31% do dia de um desenvolvedor é consumido hoje por trabalho que não aparece nos relatórios de produtividade. Não é reunião. Não é burocracia.
É o custo de revisar o que a IA produziu.
O relatório 2026 State of Engineering Excellence, conduzido pela Harness, documentou algo que engenheiros vinham descrevendo em conversas desde que ferramentas de codificação com IA viraram padrão: a IA acelerou o output e criou trabalho novo no mesmo movimento. Não são dados de laboratório. São equipes usando IA em ciclos reais de desenvolvimento.
A aceleração está nos relatórios. A carga que ela criou, não.
O que os indicadores registram
O ganho de velocidade é real. Times entregam mais features, os dashboards sobem, as apresentações para a liderança melhoraram. Esse não é o problema.
O problema é que indicadores de produtividade medem volume: linhas de código, PRs fechados, features entregues. Funcionam bem quando o trabalho humano domina o ciclo, porque volume e esforço são razoavelmente correlacionados. Quando a IA entra em escala, a correlação se desfaz.
O volume de código pode subir 40%, e o esforço humano de validação pode subir proporcionalmente junto. O resultado líquido pode ser positivo, negativo ou neutro, dependendo do time e da forma como está especificando. Mas o indicador de volume não consegue te dizer qual dos três. Ele registra só metade da equação.
O trabalho que não entra na conta
Os dados da Harness são específicos o suficiente para entender o que está acontecendo.
81% dos líderes de engenharia reportam que o tempo de revisão de código aumentou desde que adotaram ferramentas de IA. As três principais fontes de atrito que os próprios desenvolvedores apontam: revisar a acurácia do código gerado (53%), corrigir bugs sutis introduzidos pelo modelo (52%) e explicar o que foi produzido para colegas que precisam trabalhar com aquele código depois (48%).
Nada disso aparece no output. Não entra na contagem de PRs nem na velocidade de entregas.
Só 38% das organizações rastreiam o tempo que as equipes gastam revisando código gerado por IA. E 94% dos entrevistados concordam que as métricas atuais não capturam dívida técnica, tempo de validação nem o impacto desse overhead no longo prazo.
A maioria já sabe que o número está incompleto. Poucos estão medindo o que falta.
Por que os 30% ficaram mais pesados
O argumento central do paradigma 70/30, que Cory Hymel formalizou no modelo V-Bounce, é que a IA executa as tarefas de baixa incerteza e os humanos ficam com o julgamento, a arquitetura e a validação. Isso está correto.
O que essa descrição não captura é que o volume gerado no lado dos 70% cresceu, e o lado dos 30% precisa processar tudo isso. Mais output gerado por ciclo significa mais material para validar por ciclo. A capacidade de throughput humano vira o gargalo, mesmo que cada peça de código individualmente pareça mais simples.
É um efeito que aparece de forma silenciosa. O time sente que está mais ocupado do que esperava, mas os indicadores mostram mais entregas. A desconexão entre o que o número diz e o que as pessoas sentem é exatamente o gap de medição que os 94% descreveram.
Especificar antes é mais barato do que revisar depois
A implicação prática não é usar menos IA. É que a qualidade da especificação que você dá para a IA antes de ela gerar código tem um custo real, que fica visível quando você começa a medir o overhead de revisão.
Um spec preciso limita o espaço de variação do output. Código gerado dentro de um espaço bem delimitado exige menos revisão por unidade produzida. Código gerado a partir de um prompt vago pode ser tecnicamente válido e ainda assim obrigar o revisor a reconstruir a intenção de trás pra frente.
O trabalho de validação não desaparece quando você especifica melhor. Mas ele se concentra no momento certo, antes de o código existir, quando é mais barato corrigir o rumo. E a razão entre output gerado e overhead de revisão melhora.
Medir o custo de validação junto com o volume de output é a única forma de saber se o ganho de velocidade está gerando valor ou só redistribuindo trabalho para um lugar onde os indicadores não olham.
A IA criou trabalho. A parte que não aparece no dashboard não deixou de existir. E quem só mede o output nunca vai saber se o custo total fecha.