84% Continuaram Se Sentindo Produtivos Enquanto a Experiência Desabava

Oitenta e quatro por cento dos desenvolvedores disseram que a IA melhorou sua produtividade. Seis meses depois, os mesmos 84% disseram de novo. Mais de três quartos da coorte pareada deram exatamente a mesma resposta positiva nos dois momentos, o que é uma estabilidade rara em dado de survey.

Na mesma janela, a parcela desses desenvolvedores que descreveu a experiência de trabalho como pior subiu de 14% para 27%.

Os dois números vêm das mesmas pessoas, respondendo ao mesmo instrumento, com seis meses de distância. Annie Vella conduziu o estudo como pesquisa de mestrado na Universidade de Auckland, sob orientação de Kelly Blincoe, e publicou a correlação entre a mudança no estado de flow e a mudança na produtividade percebida: 0,02. A descrição dela é que isso está tão perto de zero quanto se consegue chegar.

Esse coeficiente sozinho é o achado. Tudo o que um gestor lê hoje em um painel está do lado errado dele.

Em Corte Transversal Andam Juntos, no Tempo Se Separam

Em qualquer momento isolado, quem se sente produtivo também relata experiência melhor. Tire uma fotografia hoje e as duas variáveis acompanham uma à outra o suficiente para que medir uma diga algo útil sobre a outra. É por causa dessa relação que output funcionou como proxy tolerável de saúde de time por trinta anos. Ritmo de entrega em alta, moral provavelmente em ordem.

Acompanhe as mesmas pessoas ao longo do tempo e a relação se dissolve. Um desenvolvedor cujo flow piorou entre outubro e abril tinha, na média, a mesma chance de relatar produtividade melhor que um cujo flow melhorou. As duas séries continuaram se movendo. Pararam de se mover juntas.

Correlação de fotografia e correlação de variação são afirmações diferentes sobre o mundo, e as organizações vêm comprando a primeira acreditando ter a segunda. Toda pesquisa de engajamento que pergunta “você se sente produtivo com IA?” uma vez por trimestre e lê a linha reta como estabilidade está medindo justamente a variável que ficou parada por construção.

A confiabilidade da produtividade autorrelatada com IA já foi dissecada antes, no problema dos dois por cento e na visão estreita do valor da IA. A contribuição de Vella fica uma camada adiante desse argumento. Conceda à percepção todo o benefício da dúvida, aceite os 84% pelo valor de face, e o número ainda assim falha como proxy, porque aquilo que ele costumava carregar junto saiu andando em outra direção.

O Flow Foi a Primeira Coisa a Ir Embora

Dentro da coorte pareada, a dimensão que mais se moveu foi o flow. A parcela que avaliou o próprio estado de flow como pior saltou de 7% para 20%, quase triplicando, o maior deslocamento isolado do estudo. Carga cognitiva pior foi de 6% para 9%. Ciclos de feedback piores até melhoraram, de 3% para 1%.

O mecanismo aparece no que os participantes escreveram. Um deles descreveu “menos tempo na zona, porque enquanto o código está sendo produzido eu me pego trocando de contexto com mais frequência”. Outro colocou as duas metades na mesma frase: “Isso quebra o flow, mas ainda acelera o processo como um todo”.

Leia a segunda frase como contabilidade honesta de custo, e não como contradição. O desenvolvedor está trocando um estado que valoriza por uma vazão que também valoriza, e a troca registra saldo positivo na pergunta que o survey faz sobre produtividade. O custo cai em um lugar onde a pergunta sobre produtividade não tem espaço para anotá-lo.

O detalhe mais incômodo de Vella está no que aconteceu com a âncora do próprio julgamento de produtividade. No momento 1, a dimensão mais alinhada com sentir-se produtivo era o flow. No momento 2 passou a ser a velocidade do ciclo de feedback, e o flow “havia praticamente sumido do quadro”. Os desenvolvedores fizeram mais do que perder flow. Eles recalibraram o significado de produtivo até que flow deixasse de contar.

As Transições da Coorte São Piores Que as Médias

Percentuais agregados escondem direção de movimento. A tabela de transição, não.

Entre os desenvolvedores que começaram plenamente positivos sobre a experiência, apenas 37% seguiam plenamente positivos no fim. Ninguém que começou negativo voltou a ser plenamente positivo. O fluxo é de mão única ao longo dos seis meses, e a média só se sustenta porque o reservatório sendo drenado é grande o bastante para absorver isso por um tempo.

Esse é o formato de uma curva de erosão, e nenhuma métrica de output tem vocabulário para descrevê-la. Velocidade é uma taxa. Turnover é um evento. O que existe entre os dois, uma migração lenta de plenamente positivo para parcialmente positivo para negativo, sem caminho de volta, permanece invisível para ambos até virar demissão.

Argumentamos em a IA rompeu o vínculo entre output e competência que o artefato deixou de carregar evidência da habilidade de quem o produziu. Este é um segundo rompimento, em outro eixo. O artefato também deixou de carregar evidência do que custou produzi-lo.

