Nos últimos anos, a maneira de mensurar a produtividade em tecnologia da informação (TI) era baseada principalmente em métricas de volume, como a quantidade de entregas e velocidade de desenvolvimento. No entanto, com o advento da inteligência artificial (IA), essa abordagem tornou-se obsoleta.

Impacto da IA na Produtividade

Ferramentas como copilots e técnicas de vibe coding têm acelerado significativamente o processo de criação de funcionalidades e automações. Contudo, essa velocidade não se traduz necessariamente em uma real capacidade de execução ou em melhorias na qualidade do trabalho realizado.

Desenvolvedores seniores, ao utilizarem IA, passam a se concentrar mais em aspectos como a formulação correta de problemas, validação do que foi gerado e decisões de arquitetura, em vez de simplesmente escrever código. Essas atividades não são refletidas nas métricas tradicionais, que falham em capturar o valor real do trabalho realizado.

Desafios das Métricas Tradicionais

Com o aumento do volume de alterações de código, impulsionado pela IA, também cresce o tempo dedicado a revisões e correções, o que pode sobrecarregar os profissionais mais experientes. Embora a atividade aumente, a eficiência real muitas vezes não acompanha esse crescimento.

Além disso, uma nova variável surge: a produtividade gerada pela IA também está atrelada ao consumo computacional. Isso significa que, para acelerar o desenvolvimento, muitas vezes é necessário investir em processamento e consumo de APIs, o que pode impactar a eficiência econômica.

Framework SPACE como Solução

Para lidar com essas novas realidades, o framework SPACE, desenvolvido por pesquisadores do GitHub e da Microsoft, oferece uma abordagem mais abrangente. Ele propõe cinco dimensões a serem consideradas: Satisfação, Performance, Atividade, Comunicação e Eficiência. Essa estrutura visa avaliar equipes de maneira holística, levando em conta não apenas a velocidade, mas também a qualidade e o comportamento colaborativo.

No entanto, o SPACE foi criado antes da popularização dos assistentes de código, e algumas limitações surgem no atual cenário. A dimensão de Atividade, por exemplo, torna-se uma medida arriscada, pois o volume de commits pode aumentar sem que haja um correspondente ganho de valor.

A Necessidade de Novas Métricas

A combinação mais eficaz ainda é utilizar o SPACE em conjunto com as métricas DORA, que medem a frequência de deploy, lead time para mudanças e taxa de falha em releases. Essas métricas são difíceis de manipular sem que haja melhorias reais no sistema.

Além disso, equipes mais avançadas começam a investigar questões que ainda não têm respostas formais, como o custo da produtividade associada ao consumo computacional, o impacto da IA no retrabalho e a satisfação dos usuários finais.

Reflexões Finais

As métricas tradicionais de engenharia de software foram formuladas em um contexto em que o desenvolvimento era caro, e o volume era um indicativo de produtividade. Contudo, a IA desafia essa lógica e demanda uma reavaliação profunda sobre como medimos eficiência e resultados. No novo cenário, a capacidade de transformar velocidade em simplicidade e resultados significativos é o verdadeiro indicador de sucesso no ambiente de TI.

Laerte Sabino, CEO da Icaro Tech, destaca que a diferença está em como as empresas adaptam suas métricas e processos para se ajustarem a essa nova realidade.