A guerra das ferramentas de IA acabou — mas se os vencedores vão realmente usá-las, é outra história — A transformação da engenharia de software na era da IA · Aprendendo IA Devagar 175

A guerra das ferramentas de IA já acabou — mas a questão é se os vencedores realmente conseguem usá-las — A transformação da engenharia de software na era da IA · Aprendendo IA Devagar 175

Vou direto ao ponto. Olhando para trás em meados de 2026, o “trono” das ferramentas de IA não ficou girando entre quatro concorrentes — foi ocupado por Claude Code e Codex. Mais precisamente, elas dominaram a categoria de “alta autonomia”, ou seja, aquela que realmente reduz o ciclo de entrega ponta a ponta. O GitHub Copilot ainda lidera em adoção no local de trabalho com 29%, mas isso é sustentado pela inércia de compras corporativas — a curva de novos usuários já se estabilizou. O Cursor foi o campeão de experiência da geração anterior, mas o crescimento está desacelerando. O Google Antigravity entrou como a terceira força, combinando Gemini, nuvem e conformidade empresarial, mas em dois meses chegou a apenas 6% — ainda na linha de partida.

No mercado chinês, quem consegue atender simultaneamente aos três requisitos — “capacidade de agente autônomo + conformidade regulatória + implantação empresarial” — são, por enquanto, o Trae da ByteDance e o Qoder da Alibaba (antigo Tongyi Lingma, renomeado em maio de 2026). Mas, sendo honesto: na categoria de “agente autônomo”, eles ainda estão uma geração atrás do Claude Code e do Codex.

Portanto, este artigo não responde à pergunta “qual ferramenta é a mais poderosa” — essa era a questão de 2025, e em 2026 já está ultrapassada. Este ano, ao fazer a seleção de ferramentas, o que realmente precisa ser respondido são outras três questões, e cada uma é mais fácil de ser ignorada do que a anterior:

1. Até que ponto a sua organização consegue absorver autonomia? Quanto maior a autonomia, mais código e mais profundo a ferramenta produz, e maior é a exigência sobre a sua capacidade de revisão. Implantar agentes autônomos sem essa rede de segurança é como colocar um motor potente num carro sem freios.
2. O seu código pode sair do país? Esse é um requisito rígido nos setores financeiro, de telecomunicações, governamental e de defesa. Ele determina diretamente se você pode usar ferramentas em nuvem como Claude Code e Codex, que enviam código para fora do país.
3. Você acha que comprar a ferramenta vai acelerar a entrega? Provavelmente não. A IA comprime a etapa de codificação, mas em setores altamente regulados, a codificação costuma ser apenas a parte mais barata de uma entrega de ponta a ponta.

Pensar claramente nessas três questões é dez vezes mais importante do que ficar debatendo “Cursor ou Claude Code”. Vamos decompor isso por camadas.

1. O trono pertence a dois gigantes, não a quatro

Vejamos primeiro a pesquisa da JetBrains de janeiro de 2026 — atualmente a mais recente do setor, com a maior amostragem (mais de dez mil desenvolvedores profissionais, oito idiomas) sobre participação de mercado de ferramentas. Os dados são os seguintes:

Ferramenta	Reconhecimento	Adoção no trabalho	Tendência anual
GitHub Copilot	76%	29%	Estagnado (sustentado pela inércia de compras; 56% em empresas com mais de 10 mil funcionários)
Cursor	69%	18%	Crescimento desacelerando
Claude Code	57%	18%	Saltou de 3% para 18% em 9 meses (6x); 24% na América do Norte; CSAT 91, NPS 54 (o mais alto da categoria)
OpenAI Codex	27%	3%	Acelerando (na época da pesquisa o desktop ainda não tinha sido lançado; depois chegou a 5 milhões+ de usuários semanais ativos)
Google Antigravity	—	6%	Recém-chegado (entrou em novembro de 2025, atingiu 6% em dois meses)
JetBrains Junie CLI	—	5%	Neutro em relação a LLMs, com modelo próprio

Fonte: JetBrains AI Pulse Survey, janeiro de 2026, 10.000+ desenvolvedores.

Olhando apenas para a taxa de adoção, você até pensaria que o Copilot ainda é o rei. Mas a taxa de adoção é um indicador defasado — ela mede “quantos assentos já foram comprados”, não “onde está o momentum para os próximos 12 meses”. Quando você sobrepõe as curvas de crescimento, o quadro muda: o Claude Code saltou de 3% para 18% em 9 meses, o crescimento mais rápido desta pesquisa; o Codex tinha apenas 3% na época da pesquisa, mas nos quatro meses seguintes, os usuários ativos semanais saltaram de 3 milhões para mais de 5 milhões (números públicos divulgados por Sam Altman / OpenAI), e os downloads mensais do Codex CLI no npm subiram de 82 mil em abril de 2025 (mês de lançamento) para 41,8 milhões em maio de 2026 — um crescimento de 510× (dados detalhados da gradually.ai). A receita anualizada do Claude Code foi de zero a US$ 2,5 bilhões em 9 meses (divulgado no Series G da Anthropic em fevereiro de 2026). Essas duas curvas têm uma inclinação quase sem precedentes na história de ferramentas para desenvolvedores.

As curvas da Copilot e da Cursor têm formatos diferentes. Os 29% da Copilot são sustentados por grandes empresas que já concluíram a conformidade e assinaram contratos plurianuais — os novos assentos ficam travados no processo de procurement, e um desenvolvedor que queira migrar para o Claude Code precisa de um orçamento separado. Por isso ela segue em primeiro, mas o crescimento está praticamente estável. A Cursor, com 18%, empata com o Claude Code, mas são trajetórias opostas: a Cursor desacelera vinda de um patamar alto, enquanto o Claude Code decola de uma base baixa. A receita anualizada da Cursor já chegou a US$ 2 bilhões no início de 2026 — com um time de pouco mais de 50 pessoas, o ARR per capita fica na casa dos US$ 40 milhões, e ela foi o SaaS de camada de aplicação mais rápido a atingir US$ 100 milhões em ARR na história. A experiência continua sendo a mais fluida, é a queridinha da comunidade de internet e de startups — mas o teto já está à vista.

