Agentes de código adicionam 30% mais linhas por trabalhador por mês. Trabalho entregue: zero mudança mensurável.
Fiona Chen e James Stratton, da Harvard, chegaram a esse número em agosto de 2026, depois de analisar 300 milhões de eventos de trabalho coletados de 718 empresas. O dado incomoda não só pela direção, mas pela magnitude da diferença. O código cresceu. A entrega não acompanhou.
O que acontece no meio é onde o estudo foi olhar.
O que cresceu entre escrever e entregar
O tempo de code review subiu 49%. A parcela de pull requests devolvidos com change requests quase dobrou. O número de comentários por PR cresceu 35%.
O agente gerou mais rápido. O revisor não revisou mais rápido.
A Faros AI mediu o mesmo fenômeno com outra amostra: 22.000 desenvolvedores em mais de 4.000 times. O tempo mediano em code review subiu 441%. O tempo até a primeira revisão chegar ao código, 157%. E um número que resume bem a pressão sobre o sistema: 31% a mais de PRs chegaram a produção sem revisão alguma. O relatório interpreta como revisores que simplesmente não conseguiam acompanhar o volume que chegava.
Por que código de agente chega diferente na revisão
O problema não é só quanto código entra na fila. É o perfil do que chega.
A LinearB analisou 8,1 milhões de pull requests em 4.813 times ao redor do mundo. No percentil 75, PRs com assistência de agente tinham 408 linhas. PRs sem assistência: 157. Quase três vezes mais.
Além do tamanho, o conteúdo é diferente. PRs gerados com IA carregam 1,7 vez mais issues do que PRs escritos por humanos. Erros críticos: 40% acima. Erros lógicos: 75% acima. A taxa de merge cai de 84,5% para 32,7%.
Tem um mecanismo simples aqui. Revisar código que alguém escreveu significa ler raciocínio registrado. O autor sabia o que queria fazer e fez. Revisar código que um agente gerou exige reconstruir o raciocínio que deveria estar por trás do output. O contexto de intenção, na maior parte dos PRs de agente, não está documentado. Está em algum lugar entre o prompt inicial e o arquivo gerado, e o revisor precisa preencher esse gap.
Código de agente não chegou apenas em quantidade maior. Chegou exigindo mais trabalho por unidade.
O trinta por cento que ficou mais pesado
O paradigma 70/30 descreve uma redistribuição: quando a execução fica barata, o valor migra para especificação, revisão e validação. O que os dados de 2026 tornam concreto é que esse deslocamento trouxe uma assimetria junto.
A geração de código acelerou. A carga sobre a camada de revisão cresceu na mesma proporção, mas o trabalho por unidade ficou mais difícil. Mais código. PRs maiores. Mais issues por PR. Contexto de intenção que o revisor precisa recuperar de algum lugar.
He et al., num paper publicado no arXiv em julho de 2026, rastrearam 802 desenvolvedores e 196.212 pull requests numa empresa com mandato explícito de dobrar throughput. A carga por revisor dobrou também. A revisão automatizada ultrapassou a revisão humana em volume. O sistema absorbeu o volume, mas a responsabilidade de garantir que o que passou era adequado ficou sobre revisões humanas cada vez mais escassas, cada uma mais pesada que a anterior.
Na minha leitura, é isso que o dado de zero entrega adicional do Harvard torna visível. Você pode dobrar a velocidade de geração sem ter dobrado a capacidade de absorção downstream. O gargalo não sumiu com a IA. Só trocou de sala.
O que muda quando a especificação precede a geração
Chen e Stratton documentam que, até março de 2026, 80% das empresas do estudo já usavam alguma ferramenta de revisão por IA. O resultado: 23% dos comentários de revisão vieram dessas ferramentas. O ferramental chegou antes que o processo fosse preparado para aproveitá-lo.
A resposta mais óbvia seria contratar mais revisores ou adotar ferramentas melhores de revisão. Mas me parece que o problema está antes disso. Ele está no que chega para revisar.
Um PR de 400 linhas gerado sem spec clara chegou nesse tamanho por alguma razão. Quando o agente opera dentro de uma especificação com escopo definido, critérios verificáveis e intenção documentada, o output que chega para revisão é menor e mais coeso. O revisor consegue fazer o trabalho dele quando o que chega faz sentido por si mesmo.
O estudo de Harvard não mostra que agentes de código não funcionam. Mostra que a parte do pipeline que a IA não trouxe consigo, a capacidade de revisar, validar e absorver o que foi gerado, ficou para trás quando a geração acelerou. Enquanto essa parte não for redesenhada com a mesma atenção que foi dada à geração, o número que incomoda vai continuar o mesmo: 30% mais código, entrega igual.
Referências
- Fiona Chen, James Stratton – Artificial Intelligence in the Firm: Bottlenecks in Software Production (Harvard, 4 ago 2026)
- Faros AI – The AI Engineering Report 2026: The Acceleration Whiplash
- LinearB – Engineering Benchmarks and Research 2026
- Hao He et al. – AI Writes Faster Than Humans Can Review: A Longitudinal Study of an Enterprise 2x Mandate (arXiv 2607.01904, 2 jul 2026)