquer métrica do lado da geração que você já acompanha, PRs mesclados ou tarefas concluídas por desenvolvedor. Curva dois: deploys por semana e lead time do commit à produção. Se a curva um sobe enquanto a curva dois está plana ou caindo, o colapso de fluxo já está em andamento, diga o que disser a sua pontuação DORA. Depois instrumente a espera: tempo em estados de espera por estágio do pipeline, mais uma contagem semanal de itens em andamento parados por sete dias ou mais. Estabeleça um teto de trabalho em progresso onde a espera se concentra e reavalie a cada trimestre, porque a taxa de chegada vai se mover de novo com a próxima geração de modelos.

Times maduros conquistaram o hábito de confiar no próprio pipeline. Os dados da Faros dizem que esse hábito virou o risco. O pipeline foi calibrado para um volume que não existe mais.

Fontes

Faros AI. “AI Engineering Report 2026: The Acceleration Whiplash.” Abril de 2026.
DORA / Google Cloud. “State of AI-assisted Software Development.” Setembro de 2025.
DORA / Google Cloud. “Accelerate State of DevOps Report 2024.” Outubro de 2024.

A Victorino ajuda organizações de engenharia a redesenhar o fluxo de entrega para o volume de código da era da IA, da instrumentação de esperas ao caminho de liberação governado: contato@victorino.com.br | www.victorino.com.br