Antigravity é a única ferramenta que não ocupa a posição de protagonista na tabela, mas que você não deveria ignorar. Lançado pelo Google em novembro de 2025 como uma ferramenta de programação “agent-first”, projetada especificamente para o Gemini 3, foi atualizado para a versão 2.0 no Google I/O de 2026, tornando-se uma plataforma completa de desenvolvimento agentic com desktop, CLI e SDK. Ela se apoia em três coisas que ninguém mais tem: os modelos Gemini, a base de conformidade empresarial do Google Cloud e a busca em tempo real do Google Search. Alcançar 6% de penetração em dois meses mostra que ela cresce rápido, mas 6% é 6% — ainda está na largada, não no trono. Na sua seleção de ferramentas para 2026, você não precisa esperar por ela, mas deve registrar “o Google entrando com força corporativa” na sua avaliação de longo prazo: os players finais desta categoria podem não ser quatro, mas sim “dois gigantes + um perseguidor bem financiado”.

Colocando essas cinco empresas em um mesmo sistema de coordenadas, elas não estão nem na mesma pista:

A imagem diz tudo: essas ferramentas se distribuem ao longo de uma diagonal — quanto mais para o canto superior direito, maior a capacidade, mas também maior a exigência de governança e revisão. Então, na hora de escolher, não olhe primeiro para os benchmarks dos modelos; olhe primeiro para onde sua organização se encaixa em termos de capacidade de governança. Claude Code e Codex ocupam o limite superior direito em capacidade, mas são exatamente os que mais exigem do seu “sistema de freios”. O Copilot fica no canto inferior esquerdo: menor barreira de entrada, menor risco, e também o menor potencial de te dar um salto de produtividade “de outra geração”.

2. A licença foi comprada, mas a entrega não acelerou — o gargalo está na validação, não na codificação

Este trecho é o que a maioria dos artigos sobre seleção de ferramentas não aborda, mas é exatamente onde as indústrias altamente reguladas mais gastam dinheiro.

Já conduzi treinamentos internos de IA para operadoras e acompanho de perto times de digitalização no setor de telecom. Um caso que me marcou foi o de uma operadora regional. No ano passado, ela distribuiu o Copilot para o time de desenvolvimento. Seis meses depois, na revisão, o ciclo de entrega ponta a ponta praticamente não mudou. Os devs, individualmente, ficaram mais rápidos — o tempo de escrita de código caiu em mais de 30% —, mas uma mudança de pacote ou um ajuste de regra de cobrança ainda levava mais de um mês do pedido ao deploy. O responsável não era ingênuo; ele já desconfiava que o gargalo não estava na codificação. Mas desconfiar não muda o orçamento, que foi aprovado com base no número de licenças — porque a métrica usada para reportar à diretoria era “quantos desenvolvedores foram cobertos” e “quantos seats foram comprados”. Esse é o cenário mais comum em grandes empresas: “saber não é poder”. O ponto de estrangulamento não está na percepção, está na métrica.

O que realmente consome esse mês inteiro é toda a cadeia de validação — e essas etapas quase não têm relação com o código em si. Uma funcionalidade que mexe no módulo de cobrança pode levar dois dias para ser codificada, mas atrás dela vem uma fila: aprovação do Change Advisory Board (CAB), registro de algoritmos (se envolver modelos), avaliação de conformidade de segurança (等保测评), avaliação de exportação de dados (se usar modelos ou nuvem estrangeiros, é preciso seguir um dos três caminhos: avaliação de segurança, cláusulas contratuais padrão ou certificação de proteção de informações pessoais), além de conciliação e revisão de auditoria antes do deploy. Cada item consome de alguns dias a algumas semanas; somando tudo, dá um mês. A IA comprime em 30% a parte de codificação — mas essa parte já era só uma fração mínima do fluxo de ponta a ponta.

Aqui vale um alerta específico sobre um viés típico da internet. Muitos artigos sobre programação com IA tratam “validação” como se fosse sinônimo de testes automatizados em CI/CD, rodar unit tests, passar no lint. Esse é o mundo das empresas de internet. Em telecom e finanças, “validação” significa registro de algoritmos, avaliação de conformidade de segurança, avaliação de exportação de dados, aprovação de mudança no CAB, conciliação e auditoria — nada a ver com código, mas cada item consome semanas. Se você resume tudo isso como “etapas de teste” e segue em frente, leitores de finanças e telecom imediatamente se desconectam — o maior custo deles está exatamente aí, e você não mencionou uma palavra.

Esta conclusão é crítica para quem decide: em setores fortemente regulados, o que as ferramentas de IA conseguem comprimir é apenas o trecho mais barato de toda a cadeia de entrega. Se você quer acelerar o fluxo de ponta a ponta, ou ataca a etapa de validação (redesenhando o ritmo do Change Advisory Board, os processos de registro e o cronograma de avaliação), ou muda as métricas que você reporta para a diretoria. Só comprar ferramenta, definitivamente, não mexe em nada.

Nesse ponto, vale inverter a intuição de que “quanto mais ferramentas, melhor” — o fato mais contraintuitivo do primeiro semestre de 2026: quanto mais ferramentas o desenvolvedor usa, menos ele confia nelas.

Uma pesquisa da JetBrains de janeiro de 2026 mostra que 90% dos desenvolvedores usam pelo menos uma ferramenta de IA — a adoção está saturada na casa dos 90%. Mas, no mesmo período, várias pesquisas indicam que a confiança dos desenvolvedores na capacidade da IA de produzir um “pull request em nível de produção” caiu em relação a 2024 — uma das medições aponta uma queda de 40% em 2024 para 29% em 2026. Os dados de suporte empresarial da Cursor, da Anthropic e da OpenAI apontam na mesma direção: quanto mais a ferramenta é usada, menos o desenvolvedor se sente confortável em deixá-la rodar sozinha até o fim. O que está em jogo é uma mudança nas relações de produção: o desenvolvedor deixa de ser “quem escreve código” e vira “quem revisa código” — e a carga cognitiva de revisar é maior do que a de escrever.

Implicação prática: quem vai vencer os próximos 24 meses será decidido por quem conseguir fechar a lacuna de confiança — velocidade de token fica em segundo plano. A Cursor está investindo no fluxo de interação, a Anthropic no sistema de Skills, a OpenAI em sub-agentes paralelos — as três estão apostando em algo “mais explicável, mais interrompível, mais reversível”, ninguém está obcecado em ser “mais rápido”. Se você não entender essa direção, não vai entender o que está em jogo na competição de ferramentas em 2026.

3. Conformidade e implantação empresarial: o “rito de passagem” das ferramentas

Por mais poderosas que sejam as duas líderes do trono, há uma barreira que, se não for superada, impede a entrada delas na sua empresa: conformidade e implantação empresarial. Esta seção aborda algumas armadilhas que quem é de fora costuma pisar, mas que quem é de dentro já pergunta antecipadamente. ⚠ Nesta seção, os trechos sobre residência de dados na UE e postura de governança de fornecedores têm viés europeu/global — leitores domésticos que só se importam com “como fazer se o código não puder sair do país” podem pular direto para a seção 4 (Trae/Qoder nacionais) ou para a lição 4 no final.

