A Mudança de Fase na Engenharia de Software

Em janeiro de 2026, Andrej Karpathy — ex-diretor de IA da Tesla, membro fundador da OpenAI — publicou um relato que condensou o que milhares de engenheiros estavam sentindo mas não conseguiam articular: em poucas semanas, ele inverteu sua proporção de trabalho de 80% código manual para 80% agentes de IA.

Isso não é hype de marketing. É um relato de campo de um dos engenheiros mais qualificados do mundo, trabalhando com código real.

A Inversão 80/20

Karpathy descreve uma mudança que aconteceu entre novembro e dezembro de 2025. Ferramentas como Claude Code e Codex cruzaram o que ele chama de “limiar de coerência” — o ponto em que agentes de IA passaram a ser úteis o suficiente para justificar a mudança de workflow.

O resultado: ele agora programa majoritariamente em inglês, descrevendo em palavras o que o código deve fazer.

Boris Cherny, criador do Claude Code na Anthropic, foi além. Em dezembro de 2025, revelou que nos últimos 30 dias havia submetido 259 pull requests — 497 commits, 40 mil linhas adicionadas, 38 mil removidas. Cada linha escrita por Claude Code + Opus 4.5.

Esse dado é relevante não pelo volume, mas pelo que revela: quando a ferramenta atinge um nível de coerência suficiente, o gargalo deixa de ser a capacidade de escrever código e passa a ser a capacidade de dirigir e revisar.

O Paradoxo da Produtividade

Antes de celebrar os números, vale confrontar a evidência contrária.

O laboratório METR conduziu um ensaio clínico randomizado no primeiro semestre de 2025 com 16 desenvolvedores experientes trabalhando em repositórios open source maduros. O resultado surpreendeu: desenvolvedores usando ferramentas de IA levaram 19% mais tempo para completar tarefas — apesar de acreditarem que estavam 20% mais rápidos.

Simon Willison, desenvolvedor e defensor vocal de ferramentas de IA, estima que LLMs o tornam 2-5x mais produtivo especificamente na parte de escrever código — que é uma fração do trabalho real de engenharia de software.

A contradição entre esses dados e os relatos de Karpathy e Cherny não é um paradoxo — é um indicador de contexto. O estudo METR avaliou ferramentas de fevereiro-junho de 2025 (Cursor Pro com Claude 3.5/3.7), em repositórios que os desenvolvedores já conheciam intimamente. Karpathy descreve ferramentas de dezembro de 2025 em diante. A evolução entre esses períodos é significativa.

Mas o ponto mais importante é outro: os desenvolvedores do estudo METR continuaram usando as ferramentas depois do experimento. 69% mantiveram o Cursor ativo. Isso sugere que os ganhos percebidos vão além de velocidade — incluem redução de fadiga cognitiva e investimento em aprendizado das ferramentas. Tanto Karpathy quanto Willison convergem para uma distinção mais profunda: “expansão” versus “aceleração”.

Aceleração versus Expansão

Esta é a distinção mais relevante para empresas.

Karpathy não diz que faz as mesmas coisas mais rápido. Diz que faz coisas que antes não faria — porque não compensavam o investimento de tempo, ou porque exigiam conhecimento que ele não possuía.

Willison descreve o mesmo fenômeno: o valor da IA não é terminar tarefas mais rápido, mas viabilizar projetos que não teriam justificativa de tempo sem assistência.

Para uma empresa, isso significa: a pergunta correta não é “quanto mais rápido minha equipe codifica?”, mas “que problemas minha equipe agora consegue resolver que antes eram inviáveis?”

O Engenheiro 10x na Era dos Agentes

Karpathy levanta a questão: o que acontece com a razão de produtividade entre o engenheiro mediano e o engenheiro excepcional?

Nate Meyvis, em análise publicada em seu blog, argumenta que essa razão provavelmente cresce. Engenheiros excepcionais se beneficiam desproporcionalmente porque sabem formular problemas com mais precisão, revisar resultados com mais critério e compor soluções em escala.

Mas há um detalhe importante: Meyvis sugere que entre engenheiros do percentil 95-99, a IA pode nivelar o campo — todos acessam ferramentas similares de detecção de erros e melhoria de design. A divergência real acontece no percentil 99,9: engenheiros que combinam visão estratégica com maestria técnica amplificam seu impacto de forma desproporcional.

