Seu AI acabou de produzir dívida técnica em massa.
A IA deveria melhorar sua base de código. Mas só piorou as coisas.
Pela primeira vez desde a invenção do controle de versão, equipes estão entregando mais rápido e quebrando mais.
A IA faz três coisas para equipes de engenharia. Escreve código mais rápido. Detecta defeitos mais cedo. 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.
Fonte: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
Já vi isso antes. Todos nós já vimos.
No final dos anos 1990, o Java empresarial prometia 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 no aplicativo Java empresarial médio 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 gerenciamento 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 isso que ela é.
Observei isso em bases de código legadas e demonstrações do zero. Elas quebram das mesmas formas.
Aqui estão os 5 modos de falha que vemos em nossos engajamentos.
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 assentos do Cursor. Todo conselho perguntou pelo ROI. O ciclo de hype percorreu todo o seu curso em menos de um ano.
Mas mais código nunca foi o problema.
70% das empresas da Fortune 500 ainda executam software com mais de vinte anos. Essas bases de código não são lentas porque os desenvolvedores digitam muito devagar. São lentas porque ninguém vivo na empresa entende todas as regras de negócio codificadas no código.
Dê acesso a um agente de IA a essa base de código. Ele produzirá código funcional que passa nos testes e viola contratos que ninguém documentou.
Relatório DORA de 2026: ferramentas de IA entregam ganhos de 35-40% em tarefas novas e limpas. Em código legado, 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.
GitClear analisou 623 milhões de alterações de código. A refatoração de legado caiu 74% desde 2023. Ferramentas de IA geram código novo em vez de reutilizar o que existe. Um teste que passa. Um ticket fechado. Nenhuma consolidação com o sistema existente.
Addy Osmani, do Google, nomeou isso de dívida de compreensão: a diferença entre quanto código existe e quanto qualquer ser humano entende.
Em uma base de código de 6 meses, você se recupera. Em um monolito de 10 anos com integrações não documentadas e lógica de negócios espalhada por centenas de arquivos, você não se recupera.
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. Teatro de revisão é o novo carimbo de aprovação.
31% mais PRs mesclados com zero revisão 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 opera em velocidade de máquina.
A Anthropic descobriu que desenvolvedores usando IA para delegação passiva obtiveram pontuação 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. As pessoas que entendem o sistema têm menos incentivo para alimentá-lo com IA.
Conversei com o chefe de engenharia de uma empresa de software apoiada por private equity, com faturamento de cerca de US$ 15 milhões. Sua equipe experimentou Claude internamente. Nas palavras dele: "Fez um monte de besteira."
Ele está certo 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 de 2026 pela primeira vez em 16 anos.
O VP de engenharia de hardware deles: eles pensaram que ingerir requisitos de design produziria um produto de alta qualidade. Não produziu. A expertise de domínio tinha que vir primeiro.
As pessoas que detêm o conhecimento institucional 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 pela mesma razão.
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 de logística. Produtos de serviços financeiros construídos por desenvolvedores que saíram há anos.
Essas empresas têm clientes pagantes, receita real e lógica de negócios que vale 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 pode dar ao agente contexto suficiente. Essa suposição 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 engajamento real. Dois engenheiros em uma plataforma de 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 de preparação, não de modelos melhores. Três coisas aconteceram antes da IA tocar uma linha de código.
Documente antes de solicitar. Chamamos isso 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 inteligível 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 repetitivo (CRUD, testes, config, docs): IA gera livremente. 20% de lógica de negócios e integrações: modo copiloto, IA rascunha, engenheiro reescreve. 0% de autenticação, pagamentos, criptografia, decisões de arquitetura: nenhuma IA toca. Essa disciplina evita 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 toda equipe. 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 visando o mesmo problema: fazer a IA funcionar dentro de empresas que já existem.
O mercado focou em projetos novos porque as demonstrações são melhores. O maior impacto da engenharia virá das empresas cujas bases de código são mais feias, cujos produtos são mais antigos e cujos pipelines foram construídos antes de alguém ouvir falar de um LLM.
O gargalo é o sistema de engenharia por baixo do modelo.
P.S. Isso é o 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 um DM.
Entre em contato: limestonedigital.com