O EU Data Residency do Claude Code: o que parece que você comprou, mas não comprou. Vamos direto ao ponto: se você usar o claude.ai ou a API da Anthropic diretamente, seus dados vão para os EUA por padrão; o Claude Enterprise, o plano SaaS empresarial, não inclui residência de dados na UE — por padrão, ele também roda em infraestrutura americana. Esse é o erro mais comum. Para manter seu código na União Europeia, só existe um caminho: não compre diretamente da Anthropic — use os data centers europeus dos provedores de nuvem — o EU profile do AWS Bedrock (Frankfurt/Irlanda/Paris) ou as regiões da UE do Google Vertex AI, com o ID do modelo usando o prefixo eu. para forçar a permanência na Europa. O Claude Code roda no Bedrock, mantendo os dados dentro da sua própria AWS, sem sair da sua infraestrutura — essa é a capacidade-chave para uso empresarial, mas só se você seguir esse caminho. E tem uma pegadinha extra: o Claude foi lançado em GA na Europa no Microsoft Foundry em julho de 2026, mas a documentação da Anthropic limita a promessa de residência de dados ao Vertex/Bedrock — o Foundry fica de fora, marcado apenas como “Coming 2026”, sem data definida. Então, a frase “compramos o Claude Enterprise, estamos em conformidade” provavelmente está errada — a pergunta certa é “qual caminho de residência você está usando”, não “você comprou ou não”.

A empresarização da Codex é outro caminho: levá-la diretamente para o seu data center. Em 18 de maio de 2026, a OpenAI e a Dell anunciaram na Dell Technologies World o Dell AI Factory with OpenAI Codex — que implanta a Codex no ambiente on-premises ou em nuvem híbrida da empresa, mantendo o código “onde os dados já estão”. O CTO da Dell disse, textualmente, que o objetivo é “permitir que as empresas implantem IA onde os dados corporativos já residem, oferecendo aos clientes um caminho prático e seguro para escalar agentes”. Somando-se a isso a retenção de dados na UE que o ChatGPT Enterprise já oferece desde 2025 (tanto armazenamento quanto inferência podem permanecer na região europeia), a postura de conformidade empresarial da Codex é a mais abrangente desta categoria — na nuvem, há residência na UE; no local, há a Dell como âncora. É por isso que os usuários semanais ativos da Codex saltaram de 3 milhões para mais de 5 milhões em quatro meses: não é só que os desenvolvedores adoram usá-la — é que ela “consegue entrar” nas grandes empresas.

A postura de governança dos fornecedores já faz parte do risco da cadeia de suprimentos — esta é a leitura mais importante do 1º semestre de 2026.

A Anthropic foi classificada como “risco de cadeia de suprimentos” pelo Departamento de Defesa dos EUA no primeiro semestre de 2026, depois de recusar a exigência do Pentágono de uso “irrestrito” de seu modelo Claude — e um juiz federal concedeu uma liminar preliminar. Os detalhes desse caso pesam muito mais do que a manchete sugere: o Pentágono queria que os militares pudessem usar o Claude “for all lawful purposes“ (todos os fins legais, sem restrições); o CEO da Anthropic, Dario Amodei, traçou a linha em dois pontos — nada de vigilância doméstica em larga escala, nada de sistemas de armas totalmente autônomos. Após o rompimento das negociações, em 27 de fevereiro de 2026, Trump publicou na Truth Social instruindo todas as agências federais a “descontinuarem imediatamente” o uso da tecnologia da Anthropic; o secretário de Defesa Hegseth anunciou que “qualquer contratante, fornecedor ou parceiro que faça negócios com as forças armadas dos EUA está proibido de ter qualquer relação comercial com a Anthropic”; e no início de março a empresa foi formalmente classificada como risco de cadeia de suprimentos. A Anthropic revidou com um processo (no Tribunal Distrital Federal do Norte da Califórnia), e em 26 de março a juíza Rita Lin concedeu a liminar preliminar. Na decisão, ela escreveu: “O registro indica fortemente que a classificação da Anthropic como risco de cadeia de suprimentos foi um pretexto; a motivação real do governo foi retaliação ilegal.”

A comparação mais intrigante é esta: no mesmo dia em que a Anthropic recusou o contrato, a OpenAI anunciou um acordo de termos de uso com o Pentágono. Uma traçou a linha e perdeu o contrato militar; a outra assinou e ficou com o negócio. Não vou julgar quem está certo ou errado. Ao escolher entre Claude Code e Codex, você não está escolhendo apenas o modelo — está escolhendo se a empresa está disposta a pagar um preço comercial pelos seus valores. Em 2026, com o ritmo incerto do divórcio tecnológico entre China e EUA, a postura de governança do fornecedor, as políticas de dados e a resiliência da cadeia de suprimentos já são dimensões formais de seleção, tão importantes quanto funcionalidade e preço.

4. No mercado chinês, quem dá conta do recado são Trae e Qoder — mas o agente autônomo ainda está uma geração atrás

Em finanças, governo, indústria militar e boa parte dos sistemas centrais de telecomunicações, o código simplesmente não pode sair do país. Esta seção é dedicada às soluções locais. Quem hoje consegue avançar simultaneamente em “agente autônomo + conformidade + implantação empresarial” no mercado chinês são o Trae, da ByteDance, e o Qoder, da Alibaba — e é exatamente a versão empresarial desses dois que vou destrinchar para você.