O Lado da Gestão: Quem Assina, e Não Quem Produz

O ensaio de Karim Jedda sobre gestão de engenharia depois do colapso do custo do código é o companheiro operacional dos números de Vella. A frase central: “Em todo nível da organização, o trabalho que sobrevive é o trabalho que alguém precisa assinar”.

O veredito dele sobre o painel padrão é direto. Velocity, contagem de PRs e tickets fechados se tornaram “ativamente enganosos”, porque volume virou a forma mais barata de elevá-los. Acrescentar métricas específicas de IA piora a situação. Taxas de aceitação e contagem de prompts, na expressão dele, “resolvem o problema errado”.

Ele é igualmente direto sobre a camada de revisão que muitos times estão instalando como resposta. Sobre IA revisando IA: “o verificador compartilha dados de treino, vieses e pontos cegos com o gerador. A autorrevisão pega o typo. Ela não pega o mal-entendido compartilhado”. O efeito líquido que ele projeta é “menos erros bobos, mais erros sistêmicos, porque output plausível em alto volume agora passa por revisão plausível em alto volume”.

A distinção útil de Jedda separa verificação mecânica de verificação semântica. A mecânica cobre tipos, testes, contratos, invariantes e métricas de canário, e seu custo está colapsando junto com o custo do código. A semântica pergunta se este sistema deveria existir nesse formato, e segue cara porque resiste tanto à compressão quanto à delegação. A projeção dele: “No limite agêntico, o gráfico para de registrar quem produz e começa a registrar quem assina”.

Ele também demarca onde os ganhos são reais. Eles “aparecem com clareza em greenfield, boilerplate e território desconhecido. Somem ou se invertem em trabalho profundo sobre sistemas que o engenheiro já domina”. Essa inversão em sistemas familiares é o mesmo terreno do acerto de contas dos agentes de IA com velocidade, e encaixa direto no achado de flow de Vella: trabalho profundo em um sistema que você conhece é exatamente onde a interrupção custa mais e aparece menos em gráfico de vazão. O dano ao pipeline de juniores, observa Jedda, “quebra com atraso, então você só vai perceber daqui a três a cinco anos”.

Jedda não traz estatística própria, e ele declara que o Gemini 4 ajudou na edição do texto. Trate-o como moldura de gestão, com Vella fornecendo a evidência. A moldura de assinatura dele também conversa com um argumento que já fizemos sobre o que a IA apaga da responsabilização: uma assinatura só vale alguma coisa quando quem assinou pode ser localizado depois.

Copie o Instrumento, Que É o Ativo Transferível

O ativo transferível no trabalho de Vella é o instrumento, e rodá-lo internamente custa quase nada.

Peça aos seus engenheiros que avaliem quatro dimensões, separadas de qualquer pergunta sobre produtividade: estado de flow, carga cognitiva, velocidade do ciclo de feedback e confiança no código que entregam. Use uma escala simples de melhor, igual ou pior. Faça duas vezes, com seis meses de intervalo, com as respostas vinculadas às mesmas pessoas para que você consiga montar a tabela de transição. O anonimato sobrevive se você usar hash no identificador; o pareamento é o que gera o achado.

Depois leia a variação, e só a variação. Um agregado estável não prova coisa alguma aqui, como os próprios 84% de Vella demonstram. O que interessa é a contagem de pessoas que saíram de plenamente positivo para qualquer outra coisa, e a contagem das que voltaram. Se o caminho de volta estiver vazio, você tem a mesma erosão de mão única dentro de casa, e a encontrou na janela em que ela ainda é barata de tratar.

Uma ressalva acompanha qualquer uso desses números. A janela de coleta de Vella vai de outubro de 2024 a abril de 2025, e ela mesma sinaliza que isso, “em termos de IA, já é bastante tempo atrás”, melhor lido como uma fotografia daquele período. O desenho é de pesquisa longitudinal por survey em coorte pareada, com todos os limites que isso impõe a inferências causais. Ela estabelece que as duas variáveis se separaram em uma população real ao longo de tempo real. A magnitude para o seu time fica em aberto, que é precisamente o motivo pelo qual rodar o instrumento vale mais do que citar o dela.

Uma queda de velocidade se anuncia sozinha no relatório da próxima sprint. Essa erosão se anuncia em uma carta de demissão, três trimestres depois do ponto em que dava para agir barato. O instrumento que separa os dois cabe em uma tela e toma quatro minutos de um engenheiro, duas vezes por ano.

---

Fontes

• Annie Vella, University of Auckland. “The Productivity-Experience Paradox.” Julho de 2026.
• Karim Jedda. “Engineering management after the cost of code collapsed.” Julho de 2026.

A Victorino ajuda organizações de engenharia a instrumentar experiência de desenvolvimento junto com output, para que rollouts de IA revelem a erosão antes que ela vire turnover: contato@victorino.com.br | www.victorino.com.br