BLOG

Gen AI no desenvolvimento de software: como acertar na adoção e alcançar resultados reais

A Gen AI no desenvolvimento de software está transformando a forma como se cria aplicações, trazendo resultados impressionantes. Descubra estratégias para mitigar riscos e maximizar oportunidades.

Bruno Moyle
07/16/2025
Reading time: 8 minutes

O uso da Gen AI no desenvolvimento de software está trazendo resultados impressionantes, especialmente em cenários mais simples. No entanto, à medida que essa tecnologia avança, essa inovação pode vir acompanhada de desafios em contextos mais complexos, como os encontrados em grandes empresas.

Neste artigo, vamos entender mais sobre Gen AI no desenvolvimento de software, explorando seus impactos e superando desafios. Além disso, compartilharemos insights valiosos sobre como mitigar riscos e maximizar as oportunidades oferecidas por esse poderoso acelerador tecnológico.

Nota: Este artigo reúne pesquisas estruturadas, observações empíricas e a vasta experiência e conhecimento do autor sobre o assunto.

Impactos da Gen AI no desenvolvimento de software

O uso de Gen AI no desenvolvimento de software começou com assistentes de código, que respondiam perguntas, davam sugestões de trechos ou arquivos completos de código e ajudavam a completar código automaticamente.

Em seguida estes assistentes evoluíram para permitir a criação ou edição de arquivos, até chegar no uso de agentes de IA e tools, que podem racionalizar / planejar o trabalho, consultar e alterar ferramentas externas e criar, alterar e apagar código e arquivos sozinhos.

Com isso, os agentes ganharam mais poderes e apresentaram resultados impressionantes, por exemplo, conseguindo criar um site ou aplicação simples sozinhos, sem a intervenção de uma pessoa.

Segundo o The 2024 Dora Report, a grande maioria dos produtos e times estão investindo em Gen AI, tanto como parte das capacidades de seus produtos (89%) e como ferramenta de produtividade no seu dia a dia (76%).

Já passamos do estágio do hype. Hoje, as empresas buscam resultados concretos em sua adoção de IA, e com o desenvolvimento de software não seria diferente. De acordo com a pesquisa State of the CIO 2025, 68% de líderes de TI afirmam que a IA reformulou as operações de alguma forma e já está gerando resultados comerciais tangíveis.

É percebido que a IA generativa ajuda na produtividade no desenvolvimento de software, incluindo gerar documentação com qualidade, escrever testes e acelerar a quantidade de código criado e revisado.

Para se ter ideia, a pesquisa 2024 Stack Overflow Developer Survey trouxe um capítulo inteiro só sobre Inteligência Artificial. Um dos tópicos mais interessantes – e respondido por mais de 35 mil profissionais de desenvolvimento em todo mundo – foi como a AI tem entrado no workflow de desenvolvimento:

Nos primeiros resultados sobre como a GEN AI tem entrado no workflow de desenvolvimento temos: 82% para escrever código, 67.5% para pesquisar por respostas e 56,7% para debug e conseguir ajuda.

No entanto, ainda existe desconfiança sobre a propriedade intelectual do código gerado, eficiência na produção (performance, custo, qualidade) e curiosamente, que a IA pode tirar tarefas “divertidas” das pessoas desenvolvedoras, ou até mesmo seus empregos.

Principais casos de uso de Gen AI no desenvolvimento de software

O uso de Gen AI no desenvolvimento de software cria aceleradores relevantes, que se bem utilizados, podem aumentar a produtividade e qualidade do código. A seguir veremos alguns destaques:

Escrever documentação

Muitos times de desenvolvimento não têm a disciplina ou tempo para criar e manter a documentação atualizada. Por isso, usar a Gen AI para documentação tem trago muitos resultados.

Por exemplo, é possível criar documentação de API (usando Javadoc, OpenAPI), design doc, ADRs (Architecture Decision Records) e até diagramas de arquitetura C4 para o projeto todo, usando Mermaid.

Escrever testes unitários e de integração

Muitos times de desenvolvimento não têm a disciplina ou tempo para escrever ou manter testes unitários e de integração atualizados.

Usando IA generativa, estes testes podem ser criados e mantidos atualizados por agentes. E não só testes unitários, mas testes de mutação e até tipos mais complexos como Test-Driven Development (TDD) ou Behavior-Driven Development (BDD), por exemplo.

Inclusive, te convido a conhecer o case de sucesso do Itaú Unibanco que conseguiu dobrar sua cobertura de testes de acessibilidade (WCAG) com a StackSpot AI.

Criar códigos mais simples

Muitos times de desenvolvimento gastam muito tempo criando código trivial, como getters and setters, scripts para executar build ou mesmo CRUDs de entidades. Usando IA generativa é possível obter código de alta qualidade com velocidade para estes cenários.