Trae (ByteDance) — o agente autônomo doméstico mais avançado. A versão Enterprise do Trae CN foi oficialmente lançada em dezembro de 2025. Internamente, mais de 92% dos engenheiros da ByteDance já utilizam a ferramenta, e a versão pessoal ultrapassou 6 milhões de usuários registrados. A estratégia empresarial é levada a sério: são oferecidas duas modalidades de implantação — a “Enterprise” (padronizada, sem necessidade de manutenção) e a “Enterprise Dedicated”, que oferece um nível mais alto de isolamento de segurança, atendendo a empresas com requisitos rigorosos de conformidade que precisam de acesso via rede privada. Em termos de segurança, há criptografia de ponta a ponta em todo o ciclo do código, zero armazenamento em nuvem, modelos não utilizados para treinamento e ausência de armazenamento de logs. Em desempenho, suporta indexação de repositórios massivos — até 100 mil arquivos e 150 milhões de linhas de código — com resposta em milissegundos via cluster de GPU de nível empresarial. A ferramenta integra a base de conhecimento interna da empresa e o protocolo MCP, permitindo conectar geração, revisão e testes de código diretamente aos seus pipelines de CI/CD e fluxos de DevOps. Também inclui SSO (login único), painel de produtividade (rastreando taxa de geração por IA e volume de código assistido), limites de custo e monitoramento de uso. Há ainda uma jogada bem típica da ByteDance: a versão de consumo é gratuita para sempre, alimentando um ciclo de crescimento acelerado. O modo SOLO — um workspace que reúne editor, terminal, navegador e documentos em um só lugar, onde você descreve a demanda e a ferramenta planeja, escreve, depura e faz o deploy sozinha — é gratuito e aberto. Esse é o principal diferencial em autonomia frente a concorrentes como Claude Code e Cursor. Na prática, já há adoção por equipes como Huifu (fintech chinesa de pagamentos digitais) e Douyin Life Services (serviço do ecossistema ByteDance). A Huifu, por exemplo, iniciou um piloto em setembro de 2025, expandiu para mais de uma centena de desenvolvedores e atingiu picos de uso acima de 70%.

Qoder (Alibaba, anteriormente Tongyi Lingma) — a opção mais madura em camadas empresariais e com o stack mais alinhado ao ecossistema de soberania digital chinesa (Xinchuang). Em maio de 2026, a Alibaba Cloud renomeou oficialmente o Tongyi Lingma para Qoder CN, expandindo-o de um plugin de IDE para uma matriz completa de cenários que abrange codificação, escritório, terminal e mobile. Sua versão empresarial é dividida em dois níveis, com estrutura clara: o Enterprise Standard Edition segue o modelo de assinatura por assento (License), pronto para uso imediato, com autenticação unificada de contas, relatórios estatísticos e logs de operação; já o Enterprise Dedicated Edition (VPC) é voltado para empresas com requisitos rigorosos de conformidade — implantação privada na VPC, dados que não saem da rede interna da empresa, SSO, base de conhecimento organizacional exclusiva, fine-tuning de modelos customizados, auditoria avançada de código, SLA de 99,9%, consultor técnico dedicado e suporte 7×24. Na base, há suporte nativo para alternância entre múltiplos modelos chineses, como Qwen, GLM, DeepSeek, Kimi e MiniMax, sem que os dados saiam do território nacional, em conformidade com a Lei de Segurança Cibernética e a Lei de Segurança de Dados da China. Por que digo que ele se encaixa particularmente bem no seu ambiente de telecom e finanças? Porque sua infraestrutura provavelmente já está na Alibaba Cloud — o sistema de contas do Qoder, as permissões RAM e o gerenciamento empresarial do Yunxiao já estão prontos, o que minimiza o atrito na migração.

Depois de analisar as duas opções, um alerta: no nível de “agentes autônomos”, os produtos nacionais ainda estão uma geração atrás dos americanos. As versões empresariais das grandes empresas (privatização + registro de algoritmos + adaptação ao ecossistema de TI doméstico) já passaram pelas devidas aprovações regulatórias — esse não é o ponto de defasagem. A diferença real está na autonomia: o Claude Code consegue modificar dezenas de arquivos sozinho, executar comandos no shell, gerenciar Git e abrir pull requests; o Codex coordena vários sub-agentes trabalhando em paralelo em cópias isoladas e depois integra os resultados. Essa capacidade de execução de cadeia longa e alta autonomia é o que o Trae e o Qoder ainda estão tentando alcançar — o Trae está correndo atrás com o modo SOLO, mas a lacuna persiste, especialmente em raciocínio complexo e execução autônoma de cadeias longas. Ou seja, para a demanda de “equipes maduras em setores altamente regulados que querem agentes autônomos + código sem sair do país“, a oferta nacional hoje atende pela metade: conformidade resolvida, agentes uma geração atrás. Essa lacuna em si é uma oportunidade — e é exatamente por isso que vale a pena dedicar esforço para desenhar um caminho de implementação específico, em vez de simplesmente comprar uma ferramenta.

O Comate da Baidu (Agent Hub + grafo de código, forte em projetos de grande porte e cenários de alta conformidade) e o CodeGeeX da Zhipu (ampla cobertura de linguagens, agente mais fraco) também entram como opções complementares, dependendo do seu cenário específico — não vou me aprofundar aqui.

5. Como escolher: maturidade × fronteira de saída de dados

Comprimir as quatro secções anteriores num conjunto de critérios de seleção acionáveis. Primeiro, dois eixos — ambos indispensáveis.

Primeiro eixo: maturidade organizacional, que determina quanta autonomia a sua equipa consegue gerir. Organizações em fase inicial (onde os developers ainda não usam IA de forma significativa e não existem normas sólidas de code review e testes) devem começar por ferramentas de baixa autonomia, como o Copilot, com preenchimento de código — é o caminho com menor barreira de entrada e menor risco, servindo para habituar as pessoas à colaboração com IA. Organizações com alguma base (developers que já usam IA e têm normas básicas de engenharia) podem avançar para o Cursor ou para as alternativas chinesas Trae / Qoder, onde a melhoria na experiência de uso gera ganhos de produtividade mais expressivos. Organizações maduras (equipas de engenharia fortes, com code review, testes automatizados, scanning de segurança e deploy gradual bem implementados) é que estão prontas para agentes de alta autonomia como Claude Code e Codex. Porque é que a maturidade é o pré-requisito: quanto maior a autonomia, maior o volume de código gerado e mais profundas as alterações — e, por consequência, maior a exigência sobre a sua capacidade de revisão e validação. A pesquisa do Pragmatic Engineer traz um dado bastante duro — em empresas com menos de 10.000 funcionários, 75% escolhem Claude Code; em empresas acima desse número, 56% continuam no Copilot. Isto não é preferência, é capacidade organizacional.

Segunda dimensão: a linha de base de governança, que determina qual nível de ferramenta consegue entrar. Se o código pode ou não sair do país é a primeira barreira. Os ambientes em nuvem do Claude Code, Codex, Cursor e Copilot enviam o código para fora do país — e em setores como finanças, governo, defesa e parte dos sistemas centrais de telecomunicações, o código simplesmente não pode sair. Por isso, falar em “adotar para a empresa inteira” praticamente não se sustenta em setores altamente regulados — você não consegue simplesmente escalar; antes, precisa passar pela clearance de aprovação da ferramenta. Para o que pode sair do país, o Claude Code tem o teto de capacidade mais alto, e o Codex é o que tem a conformidade empresarial mais ampla; para os domínios centrais onde o código não pode sair, use as versões empresariais do Trae ou Qoder (VPC privada) como base e complemente com o Comate ou CodeGeeX conforme o cenário.

