Sua IA acabou de produzir dívida técnica em massa.
A IA deveria deixar sua base de código melhor. Ela deixou pior.
Pela primeira vez desde a invenção do controle de versão, equipes estão entregando mais rápido e quebrando mais coisas.
A IA faz três coisas para equipes de engenharia. Ela escreve código mais rápido. Ela detecta defeitos mais cedo. Ela constrói coisas que sua equipe atual não consegue construir sozinha.
A indústria apostou tudo na primeira. Velocidade. Mais código, mais rápido.
Ninguém perguntou o que acontece quando você triplica a produção de uma equipe que já não entendia metade do próprio código.
Fonte: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
Já vi isso antes. Todos nós vimos.
No final dos anos 1990, o Java empresarial prometeu escreva-uma-vez-execute-em-qualquer-lugar. Empresas apostaram linhas de produtos inteiras nisso. J2EE, EJBs, pilhas de middleware.
Em 2005, mudar a cor de um botão em um aplicativo Java empresarial comum exigia 14 arquivos em 6 pacotes. Martin Fowler chamou isso de "a doença empresarial". As empresas não conseguiam entregar. Não conseguiam contratar ninguém que entendesse o sistema. Não conseguiam reescrever porque não conseguiam documentar o que o sistema antigo fazia.
A correção levou uma década. Frameworks leves. TDD. CI. Ágil. A indústria teve que reconstruir a camada de gestão em torno da tecnologia.
A IA está fazendo a mesma coisa em um cronograma comprimido.
Demos a cada desenvolvedor a capacidade de gerar milhares de linhas de código por dia. O desenvolvedor que solicitou não consegue explicar o que foi construído. O revisor que aprovou não leu. E o próximo desenvolvedor que herdar vai tratar como uma caixa preta, porque é exatamente isso que é.
Observei isso em bases de código legadas e em demonstrações do zero. Elas quebram das mesmas formas.
Aqui estão os 5 modos de falha que vemos em nossos projetos.
Os 5 Modos de Falha da IA em Bases de Código Reais
1. Volume gerado por IA é o novo "jogar gente no problema".
Todo CTO comprou licenças do Cursor. Todo conselho perguntou pelo ROI. O ciclo de hype se completou em menos de um ano.
Mas mais código nunca foi o problema.
70% das empresas da Fortune 500 ainda rodam software com mais de vinte anos. Essas bases de código não são lentas porque os desenvolvedores digitam devagar. Elas são lentas porque ninguém vivo na empresa entende todas as regras de negócio codificadas no sistema.
Dê acesso a um agente de IA nessa base de código. Ele produzirá código funcional que passa nos testes e viola contratos que ninguém documentou.
Relatório DORA 2026: ferramentas de IA entregam ganhos de 35-40% em tarefas limpas do zero. Em bases legadas, mesmas ferramentas, 10% ou menos. Uma diferença de 4x.
O gargalo era a compreensão. A IA piorou isso.
2. Dívida de compreensão é a nova dívida técnica.
O GitClear analisou 623 milhões de alterações de código. Refatoração legada caiu 74% desde 2023. Ferramentas de IA geram código novo em vez de reutilizar o que existe. Um teste que passa. Um ticket fechado. Sem consolidação com o sistema existente.
Addy Osmani, do Google, deu o nome: dívida de compreensão — a diferença entre quanto código existe e quanto qualquer humano entende.
Em uma base de código de 6 meses, você se recupera. Em um monolito de 10 anos com integrações não documentadas e regras de negócio espalhadas por centenas de arquivos, não.
Dívida técnica é código que você sabe que é ruim. Dívida de compreensão é código que você não consegue avaliar. A IA é a primeira tecnologia que gera o segundo tipo em escala.
3. Revisão teatral é o novo carimbo automático.
31% mais PRs mesclados com revisão zero no conjunto de dados de 22.000 desenvolvedores da Faros AI. O tempo médio de revisão aumentou 5x porque os revisores não conseguiam acompanhar o volume.
Mais produção, menos controle de qualidade, ninguém com poder para desacelerar. Já vimos esse padrão organizacional centenas de vezes antes da IA existir. Agora ele roda em velocidade de máquina.
A Anthropic descobriu que desenvolvedores que usam IA para delegação passiva pontuaram abaixo de 40% em testes de compreensão. Investigação ativa: 65%+. As mesmas ferramentas. A variável era o humano.
A maioria das equipes está usando IA para evitar pensar. Isso cobra seu preço em produção.