Por exemplo, você pode pedir ao agente para implementar CRUD para uma nova entidade com regras de negócio simples.

Revisar alterações de código

Para se ter ideia, segundo a Harvard Business Review, melhorar código depois de escrito já é o 8º uso mais frequente de Gen AI em 2025, isso observando todas as categorias e não somente casos de uso de tecnologia.

Usando IA generativa, os times de desenvolvimento não precisam mais esperar a disponibilidade de uma pessoa mais sênior ou liderança para revisar o código durante as PRs, um agente pode apoiar nisso. Assim, se acelera a quantidade de PRs aprovadas, e profissionais mais experientes podem se concentrar apenas nas PRs mais complexas.

Riscos

O uso de IA generativa no desenvolvimento de código de forma acelerada e não contextualizada pode trazer riscos relevantes, que se não observados, podem reduzir a produtividade efetiva (diferença entre código gerado e código que pode ser usado em produção).

Entre os principais riscos ao usar uma Inteligência Artificial generalista no desenvolvimento de software destacamos:

1. Não seguir padrões e políticas

O código gerado pela LLM não apenas não garante determinismo, mas pode gerar código que implementa parcialmente ou mesmo não implementa os padrões e políticas da empresa.

2. Criar código inseguro

O código gerado pela LLM pode incluir falhas de segurança triviais, como armazenar credenciais nos arquivos, ou mais graves, como vulnerabilidades críticas de segurança como portas expostas na internet.

3. Criar código ineficiente

O código gerado pela LLM pode fazer mau uso dos recursos (computação, armazenamento, rede) e aumentar o custo de operação do código na produção, principalmente na nuvem.

4. Criar código frágil

O código gerado pela LLM pode usar estratégias de curto prazo que podem resolver a issue atual, mas quebrar funcionalidades que já existiam, introduzir bugs e até mesmo misturar diferentes arquiteturas e paradigmas de programação.

5. Código simplista

Código que não consegue atender bem cenários complexos, não atendendo aos requisitos ou até alucinando respostas.

6. Código medíocre

LLMs generalistas foram treinadas com código disponível publicamente, o que em sua maioria é composto por projetos pessoais, de estudos e inclusive código que nem compila, ou cheios de problemas de segurança. Por isso, muitas de suas sugestões acabam não sendo eficientes.

7. Algoritmo de Solução dos Agentes de IA

Algoritmos projetados para sempre “encontrar uma solução” podem, por vezes, apressar-se em fornecer respostas quando o ideal seria parar e repensar o problema. A otimização destes algoritmos de LLM, que constantemente buscam gerar resultados, pode entrar em conflito com a experiência de profissionais mais experientes, que sabem o momento certo de pausar e reavaliar o caminho a seguir.

Recomendações para adotar Gen AI no desenvolvimento de software

Adote uma a Plataforma de Desenvolvimento

Em grandes empresas, a complexidade de governança e os custos associados ao desenvolvimento e entrega de código podem ser desafiadores devido à multiplicidade de pessoas, padrões e políticas. Por isso, a adoção de Platform Engineering e de uma Plataforma de Desenvolvimento surge como a solução ideal para esses desafios.

Afinal, centralizar padrões e políticas em uma plataforma de autoatendimento garante visibilidade e ação, simplificando o processo para as equipes de desenvolvimento.

E essa é uma forte tendência. De acordo com a Gartner, até 2026, 80% das organizações vão investir em estratégias de engenharia de plataforma, criando locais comuns para centralização e colaboração, garantindo entregas mais rápidas e eficientes.

Para escalar o uso de Gen AI no desenvolvimento de software, é essencial integrá-la na plataforma de desenvolvimento, permitindo uma experiência unificada e sem atritos. Assim, a IA consegue acessar os padrões tecnológicos da empresa e sugerir respostas mais assertivas.

Eduque os times de desenvolvimento

O uso de agentes de geração de código pode alterar a dinâmica estabelecida dos times de desenvolvimento. Por exemplo, agentes podem facilmente ser responsáveis pela maior parte do código gerado em um time. Alguns times podem ver isso de forma positiva, outros como negativa.

Na prática, treine seu time com a consciência que a IA generativa veio para ficar e que é possível usá-la para aumentar a produtividade. Dê espaço para o time aprender sobre, evite obrigar o uso inicialmente, e use métricas de adoção e eficiência para escalar o uso.

Inclusive, aqui pode ser importante investir em ações de upskilling em AI Literacy, afinal, não se adota o que não se entende.

Agentes de geração de código podem se comportar como pessoas desenvolvedoras com habilidade de júnior ou pleno, mas com 3 ou 4 vezes mais produtividade. O impacto nos times pode ser exatamente como se o time tivesse mais “pessoas” escrevendo código com mais velocidade, e as lideranças e especialistas dos times precisam se adaptar e acomodar estes agentes no ambiente de trabalho.