Isso tem uma implicação direta para contratação e desenvolvimento de talentos: o valor diferencial do engenheiro excepcional não está mais na velocidade de digitação ou na memorização de APIs — está na capacidade de definir problemas, avaliar trade-offs e manter a coerência arquitetural quando o agente não consegue.

O “Capability Overhang” — O Gap Real

A OpenAI, liderada por Sam Altman, enquadrou esse gap como “capability overhang” em Davos: a distância crescente entre o que a IA já consegue fazer e o que organizações realmente utilizam.

Esse gap não é tecnológico — é organizacional. Faltam workflows adaptados, processos de governança para código gerado por IA, e principalmente habilidades de “engenharia agêntica”: a capacidade de projetar, governar e operar agentes em produção.

Dados do IDC projetam que mais de 90% das empresas enfrentarão escassez crítica de habilidades em 2026, com perdas potenciais de US$ 5,5 trilhões — reduzidas de US$ 6,5 trilhões estimados dois anos antes, com a própria IA já mitigando US$ 1 trilhão do impacto. Habilidades de IA são agora o conjunto de competências mais valorizado e demandado, citado por 45% dos entrevistados no relatório.

O paradoxo: quanto mais capaz a IA se torna, mais visível fica o gap de engenharia. Fechar esse gap não requer modelos mais inteligentes — requer uma nova disciplina de engenharia.

Os Riscos Que Karpathy Identifica

Karpathy não é ingênuo sobre as limitações. Ele cataloga problemas específicos que persistem:

Erros conceituais sutis: Os modelos não erram mais em sintaxe. Erram em premissas — fazem suposições silenciosas e avançam sem verificar. É o tipo de erro que um desenvolvedor júnior apressado cometeria.

Excesso de engenharia: Agentes tendem a complicar código desnecessariamente. Karpathy descreve casos onde 1000 linhas poderiam ser 100 — mas o agente só simplifica quando questionado.

Atrofia de habilidades: Ele nota que a capacidade de escrever código manualmente já começa a atrofiar. Geração e discriminação são capacidades cognitivas distintas — você consegue revisar código mesmo quando já não consegue escrevê-lo com a mesma fluência.

Sicofância: Os modelos são demasiadamente concordantes. Não questionam premissas, não apresentam trade-offs, não resistem quando deveriam. Isso melhora no modo de planejamento, mas há necessidade de um “modo de plano leve” integrado ao fluxo.

O Que Isso Significa Para Sua Empresa

A mudança de fase já aconteceu. A questão não é se, mas como sua organização responde.

Para líderes de tecnologia: O gargalo não é mais a capacidade de escrever código. É a capacidade de definir o que deve ser escrito, revisar o que foi gerado e manter a coerência sistêmica. Invista em engenheiros que pensam em arquitetura, não em engenheiros que digitam rápido.

Para gestores de produto: A expansão do escopo viável significa que protótipos antes impossíveis agora são triviais. Use isso para validação rápida — mas não confunda velocidade de prototipagem com qualidade de produto.

Para a organização: O capability overhang é real. Se sua equipe ainda debate se IA é útil para codificação, vocês já estão atrás. A questão agora é como governar, medir e escalar o uso de agentes.

Karpathy fecha seu relato com uma observação que merece reflexão: a inteligência chegou antes da infraestrutura. As capacidades estão à frente das integrações, dos workflows organizacionais, dos processos de difusão. 2026 é o ano em que a indústria metaboliza a nova capacidade.

A pergunta para cada empresa é: você vai metabolizar, ou vai ser metabolizado?

Fontes

Andrej Karpathy. “A few random notes from claude coding.” X/Twitter, janeiro 2026.
Nate Meyvis. “The future of 10x engineering.” natemeyvis.com, 2026.
METR. “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.” metr.org, julho 2025.
Boris Cherny. 259 PRs com Claude Code. X/Twitter, dezembro 2025.
Simon Willison. “No, AI is not Making Engineers 10x as Productive.” simonwillison.net, agosto 2025.
IDC. “The $5.5 Trillion Skills Gap.” Relatório sobre prontidão da força de trabalho para IA, 2025.