Pular para o conteúdo
LabS Atlas
Solutis LabS
Entrar

Degradação da Qualidade de Código Gerado por IA

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

Degradação da Qualidade de Código Gerado por IA é o problema de assistentes de IA produzirem código duplicado ou não reutilizável quando desenvolvedores diferentes pedem, cada um separadamente, a mesma funcionalidade.

A causa é a mesma que aparece em outros limites do uso de IA: o modelo não enxerga a aplicação como um todo. Ele responde ao pedido que chegou, não ao repositório em que a resposta vai morar, e não sabe o que os outros desenvolvedores já implementaram. A cada chamada, reescreve a lógica do zero e, por ser generativo, um pouco diferente. O resultado é duplicação silenciosa, dispersa pela base de código e difícil de detectar em revisão pontual.

O efeito não aparece na entrega. Aparece na manutenção, meses depois, quando uma regra muda e precisa ser corrigida em vários lugares que ninguém sabia que existiam.

O teste de mesa da validação de CNPJ

Um experimento interno tornou o padrão visível. A tarefa escolhida foi validação de CNPJ, incluindo o novo cálculo liberado pela Receita, embutida em requisitos separados que seriam distribuídos a desenvolvedores diferentes, cada um apoiado por IA. Como a validação aparecia em várias funcionalidades, o desfecho esperado por quem conhece boas práticas seria um componente reutilizável.

O que saiu foi o oposto: a ferramenta gerou N componentes praticamente iguais, um por funcionalidade, com implementações ligeiramente divergentes entre si. Nenhum desenvolvedor errou o próprio pedido. A duplicação nasceu da soma de pedidos isolados, e nenhum deles tinha visibilidade do conjunto, situação que Engenharia de Contexto atenua mas não resolve sozinha quando o contexto necessário é a aplicação inteira.

Metade do tempo para desenvolver, o triplo para manter

O trade-off foi formulado de forma aproximada e é útil justamente por ser grosseiro: gastar cerca de metade do tempo para desenvolver e cerca do triplo do tempo para dar manutenção naquele mesmo código depois. É um relato de ordem de grandeza, não uma métrica medida, e serve para posicionar a discussão no lugar certo, que é o ciclo de vida completo do software e não o instante da entrega.

Relatórios periódicos publicados por fornecedores de ferramentas de qualidade de software, baseados em repositórios abertos, vêm associando o crescimento de código mal escrito ao uso indiscriminado de IA no processo de desenvolvimento. O sinal é externo e independente do experimento interno, e aponta na mesma direção.

O custo chega depois da entrega

A queda de qualidade se multiplica antes de ser percebida, porque só se manifesta como esforço de manutenção quando o volume de código duplicado já está em produção.

Adoção por produtividade sem mecanismo de controle

O motor do problema é legítimo: existe um desejo real de aumento de produtividade, e a IA entrega velocidade de forma visível. O que falta na maioria das adoções não é intenção, é mecanismo. Padrão de componentes compartilhados, revisão que olhe duplicação e não apenas correção, catálogo do que já existe na aplicação e critério explícito sobre o que pode ser gerado e o que precisa ser reaproveitado.

Sem esses mecanismos, a adoção acelerada produz exatamente o Custo Invisível da Produtividade com IA: o ganho aparece no relatório do sprint e a conta chega no backlog de manutenção. A mesma lacuna de visão do todo alimenta a Ilusão da Automação sem Intervenção Humana, quando se supõe que sistemas inteiros poderiam ser gerados do mesmo jeito.