4. Quem entende o sistema tem menos incentivo para alimentá-lo com IA.
Conversei com o diretor de engenharia de uma empresa de software apoiada por private equity com cerca de US$ 15 milhões em receita. A equipe dele testou o Claude internamente. Palavras dele: "Fez um monte de besteira."
Ele tem razão em ser cético.
A Ford deixou engenheiros experientes saírem antes que seu conhecimento pudesse treinar os sistemas de qualidade. Três anos e bilhões em custos de garantia depois, eles recontrataram 350 engenheiros veteranos. Esses engenheiros retreinaram a IA. Reconstruíram processos de qualidade. A Ford agora lidera o Estudo de Qualidade Inicial da JD Power em 2026 pela primeira vez em 16 anos.
O VP de engenharia de hardware: eles achavam que ingerir requisitos de design produziria um produto de alta qualidade. Não produziu. Conhecimento de domínio tinha que vir primeiro.
As pessoas que detêm o conhecimento institucional já viram a última rodada de iniciativas de "eficiência". Elas sabem o que acontece depois que o processo é documentado. As guildas medievais mantinham seus métodos em segredo pelo mesmo motivo.
5. A base de código que mais precisa de IA é onde a IA funciona pior.
Plataformas SaaS de médio porte. Sistemas de saúde. Backends logísticos. Produtos de serviços financeiros construídos por desenvolvedores que saíram há anos.
Essas empresas têm clientes pagantes, receita real e regras de negócio que valem a pena preservar. Elas têm a maior superfície para a IA acelerar.
Toda ferramenta de codificação de IA vendida hoje assume que a base de código é limpa, a arquitetura é modular, o desenvolvedor consegue dar contexto suficiente ao agente. Essa premissa quebra dentro de um monolito de 10 anos com integrações não documentadas e regras de negócio que ninguém lembra ter escrito.
74% das iniciativas de IA não escalam além do piloto, segundo a Gartner. O modelo funciona bem. A base de código não estava pronta para ele.
O que realmente conserta isso
Provamos isso em um projeto real. Dois engenheiros em uma plataforma logística legada. 330 PRs mesclados em 6 meses. ~90% de código gerado por IA. O cliente os chamou de sua equipe de melhor desempenho. Eles receberam bônus discricionários duas vezes.
Esse resultado veio da preparação, não de modelos melhores. Três coisas aconteceram antes da IA tocar uma linha de código.
Documente antes de solicitar. Chamamos de Etapa Zero. Antes de qualquer agente de IA tocar em uma base de código legada, você escaneia o código existente, produz documentação legível por IA, torna o sistema compreensível para as ferramentas. O agente não consegue raciocinar sobre o que não pode ver. A recuperação da Ford começou aqui. Eles trouxeram de volta as pessoas que entendiam o sistema, documentaram o que sabiam, e só então retreinaram a IA.
Defina as zonas. 80/20/0. 80% de código padrão (CRUD, testes, config, docs): a IA gera livremente. 20% de lógica de negócio e integrações: modo copiloto, IA rascunha, engenheiro reescreve. 0% de autenticação, pagamentos, criptografia, decisões de arquitetura: nenhuma IA toca. Essa disciplina impede que a dívida de compreensão se acumule.
Meça antes de escalar. Custo por commit. Padrões de uso do modelo. Porcentagem de código de IA. Métricas DORA em todas as equipes. Linha de base antes da IA. Medição depois. Sem esses dados, você está voando às cegas para o mesmo choque de aceleração que atingiu 22.000 desenvolvedores no conjunto de dados da Faros.
Para onde isso está indo
A Microsoft comprometeu US$ 2,5 bilhões. A Amazon comprometeu US$ 1 bilhão. A Anthropic levantou US$ 1,5 bilhão. A OpenAI levantou US$ 4 bilhões. Tudo voltado para o mesmo problema: fazer a IA funcionar dentro de empresas que já existem.
O mercado focou no zero porque as demonstrações são melhores. O maior impacto na engenharia virá das empresas cujas bases de código são as mais feias, cujos produtos são os mais antigos e cujos pipelines foram construídos antes de alguém ouvir falar em LLM.
O gargalo é o sistema de engenharia por baixo do modelo.
P.S. É isso que fazemos na @ Limestone Digital. Incorporamos equipes de engenharia nativas em IA em bases de código existentes. Etapa Zero, disciplina de zonas, infraestrutura de medição. Se seu piloto de IA travou em uma base de código legada, me mande uma DM.
Entre em contato: limestonedigital.com