Comprimindo as seções anteriores em um caminho de decisão — três perguntas, quatro rotas:

Como seguir esse caminho: primeiro pergunte se o código pode sair do país (se não pode → base nacional com implantação privada, mas os agentes autônomos ainda estão uma geração atrás); depois pergunte sobre a maturidade organizacional (sem os freios instalados, não adote agentes autônomos); por fim, pergunte se você quer agentes autônomos de ponta a ponta (se quer → Claude Code / Codex, os dois líderes). Repare no “gap de geração” na primeira bifurcação — em setores altamente regulados, equipes maduras que querem “capacidade de agente autônomo + código sem sair do país” encontram uma necessidade não atendida hoje, e essa lacuna em si é a oportunidade.

Antes de a árvore de decisão chegar à sua empresa, use três critérios para avaliar o nível de maturidade do seu time (dá para aplicar em 30 segundos — e responde direto à Q2):

• ① Mais de 50% dos desenvolvedores usam IA semanalmente pelo menos uma vez? (A média do setor é 90% de uso eventual, mas “pelo menos uma vez por semana” é que indica atividade confiável)
• ② Você tem code review obrigatório + testes automatizados cobrindo mais de 60%? (O “mais” na cobertura significa que os testes realmente barram código gerado por IA, não que apenas tocam nas linhas)
• ③ Deploy em canary (lançamento gradual) é prática corrente? (Não é “já fizemos uma vez”, é “feature nova por padrão vai para canary”)

Três critérios atendidos = maduro, pode adotar Claude Code / Codex na coluna da esquerda; um ou dois atendidos = tem base, fica na faixa do Cursor / Trae / Qoder; nenhum atendido = está começando, comece com Copilot ou uma solução privada nacional, instale os freios primeiro e depois pense em evoluir.

Uma combinação pragmática: para o que pode sair do país, use o Claude Code para os problemas difíceis, o Codex para execuções paralelas em lote e o Copilot para cobertura ampla de autocompletar. Para o núcleo que não pode sair, use a versão enterprise do Trae ou do Qoder como base. Não coloque todos os ovos numa única ferramenta — o protocolo MCP está tornando a interoperabilidade entre múltiplas ferramentas uma realidade, e uma estratégia multi-fornecedor é agora tecnicamente viável e regulatoriamente necessária. A “melhor prática para engenheiros seniores” apontada pelo Pragmatic Engineer é que 70% usam de 2 a 4 ferramentas simultaneamente, alternando conforme o cenário.

Até aqui, o framework está completo. Mas quando se trata da sua fronteira de saída de dados, nível de maturidade e setor, a combinação prática muda — essa camada não é algo que um artigo possa decidir por você; depende da realidade concreta da sua empresa. É por isso que deixei meus contatos no final do texto.

Seis — Quanto maior a autonomia, mais pesada a governança: não instale um motor potente num carro sem freios

À medida que o teto de capacidade sobe, o preço a pagar é o fardo da revisão. O relatório da CodeRabbit no final de 2025 analisou 470 PRs de código aberto no GitHub e concluiu que o código gerado com participação de IA apresenta 1,7 vez mais defeitos do que o código puramente humano (média de 10,83 vs. 6,45 por PR), e as vulnerabilidades de segurança são de 1,82 a 2,74 vezes maiores por subcategoria (XSS 2,74×, referência direta insegura a objetos 1,91×, tratamento inadequado de senhas 1,88×, desserialização insegura 1,82×). O levantamento da Apiiro de setembro de 2025, feito em repositórios de empresas da Fortune 50 (dados de dez/2024 a jun/2025), é ainda mais específico: o código gerado por IA fez as descobertas mensais de segurança saltarem de cerca de 1.000 para mais de 10.000 (um aumento de 10×), com elevação de privilégios subindo 322% e falhas de design em nível de arquitetura subindo 153%; no mesmo período, erros de sintaxe caíram 76% e bugs de lógica caíram 60% (por isso os desenvolvedores “sentem” que estão mais rápidos, mas os tipos perigosos de vulnerabilidades crescem silenciosamente). Esses números não dizem que o código escrito por IA é inaceitável; dizem que ela escreve mais, escreve rápido, e defeitos e vulnerabilidades crescem na mesma proporção. Quando a produção da ferramenta escala, o fardo da revisão dispara — o código cresce mais rápido que a largura de banda de review, e o nível intermediário satura rapidamente.

Esses dois dados, lidos em conjunto, contam uma única história: a capacidade de produção das ferramentas aumentou, mas a sua capacidade de revisão não acompanhou — ou seja, você está acumulando dívidas mais perigosas em um ritmo mais rápido. Isso é especialmente verdadeiro para agentes autônomos. Ferramentas como o Claude Code conseguem modificar dezenas de arquivos e abrir pull requests sozinhas, com um teto de capacidade altíssimo — mas também uma superfície de perda de controle igualmente grande. Carlini documentou publicamente, entre janeiro e fevereiro de 2026, um exemplo frequentemente citado: o pesquisador da Anthropic, Nicholas Carlini, colocou 16 agentes Claude Opus 4.6 para trabalharem em paralelo por 2 semanas, cerca de 2.000 sessões, com um custo aproximado de US$ 20.000 em API, e do zero eles escreveram um compilador C baseado em Rust com 100 mil linhas, capaz de compilar o kernel Linux 6.9 (x86/ARM/RISC-V), passando em 99% do teste de tortura do GCC e rodando FFmpeg, Redis, PostgreSQL, QEMU e Doom. Esse nível de autonomia, colocado em uma organização sem code review, sem testes automatizados, sem varredura de segurança e sem deploy gradual, é uma questão de tempo até dar problema.

Antes de colocar agentes autônomos em produção, é preciso construir quatro coisas primeiro: revisão de código humana obrigatória (PRs gerados por IA não podem passar sem revisão), testes automatizados (o que a IA alterou precisa rodar), varredura de segurança (código de IA escaneado sob o mesmo padrão do código humano) e deploy gradual (mudanças da IA sobem primeiro em uma parcela pequena). Essas quatro coisas são os freios. Primeiro instala os freios, depois conversamos sobre o tamanho do motor. É por isso que coloco a maturidade organizacional como a primeira dimensão na escolha da ferramenta — o que maturidade realmente significa é o quão completos são esses seus freios.