No final do dia, agente ou humano, o ciclo de vida de desenvolvimento de software precisa funcionar bem.

Contextualização: dê o máximo de informação para a IA

A contextualização desempenha um papel crucial para garantir que o uso de Gen AI no desenvolvimento de software atenda às necessidades específicas de cada projeto e organização.

É com contextualização que evitamos os riscos citados de segurança e ineficiências de código, como aderência aos padrões da empresa.

Além disso, ao contar com uma plataforma de engenharia, são os dados centralizados ali as fontes de informação ideais para a IA.

Além de fontes de informação, é possível contextualizar mais a IA ao adotar técnicas como RAG ou Fine-Tuning que vamos conhecer melhor a seguir.

Adote técnicas como RAG ou Fine-Tuning

Técnicas como RAG (Retrieval Augmented Generation) e/ou Fine-Tuning podem ser aplicadas para melhorar a geração de código.

O RAG não “altera” (pesos) a LLM, mas usa dados mais específicos e atualizados como referência para enriquecer o prompt. Algumas vantagens e desafios do RAG:

Vantagens do RAG:

a. Mais rápido e barato, não é necessário treinar modelos, apenas adicionar ferramentas.

b. Dados mais recentes, obtidos e vetorizados sempre que necessário.

c. Mais transparente, é possível depurar os dados usados para gerar o prompt.

Desafios do RAG:

a. Dependência da estratégia de recuperação e vetorização (embeddings). Se a estratégia for ruim, a geração do código é afetada diretamente.

b. Limitação de contexto, que somando o prompt original mais o aumento do RAG, pode ultrapassar a janela de contexto da LLM, truncando o resultado ou perdendo contexto.

Já o Fine-Tuning “altera” (pesos) a LLM, usando um treinamento menor com dados mais específicos. Algumas vantagens e desafios de Fine-Tuning:

Vantagens do Fine-Tuning:

a. Especialização de domínio, gerando código menos genérico.

b. Respostas mais rápidas, dado que não é necessário “aumentar” o prompt usando RAG.

Desafios do Fine-Tuning:

a. Custo para treinamento, sendo necessário um bom dataset e capacidade computacional para treinar o modelo.

b. Necessidade de treinamento para atualizar os dados, executando um treinamento novo mesmo que apenas uma pequena parte dos dados precise ser atualizada.

Treine a habilidade de Prompt Engineering

LLMs são o coração da IA generativa, e saber como “conversar” com estes modelos é um jeito efetivo (barato e rápido) de obter melhores respostas (código gerado).

A habilidade de criar bons prompts é chamada prompt engineering. Acompanhe as recomendações e boas práticas de Engenharia de Prompt neste artigo do nosso blog.

Na prática, use técnicas conhecidas e amplamente difundidas para escrever bons prompts e economizar tempo e dinheiro (tokens) na geração de código. A diferença entre um prompt ruim e um bom pode ser literalmente ter uma aplicação pronta para produção, ou uma aplicação que nem compila.

Acompanhe o código criado por agentes

Por último, mas não mesmo importante, é importante identificar o código gerado por agentes e inspecionar a performance destes agentes. Identificar é mais simples, pois os agentes fazem commit nos repositórios com usuários específicos. Inspecionar é simples, pois o uso do Git oferece métricas como quantidade de linhas alteradas, commits criados, PRs aprovadas, etc.

Identificar (separar) o código dos agentes das pessoas é importante para evitar o sentimento que o agente está roubando a propriedade intelectual e valor das pessoas desenvolvedoras. Inspecionar é importante para medir a performance (outcome) dos times de desenvolvimento com e sem os agentes.

Na prática, garanta que os agentes usem usuários específicos no Git, e que seja possível medir estas métricas:

Quantidade de commits.
Quantidade de linhas criadas, alteradas e apagadas.
Quantidade de PRs aprovados.
Quantidade de bugs introduzidos, vulnerabilidades de segurança abertas e qualidade dos testes.

No final do dia, deve ficar claro qual código foi criado por um agente, qual código foi criado por uma pessoa e como o time está performando com e sem agentes de IA.

Gen AI no Desenvolvimento: O novo imperativo para times de sucesso

O impacto da Gen AI no desenvolvimento de software é uma realidade. Times e pessoas de desenvolvimento que não alavancarem os aceleradores observados terão cada vez mais dificuldades em se manterem eficientes e relevantes. A possibilidade de agentes de código, assistidos ou autônomos vai criar um novo filtro para times de desenvolvimento.

O foco dos times de desenvolvimento deve se movimentar de “avaliar o uso” para “reduzir o impacto dos riscos e aumentar os resultados” da IA generativa.

Se você ainda não começou, corre que ainda dá tempo.