A Faros AI monitorou dados reais de 22 mil desenvolvedores em 4 mil equipes durante dois anos. O relatório de 2026 tem um número que vale ler duas vezes: throughput de código subiu 66%. Incidentes em produção subiram 242%.
Não são métricas de organizações diferentes. São do mesmo estudo, das mesmas equipes, no mesmo período.
A pergunta que esse dado coloca é mais útil do que a resposta imediata. Como a geração acelerou e a estabilidade do sistema piorou ao mesmo tempo?
O que viajou junto com o volume
O número de 66% de throughput tem cara de sucesso. De certa forma é: as equipes fecharam mais épicos, abriram mais PRs, tocaram mais tarefas por dia. O volume cresceu.
O problema está no que veio junto.
O tamanho médio das PRs cresceu 51%. O tempo de revisão multiplicou por cinco. E 31% mais PRs chegaram ao merge sem nenhuma revisão. Não revisão rápida. Nenhuma revisão.
Quando você multiplica volume por tamanho e divide por atenção de revisão, os 242% de incidentes fazem sentido. Não são uma anomalia. São o resultado esperado de um sistema que acelerou num ponto e deixou outro no ritmo antigo.
O gargalo que não sumiu, só mudou de endereço
A IA reduziu o custo de geração de código. Isso é real e não vai reverter.
O que não reduziu foi o custo de revisar, entender e validar o que foi gerado. Esse custo ainda corre no tempo humano. E quando o volume explode sem que o processo de revisão acompanhe, o sistema absorve a pressão do jeito que consegue: menos inspeção por PR, mais código chegando à produção sem passar por olhos críticos.
A CircleCI documentou a mesma tensão nos dados de software delivery de 2026, cobrindo 28 milhões de workflows de CI/CD: times estão gerando mais código do que nunca, mas menos mudanças chegam à produção de forma estável. O gargalo migrou da geração para a validação. A maioria dos roadmaps ainda está apontada para o gargalo que era.
Por que a especificação ficou para trás
Há um mecanismo que me parece central para entender os incidentes.
Sem uma especificação clara do que o código precisa fazer, o agente escolhe o caminho mais plausível com base no contexto disponível. O código gerado compila, passa no lint, às vezes passa nos testes. O que não passa é a verificação semântica: o código faz o que foi pedido, não necessariamente o que era preciso.
Quando 31% das PRs chegam ao merge sem revisão, esse filtro desapareceu. O que chega à produção não foi inspecionado. E quando algo falha, a investigação precisa desembaraçar código volumoso gerado em velocidade, sem rastreamento claro da intenção original.
Mamdouh Alenezi, em revisão sistemática de 48 publicações peer-reviewed publicada no arXiv em junho de 2026, documenta o deslocamento: o desafio central da engenharia com IA não é produzir código. É julgar e verificar. As habilidades de especificação, avaliação crítica e orquestração são as que determinam se a aceleração gera entrega ou acumula instabilidade.
O dado do Faros AI é o indicador mais concreto de que, por enquanto, o mercado acelerou a produção e deixou a verificação no tempo antigo.
Acelerar o loop inteiro
A resposta não é desacelerar a geração. Ninguém vai propor isso, e nem faz sentido.
A pergunta mais útil é o que precisa ser acelerado junto. Duas coisas me parecem fundamentais.
A primeira é validação autônoma. Se o volume de código gerado superou a capacidade humana de revisão, o processo precisa cobrir o que o humano não alcança. Testes que verificam comportamento definido, não apenas sintaxe. Pipelines que inspecionam conformidade antes do merge. Ferramentas que identificam desvios de padrão antes de chegarem à produção.
A segunda é especificação antes da geração. Um agente com especificação clara produz código que já vem amarrado ao que deveria fazer. A revisão confirma, não descobre. O teste verifica um comportamento descrito, não cheira o resultado. O merge fecha um ciclo com ponto de partida identificável.
Sem essas duas, o throughput vai continuar subindo. E os incidentes, também.