Outro obstáculo silencioso que costuma passar despercebido: IA invisível — ferramentas de IA que os funcionários usam por conta própria, sem aprovação do TI. Uma pesquisa da JetBrains de janeiro de 2026 indica que 90% dos desenvolvedores já utilizam ferramentas de IA; diversos levantamentos do setor convergem para a mesma conclusão — a maioria dos desenvolvedores admite ter usado ferramentas de IA no trabalho sem aprovação formal do TI (a UpGuard, em 2025, estima esse número na casa dos 80%). Enquanto você acha que ainda está em fase de “avaliação de fornecedores”, seus desenvolvedores já estão colando código em ferramentas estrangeiras, sem qualquer conformidade. Um dado ainda mais preocupante vem do Pragmatic Engineer, em fevereiro de 2026: 56% dos engenheiros seniores afirmam que mais de 70% do seu trabalho de engenharia depende de ferramentas de IA — não é “usar IA para escrever algumas linhas de código”, é “a IA já é o modo padrão de trabalhar”. Se você não oferece uma opção em conformidade, eles usam uma que não está. O custo da IA invisível vai muito além de alguns licenciamentos perdidos para o TI — significa, ao mesmo tempo, perda de conformidade, perda de controle sobre propriedade intelectual e risco de vazamento de código.

7. O que isso significa para quem decide

Insight 1: A escolha da ferramenta é uma decisão organizacional, não técnica. O que você está escolhendo não é apenas uma ferramenta, mas a forma como sua organização vai trabalhar. Escolher o Copilot significa “humano no comando, IA como assistente”; escolher o Claude Code significa “IA autônoma, humano supervisionando”. Os dois caminhos exigem capacidades organizacionais completamente diferentes. O maior custo de uma escolha errada é que ela força sua organização a operar de um jeito que você não consegue sustentar — a assinatura é o menor dos problemas. Elevar essa decisão do nível técnico (CTO) para o nível organizacional (CEO/COO) é o primeiro passo.

Insight 2: Quanto maior a autonomia, mais robusta precisa ser a governança — instale os freios antes de acelerar. Antes de colocar agentes autônomos em produção, quatro itens são inegociáveis: code review, testes automatizados, varredura de segurança e deploy em fases (canary release). Os dados do CodeRabbit — 1,7x mais defeitos e 1,82–2,74x mais vulnerabilidades de segurança — são o alerta mais direto contra “sair no pelado com agentes”. A governança entra em produção antes da capacidade.

Insight 3: In highly regulated industries, pass the “tool clearance” first, then talk about scaling—and change the metrics. You think the bottleneck in slow delivery is coding? Probably not. It’s in the validation stage (CAB, filing, assessment, audit). But the metrics you report upward—seat count, coverage, lines of code—are exactly what hide these real bottlenecks. So the budget flows to tools. To fix the “we know but can’t move” problem, change the metrics: stop measuring AI ROI by license volume and lines of code; switch to end-to-end delivery cycle time, change failure rate, validation pass time, and production incident count. Once the metrics change, budget will shift from “buying more seats” to “tackling the validation bottleneck.”

Lição 4: A postura de governança do fornecedor já faz parte do risco da cadeia de suprimentos. A Anthropic foi classificada como risco de cadeia de suprimentos por recusar o “uso irrestrito” militar; no mesmo dia, a OpenAI assinou contrato com os militares — na hora de escolher um fornecedor, além de funcionalidade e preço, é preciso avaliar três coisas: a política de tratamento de dados (se o código fica armazenado e por quanto tempo), a postura de conformidade (se o fornecedor está disposto a atender aos seus requisitos regulatórios e se ele sacrificaria negócios em nome de valores) e a resiliência da cadeia (não coloque todos os ovos na cesta de um único fornecedor estrangeiro). Ter múltiplos fornecedores não é um diferencial — é uma necessidade de gestão de risco. (Atenção, tomadores de decisão de telecom, finanças e governo na China: sua principal restrição é a saída de dados transfronteiriça, não a postura de governança do fornecedor — esta última é mais uma preocupação sob a ótica internacional; não deixe que ela roube o protagonismo.)

Lição 5: A lacuna de confiança é o verdadeiro campo de batalha dos próximos 24 meses. Seus desenvolvedores já usam IA, mas a confiança deles no que a IA produz caiu em comparação a dois anos atrás (de 40% para 29%). Isso significa que a avaliação de ferramentas precisa incluir mais um critério: até que ponto você se sente seguro para deixar o código que ela escreve seguir em frente — ele precisa ser explicável, interrompível, reversível e auditável.

Autoavaliação reversa (sem floreios na resposta): Ao escolher uma ferramenta, você pensa primeiro em “qual nível de autonomia minha organização consegue suportar” ou em “qual está na moda, compro essa”? Antes de adotar agentes autônomos, seus processos de code review, testes, varredura de segurança e canary release estão em dia? Quando reporta o ROI de programação com IA ao conselho, você usa número de seats ou ciclo de entrega ponta a ponta? O código do seu domínio principal pode sair do país? Existe solução local equivalente? Você já avaliou a postura de governança e as políticas de dados dos fornecedores? Seu time está cada vez mais confiante ou cada vez mais desconfiado dos resultados gerados por IA? — Se alguma dessas seis perguntas te deixar desconfortável, seu framework de seleção precisa de mais uma revisão.

Próximos passos

No próximo artigo (parte 5), vamos olhar para a outra metade do ecossistema de ferramentas — como os app generators e IDEs de IA (Bolt, Lovable, Replit, v0) estão redefinindo o próprio conceito de “desenvolvimento”. Eles reduziram a barreira de entrada para quase zero, mas a barreira de segurança e conformidade não pode cair junto — essa é outra crise de shadow AI, mais silenciosa, que já está acontecendo.

---

Quer aplicar esse framework na sua empresa?

Quando ferramentas de programação com IA entram em uma organização, os problemas reais que precisam ser resolvidos geralmente se resumem a alguns pontos específicos: quais códigos e dados podem ser enviados para o modelo, qual nível de autonomia dos agentes é adequado para o time, até que ponto os processos de validação existentes precisam ser reforçados, e quais métricas usar para validar o piloto.

Atualmente, oferecemos três modalidades de colaboração:

Treinamento interno: combine com projetos reais da sua empresa para concluir a seleção de ferramentas, limites de uso, fluxos de validação e desenho de mecanismos de governança.

Consultoria especializada: foque em uma decisão específica, como avaliar se o Claude Code é adequado para adoção, como implementar Trae e Qoder em ambientes altamente regulados, ou como desenhar um programa piloto de 90 dias.

