A Ilusão da Velocidade Agora Tem Três Nomes

Em 1882, Thomas Edison inaugurou a Pearl Street Station, a primeira usina de energia elétrica comercial do mundo. Em 1920, quase metade das fábricas americanas já tinha acesso à eletricidade. Os ganhos de produtividade? Apareceram só nos anos 1910. Trinta anos depois.

O atraso não era técnico. As fábricas continuavam organizadas em torno de um eixo central de transmissão mecânica, agora movido por motor elétrico em vez de vapor. Substituíram a fonte de energia sem mudar a arquitetura do trabalho. A produtividade só veio quando uma nova geração de engenheiros redesenhou as fábricas do zero: motores individuais por máquina, layouts otimizados por fluxo, processos pensados para a eletricidade.

O padrão se repetiu com o computador pessoal. O Solow Paradox, que Robert Solow observou em 1987 (“computadores estão em toda parte, menos nas estatísticas de produtividade”), só se resolveu vinte anos depois da adoção massiva de PCs.

Estamos vivendo a terceira iteração. E três fontes independentes, publicadas na mesma semana de março de 2026, descrevem o mesmo fenômeno de ângulos completamente diferentes.

O Engenheiro, o Investidor e a Pesquisadora

Alvaro Lorente, no Engineering Tax (18 de março), dissecou dados de equipes de engenharia. Julie Beliao, pesquisadora da Mozilla AI (17 de março), investigou o que acontece quando produzir código se torna trivial. Omar El-Ayat, da Euclid VC (19 de março), contextualizou a adoção de IA com décadas de história industrial.

Nenhum cita o outro. Os três chegam à mesma conclusão.

Lorente mostra que equipes usando IA reportam produtividade percebida de mais de 50%, enquanto experimentos controlados documentam declínio em tarefas complexas. O ciclo “construir, aprender, ajustar” virou “construir, construir, construir”. Mais código, entrega estagnada.

Beliao faz a pergunta que ninguém está fazendo nas empresas: “Quem realmente tem autoridade para desacelerar?” Quando código deixa de ser escasso, a barreira para colocar qualquer coisa em produção desaparece. A habilidade que importa deixa de ser velocidade de escrita e passa a ser capacidade de julgamento. Mas julgamento não escala com prompt engineering.

El-Ayat traz o enquadramento histórico mais relevante. A General Motors investiu entre 40 e 45 bilhões de dólares em robôs nos anos 1980, tratando automação como substituição direta de trabalho humano. Fracassou. A Toyota, no mesmo período, nunca vendeu um robô. Redesenhou o processo inteiro ao redor de princípios de fluxo e qualidade. Fez um carro melhor.

O Que a GM Errou em 1985

O erro da GM não foi investir em robôs. Foi tratar robôs como substitutos diretos de trabalhadores numa linha de montagem desenhada para trabalhadores. A fábrica continuou a mesma. Os robôs entraram onde os humanos saíram. A complexidade aumentou, os custos aumentaram, a qualidade não melhorou.

A Toyota percebeu algo diferente. O valor dos robôs não estava na velocidade de execução, e sim na possibilidade de redesenhar o sistema inteiro. A produção enxuta não era sobre robôs mais rápidos. Era sobre eliminar desperdício de forma que só seria possível com robôs.

Como já exploramos em A Armadilha da Velocidade, otimizar a etapa de escrever código quando ela representa 20% do ciclo de entrega cria engarrafamentos, não produtividade. A tese técnica já está documentada. O que estas três fontes acrescentam é a dimensão histórica: o padrão não é novo. Aconteceu com eletricidade. Aconteceu com PCs. Está acontecendo com IA.

Os Números Que Importam

El-Ayat traz um dado que deveria preocupar qualquer liderança executiva: 37% das horas de trabalho nos EUA, concentradas em setores como construção, saúde e transporte, geram apenas 24% da produção. São setores onde digitalização é baixa e processos ainda dependem de coordenação humana intensiva.

Enquanto isso, apenas 13% dos trabalhadores americanos acreditam que IA fará mais bem do que mal. A confiança é baixa exatamente nos setores onde o impacto potencial é maior.

A Armadilha da Intensidade, que documentamos em fevereiro, já mostrava como ferramentas de IA intensificam o trabalho em vez de reduzi-lo. Os dados de Lorente confirmam essa dinâmica em equipes de engenharia: a percepção de produtividade sobe enquanto as métricas reais de entrega ficam paradas.

Não é preguiça, não é incompetência. É o mesmo mecanismo que fez fábricas eletrificadas produzirem menos por trinta anos. Tecnologia nova, arquitetura velha.

Autoridade para Desacelerar

A pergunta de Beliao é a mais incômoda das três fontes porque toca em estrutura de poder. Em organizações onde velocidade de entrega é a métrica dominante, quem tem legitimidade para dizer “talvez devêssemos produzir menos”?

Engenheiros seniores sabem que parte do código gerado por IA vai criar débito técnico. Sabem que pull requests multiplicados sem revisão adequada geram fragilidade. Mas quando o board mede throughput em linhas de código ou PRs por sprint, questionar a velocidade é equivalente a questionar o próprio modelo de avaliação.

A resposta de Beliao é precisa: código não é mais escasso. Julgamento contínua sendo. E toda organização que trata código gerado por IA como se tivesse o mesmo custo marginal de produção que código humano está acumulando passivos invisíveis.

A Fábrica Precisa de Uma Nova Planta

Quando as fábricas finalmente capturaram os ganhos da eletrificação, não foi porque compraram motores melhores. Foi porque contrataram engenheiros que nunca tinham trabalhado com transmissão mecânica. Engenheiros que olharam para a eletricidade e perguntaram: “Se eu começasse do zero, como organizaria está produção?”

A pergunta equivalente para IA em engenharia de software é: se código se tornou abundante e barato, como redesenho o processo de entrega ao redor dessa nova realidade?

A resposta não é “mais código, mais rápido”. Essa é a resposta da GM em 1985. A resposta da Toyota começa com uma pergunta diferente: onde está o desperdício real no meu processo? Está em filas de code review? Em ambiguidade de requisitos? Em retrabalho por falta de contexto? Em ciclos de aprovação que não agregam valor?

Lorente, Beliao e El-Ayat apontam para a mesma direção, cada um com suas ferramentas. O engenheiro vê métricas que mentem. A pesquisadora vê estruturas de poder que impedem correção. O investidor vê trinta anos de história dizendo a mesma coisa.

Velocidade sem redesenho é desperdício com um nome bonito.

Fontes

Lorente, Alvaro. “The Illusion of Speed.” The Engineering Tax, março 2026.
Beliao, Julie. “When Shipping Becomes Too Easy.” Mozilla AI, março 2026.
El-Ayat, Omar. “We Need to Talk About Agents.” Euclid VC, março 2026.

A Victorino Group ajuda organizações a redesenhar processos de entrega para capturar valor real da IA, não apenas velocidade percebida: contato@victorino.com.br | www.victorino.com.br