Futuro da Engenharia de Software com IA com Rodrigo Moreira

A produtividade vai aumentar, mas não de forma simplista

Os ganhos não estão apenas na geração de código. O maior impacto tende a acontecer ao longo de todo o ciclo de desenvolvimento: desde a identificação do problema até a entrega e manutenção em produção.

Além disso, o ganho de produtividade não é uniforme:

• Tarefas repetitivas ou com padrões claros podem ter ganhos de até 70–80%.
• Correção de bugs também tende a ser acelerada.
• Já problemas complexos e pouco estruturados ainda apresentam ganhos menores.

Ou seja, a produtividade aumenta, mas depende muito do tipo de problema sendo resolvido.

Onde entra o ser humano se a IA faz quase tudo

Hoje, o papel humano continua sendo essencial em três grandes momentos:

1. Definição do problema (upstream) Entender o cliente, identificar dores relevantes e priorizar o que gera valor ainda é um trabalho majoritariamente humano.

2. Decomposição e contexto Dividir problemas complexos em partes menores e fornecer contexto claro para a IA é crítico para obter bons resultados.

3. Validação e qualidade Mesmo com apoio da IA, ainda é necessário garantir qualidade, segurança e comportamento correto do sistema.

A tendência, no entanto, é que cada vez mais etapas sejam automatizadas, reduzindo a intervenção humana ao longo do tempo.

Engenheiros deve revisar cada vez menos código gerado por IA

A direção parece ser essa, mas com cautela.

A ideia não é confiar cegamente na IA, mas sim:

• Substituir revisão manual por guardrails automatizados
• Fortalecer testes (unitários, integração, end-to-end)
• Usar abordagens como test-driven development desde o início

O objetivo é eliminar gargalos. Revisão manual linha a linha não escala e pode se tornar o principal limitador de produtividade.

Habilidades que vão se tornar essenciais para engenheiros de software

Curiosamente, não são habilidades novas, mas agora se tornam obrigatórias:

• Curiosidade (para acompanhar mudanças rápidas)
• Visão sistêmica (entender o todo, não só o código)
• Conhecimento de domínio (produto e negócio)
• Adaptabilidade
• Comunicação escrita clara (essencial para trabalhar com IA)
• Fundamentos técnicos sólidos

Com o código sendo cada vez mais automatizado, o diferencial passa a ser pensamento, clareza e contexto.

Engenharia e produto com cada vez mais sobreposição

A tendência é de maior interseção.

Com menos tempo gasto escrevendo código, engenheiros naturalmente se movem para o upstream:

• Entendimento de problemas
• Definição de soluções
• Proximidade com cliente e negócio

Isso reduz a separação rígida entre engenharia, produto e design, criando papéis mais híbridos.

A nova estrutura de times

A estrutura tradicional (PM + designer + vários engenheiros) tende a evoluir.

Uma possível direção:

• Times menores e mais flexíveis
• Uso de “squads agênticas” (conjunto de agentes de IA com diferentes papéis)
• Humanos focados em definir problemas e supervisionar soluções

A composição do time passa a depender mais do problema do que de uma estrutura fixa.

O novo papel da liderança

Líderes se tornam ainda mais relevante nesse cenário.

Líderes passam a:

• Gerenciar humanos e agentes de IA
• Definir processos, métricas e guardrails
• Garantir qualidade e direção técnica
• Conduzir a transição para o novo modelo

Há também uma tendência de maior exigência técnica, mesmo para quem atua com gestão.

Vai faltar ou sobrar engenheiro no mercado?

Não há resposta definitiva, mas um padrão histórico sugere:

• Redução de custo → mais problemas viáveis → mais demanda por software
• Resultado: a demanda pode aumentar

Por outro lado:

• Engenheiros que apenas “codificam” tendem a perder espaço
• Profissionais completos (produto + técnica + comunicação) se tornam mais valiosos

Os novos engenheiros junior

O maior desafio não é aprender, mas sim aprender rápido.

Antes, havia mais tempo para absorver conhecimento durante o desenvolvimento de um projeto. Agora, esse tempo diminuiu drasticamente.

O que passa a ser essencial:

• Base sólida em computação
• Capacidade de aprender rapidamente
• Pensamento crítico
• Uso inteligente da IA para acelerar aprendizado

O que todos devem fazer

O principal insight é simples:

Engajar. Testar. Construir opinião própria.

Consumir conteúdo é útil, mas insuficiente. Quem realmente entende o impacto da IA é quem está experimentando no dia a dia.

Mais do que acreditar ou rejeitar, o momento exige:

• Experimentação prática
• Ceticismo saudável
• Iteração constante

Conclusão

O desenvolvimento de software não está apenas ficando mais rápido, está sendo redefinido.

O código deixa de ser o centro. O foco passa a ser:

• Problemas
• Contexto
• Decisões

E, nesse novo cenário, quem souber pensar melhor, não apenas codar melhor, terá uma vantagem significativa.