Compartilhamento com a liderança e palestras no setor: abordando IA para programação, transformação da engenharia de software, transformação de IA empresarial e governança organizacional.

Os artigos fornecem estruturas genéricas. A implementação concreta ainda precisa ser redesenhadada com base nos limites de dados, requisitos regulatórios, maturidade de engenharia e fluxos de entrega existentes da empresa. Para colaborações, entre em contato pelo e-mail coach@iaiuse.com.

Leitura complementar: Metodologia da Placa de Sinalização v1.0 (Aprendendo IA Devagar 187), que apresenta sistematicamente a estrutura de 7 passos para a transformação de IA empresarial.

---

Sobre esta série

“Transformação da Engenharia de Software na Era da IA” é uma série de pesquisa voltada para CIOs, CDOs, CTOs e líderes de transformação digital nos setores de telecomunicações, finanças, manufatura e e-commerce. O foco é discutir como as ferramentas de programação com IA impactam os fluxos de entrega de software, a estrutura organizacional, os mecanismos de governança e as métricas de gestão.

A série acompanha continuamente artigos acadêmicos, materiais de fornecedores e relatórios do setor. O banco de pesquisa acumula mais de 200 referências, e os principais julgamentos são classificados por nível de evidência, distinguindo, sempre que possível, fatos verificados, alegações de fornecedores, observações do setor e inferências dos autores.

Tenho quase 8 anos de experiência em consultoria empresarial e análise de negócios em grandes empresas, tendo atuado na IBM em projetos nos setores de telecomunicações, finanças, seguros e manufatura. Desde então, sigo na linha de frente do desenvolvimento de produtos para operadoras, produtos de internet e aplicações de IA, trabalhando com análise de requisitos, design de produto e implementação multifuncional.

As percepções desta série sobre seleção de ferramentas, processos de validação e governança organizacional vêm dessa prática, combinadas com pesquisa pública e estudos de caso do setor para validação cruzada. Todo o conteúdo relacionado a projetos específicos foi anonimizado; alguns cenários do setor são extrapolações de problemas típicos, com as respectivas referências listadas no final.

Referências (fontes individuais + nível de evidência + declaração de posição)

JetBrains AI Pulse Survey 2026.1 (Nível 1): Mais de 10.000 desenvolvedores profissionais, 8 idiomas. GitHub Copilot: 76% de reconhecimento / 29% de adoção no ambiente de trabalho / crescimento estagnado (56% em empresas com mais de 10.000 funcionários); Cursor: 69% / 18% / ritmo de crescimento desacelerando; Claude Code: 57% / 18% / crescimento de 6x em 9 meses, 24% na América do Norte, CSAT 91 / NPS 54; Codex: 27% / 3% (pré-desktop); Antigravity: 6% (entrada em novembro de 2025); Junie CLI: 5%. 90% dos desenvolvedores usam pelo menos uma ferramenta de IA; 70% usam de 2 a 4 ferramentas. https://www.jetbrains.com/research/ai-coding-assistant-usage/

• Pragmatic Engineer Newsletter (fev/2026, fonte primária): pesquisa com 15.000 desenvolvedores; Claude Code lidera com 46% de preferência (vs. Cursor 19%, Copilot 9%); empresas com menos de 10 mil funcionários escolhem Claude Code em 75% dos casos, enquanto nas de mais de 10 mil, Copilot vence com 56%; 70% usam de 2 a 4 ferramentas simultaneamente. https://newsletter.pragmaticengineer.com/p/ai-tooling-2026

• Anúncio da rodada Série G da Anthropic (fev/2026, fonte primária, viés do fornecedor): Claude Code saltou de zero para US$ 2,5 bilhões em receita anualizada em 9 meses. Reuters, Forbes, SaaStr e outros veículos confirmam os números de forma consistente.

• Microsoft FY26 Q1/Q2 earnings (Jan 28, 2026, directly cited from Microsoft’s investor relations page, vendor perspective): GitHub Copilot reached 4.7 million paid subscriptions, up 75% year-over-year (per FY26 Q2 earnings); Copilot Pro+ consumer subscriptions grew 77% quarter-over-quarter in Q2. Approximately 77,000 enterprise customers is the figure disclosed in FY24; FY26 numbers haven’t been refreshed, so we keep it but note the source.

• Cursor / Anysphere Series D (Nov 2025, private market): $2.3 billion raised at a $29.3 billion valuation. ARR went from $100M (Jan 2025) to $2B (Feb 2026), making it the fastest application-layer SaaS to hit $100M ARR ever. Sources: CNBC, The Information.

• Sam Altman / OpenAI public statements (Apr–Jun 2026, primary source, vendor perspective): Codex weekly active users grew from 3 million (early April) → 4 million (Apr 21) → 5 million+ (Jun 2, of which 20% are non-developers); token usage up 70%+ month-over-month; Codex CLI npm monthly downloads jumped from 82,000 in April 2025 (launch month) to 41.8 million in May 2026 — a 510× increase. Gradually.ai, Neowin, and Constellation Research corroborate across multiple sources.

• OpenAI × Dell partnership (May 18, 2026, primary source, vendor perspective): Announced at Dell Technologies World, Dell AI Factory with OpenAI Codex brings Codex to on-premises/hybrid cloud enterprise environments; covers Codex + ChatGPT Enterprise. https://openai.com/index/dell-codex-enterprise-partnership

• Residência de dados da OpenAI na UE (a partir de fev/2025, em primeira mão, visão do fornecedor): residência de dados europeia para ChatGPT Enterprise/Edu/API; expansão para inferência de GPU in-region (EUA/UE) em jan/2026. https://openai.com/index/introducing-data-residency-in-europe/

• Claude Code no AWS Bedrock + Residência de dados na UE (nível 1): O Claude via claude.ai/API da Anthropic usa, por padrão, a infraestrutura nos EUA; o Claude Enterprise (SaaS) não inclui residência de dados na UE; para residência na UE, é necessário usar o perfil da UE no AWS Bedrock (Frankfurt eu-central-1 / Irlanda / Paris) ou o Vertex AI da UE, com o ID do modelo prefixado por eu.; o Microsoft Foundry estará disponível na Europa em julho de 2026, mas o compromisso de residência de dados não cobre o Foundry (“Coming 2026”). compound.law, InfoQ, bespinian. https://www.infoq.com/news/2026/07/claude-foundry-ga-europe

