Agentes de codificação com IA acabaram de transformar programadores de escritores em revisores de código

42% do código que os programadores fazem commit hoje é gerado ou assistido por IA, face a 12% em 2025, segundo o inquérito State of Code 2026 da Sonar. Essa estatística é constantemente citada como prova de que "a IA já escreve software". Ela oculta a mudança mais importante por baixo: 81% dos programadores dizem que agora passam mais tempo a rever código gerado por IA, e 38% afirmam que rever a saída da IA exige mais esforço do que rever o trabalho de um colega. O trabalho não foi automatizado; foi reestruturado — de produzir código para o auditar.

Por que a revisão ficou mais difícil, não mais fácil

A suposição intuitiva era que o código escrito por IA, livre da fadiga e inconsistência humanas, seria mais fácil de confiar e, portanto, mais rápido de rever. O oposto provou ser verdade por uma razão específica: o código gerado por IA está errado com confiança de formas que o código humano raramente está. Um programador humano que não entende os casos limite de uma biblioteca normalmente escreve código que visivelmente luta. Um modelo de linguagem grande gera código com a mesma fluência sintática quer compreenda totalmente o requisito quer esteja apenas a corresponder padrões a exemplos de treino superficialmente semelhantes.

O que está realmente a mudar na prática

As equipas que se adaptam bem a esta mudança fazem três coisas concretas. Primeiro, separam "isto funciona" de "isto está correto" como passagens de revisão distintas. Segundo, exigem que os commits assistidos por IA incluam o prompt ou descrição da tarefa que os gerou, não apenas o diff resultante. Terceiro, algumas equipas encaminham deliberadamente o código gerado por IA através de um segundo modelo de IA para revisão adversarial antes de olhos humanos o verem.

As competências que estão realmente a ganhar valor

Os programadores que gerem bem isto não são os mais rápidos a escrever código — são os melhores a lê-lo rápida e corretamente. O julgamento arquitetónico segue a mesma trajetória. Os modelos de IA são bons a gerar código que satisfaz uma especificação de âmbito local e muito mais fracos a reconhecer quando uma solução localmente correta cria um problema ao nível do sistema.

O que as equipas devem fazer agora

Se as métricas de adoção de IA da sua equipa rastreiam linhas de código geradas ou tempo poupado a escrever, está a medir a metade errada da equação — meça antes o tempo de revisão e a taxa de fuga de defeitos. Construa listas de verificação de revisão específicas para os padrões de falha conhecidos do código gerado por IA, e invista em formar explicitamente engenheiros juniores em leitura e verificação de código.