• Disputa Anthropic–Pentágono (1º semestre de 2026, nível 1, fatos jornalísticos + documentos legais): O Pentágono exigiu que o Claude fosse usado “para todos os fins legítimos” sem restrições; a linha de base de Dario Amodei era não usar para vigilância doméstica em larga escala nem para armas totalmente autônomas; em 27/02/2026, Trump ordenou que agências federais suspendessem o uso, e Hegseth classificou como “risco à cadeia de suprimentos”; em 04/03, o DoD designou formalmente; a Anthropic processou em 09/03 (ND Cal, 3:26-cv-01996, Juíza Rita Lin); em 26/03, liminar preliminar (“os motivos provavelmente são pretextos, a motivação é retaliação ilegal”); em 08/04, o tribunal de apelações negou o pedido de suspensão da Anthropic; no mesmo dia, a OpenAI anunciou um acordo com o Pentágono. Mayer Brown, Wikipedia, Arms Control Association, Breaking Defense, CNBC. https://www.mayerbrown.com/en/insights/publications/2026/03/pentagon-designates-anthropic-a-supply-chain-risk-what-government-contractors-need-to-know

• Lançamento do TRAE CN Enterprise (18/12/2025, nível 1, posição do fornecedor): 92% dos engenheiros da ByteDance utilizam a ferramenta; mais de 6 milhões de registos na versão pessoal; dupla implementação Enterprise + Enterprise Exclusive (esta última com isolamento de rede privada); encriptação de ponta a ponta + zero armazenamento na nuvem + modelos não treináveis; indexação de 100 mil ficheiros/150 milhões de linhas; SSO, painel de produtividade, MCP; casos de implementação na Huifu Payment (fintech chinesa) e no Douyin Life Services (serviço da ByteDance). Cobertura em CSDN, Sina Tech e ZOL (citando o comunicado oficial). https://www.csdn.net/article/2025-12-18/156057918

• Qoder CN (formerly Tongyi Lingma) Enterprise Edition (May 2026, Tier 1, vendor perspective): In May 2026, Tongyi Lingma was rebranded as Qoder CN, expanding its matrix across coding, office productivity, endpoints, and mobile. The enterprise standard edition (licensed per seat) is complemented by a dedicated enterprise edition (VPC private deployment, data stays within the internal network, SSO, model fine-tuning, 99.9% SLA, dedicated advisor, 7×24 support). Underlying models are domestic and multi-vendor (Qwen/GLM/DeepSeek/Kimi/MiniMax). Alibaba Cloud official documentation. https://help.aliyun.com/zh/lingma/qoder-cn-account-and-subscription

• Google Antigravity (Nov 2025 + I/O 2026, Tier 1): Launched in November 2025 as an agent-first coding tool (built for Gemini 3, per The Verge); upgraded to 2.0 at Google I/O 2026 (a full agentic development platform spanning desktop, CLI, and SDK). JetBrains 2026.1 reports a 6% adoption rate. Sources: Wikipedia, The Verge, Google official.

• CodeRabbit (2025.12.17, em primeira mão): 470 PRs de código aberto no GitHub (IA vs. humano). Total de defeitos 1,7× (10,83 vs. 6,45 por PR); vulnerabilidades de segurança por subclasse 1,82–2,74× — XSS 2,74×, referência direta insegura a objetos 1,91×, tratamento inadequado de senhas 1,88×, desserialização insegura 1,82×; problemas de legibilidade 3×. https://www.coderabbit.ai/whitepapers/state-of-AI-vs-human-code-generation-report

• Apiiro (2025.9.4, viés do fornecedor): varredura de repositórios de empresas da Fortune 50 (período de dados: dez/2024–jun/2025). Descobertas mensais de segurança em código gerado por IA saltaram de cerca de 1.000 para mais de 10.000 (10×), vulnerabilidades de escalonamento de privilégio +322%, falhas de design em nível de arquitetura +153%; erros de sintaxe caíram 76%, bugs de lógica caíram 60%. The Register, Cloud Security Alliance Labs.

• Pesquisa GitHub × Accenture (fonte primária, viés de fornecedor, GitHub Blog 2024.4): 450+ desenvolvedores da Accenture, experimento controlado de 6 meses. PRs por pessoa +8,69%, taxa de merge +15%, 88% dos caracteres de código gerados pelo Copilot retidos pelos devs (após revisão). Nota: o famoso “55% mais rápido” vem de outro estudo da GitHub, um experimento controlado de pequena escala com tarefas de serviço HTTP em JavaScript, sem relação com a pesquisa da Accenture — costuma ser citado erroneamente.

• Artigo do grupo de economia do MIT (fonte primária): experimento da Microsoft (1.663 pessoas) PR +12,9%–21,8%; experimento da Accenture (311 pessoas) PR +7,5%–8,7%. https://economics.mit.edu/sites/default/files/inline-files/draft_copilot_experiments.pdf

• Stack Overflow Developer Survey 2025 (fonte primária): 84% dos desenvolvedores usam ferramentas de IA; JetBrains 2026.1 sobe para 90%.

• UpGuard 2025 / Journal of Accountancy (fonte secundária): cerca de 80% dos desenvolvedores admitem usar ferramentas de IA não aprovadas pelo departamento de TI (o chamado “shadow AI”).

• Queda de confiança dos desenvolvedores (fonte secundária, múltiplas fontes): em 2026, apenas cerca de 29% dos desenvolvedores confiam na produção de código feita por IA, uma queda em relação aos 40% de 2024; o índice de code churn subiu de 3,1% em 2020 para 5,7% em 2024. Dados da Uvik Software e outras fontes.

• Carlini / Anthropic (jan–fev 2026, fonte primária, pesquisa original): o pesquisador da Anthropic, Nicholas Carlini, colocou 16 agentes Claude Opus 4.6 para trabalhar em paralelo por 2 semanas, totalizando cerca de 2.000 sessões e aproximadamente US$ 20 mil em custos de API. O resultado: um compilador de C baseado em Rust, escrito do zero, com 100 mil linhas de código, capaz de compilar o kernel Linux 6.9 (x86/ARM/RISC-V), passando em 99% do teste de tortura GCC e rodando FFmpeg, Redis, PostgreSQL, QEMU e Doom. Fontes: InfoQ e blog da Anthropic.

• Nota sobre anonimização de casos: Os cenários de operadoras mencionados neste artigo são baseados em minha experiência em treinamentos internos de IA e no acompanhamento de equipes de transformação digital no setor; todos os dados foram anonimizados. Os trechos sobre bancos, manufatura e e-commerce, usados para ilustrar que “a mesma lógica se aplica entre setores”, são projeções típicas do setor, não resultados de consultorias para clientes específicos. Qualquer citação deve indicar a anonimização.