<omh-evidencias />

Cada afirmação tem uma fonte.

Estudos controlados, relatórios da indústria e pesquisa sobre agentes — com os limites que cada um declara. Use esta página na apresentação quando alguém perguntar: de onde vem esse número?

4

estudos controlados

6

relatórios da indústria

6

pesquisas sobre contexto e agentes

4

referências de engenharia de software

20

fontes, todas linkadas

Estudos controlados

FonteO que foi estudadoO númeroOnde usamos
METR, 2025Ensaio randomizado com 16 devs experientes e 246 tarefasCom IA, 19% mais lentos — acreditando estar 20% mais rápidosSem método, a percepção engana
Google, 2024Ensaio randomizado com 96 engenheirosCerca de 21% menos tempo na tarefaTarefa bem definida acelera
Peng et al., 2023Experimento controlado com Copilot55,8% mais rápido num servidor HTTPEscopo fechado acelera
Paipuru, 2026258 ensaios de um agente, 30 tarefasDependência oculta: 76% → 99,4% com estrutura navegável; 58% ignoraram a ferramentaEstrutura importa mais que busca

Relatórios da indústria

FonteO que foi estudadoO númeroOnde usamos
DORA 2024Pesquisa anual de DevOps, Google+25% de adoção: −7,2% estabilidade, −1,5% vazão, +7,5% qualidade da documentaçãoFundamentos decidem o resultado
DORA 2025~5 mil profissionais~90% usam IA; a IA amplifica forças e disfunçõesMétodo é pré-requisito
Stack Overflow 202549 mil respostas84% usam IA; 46% desconfiam; 66% recebem respostas quase certasContexto falta
Faros AI, 202510 mil devs, 1.255 times+21% tarefas, +98% PRs, +91% tempo de revisão, sem ganho no nível da empresaVerificação é o gargalo
GitClear, 2025211 milhões de linhas alteradasBlocos duplicados 4x; refatoração de 25% para menos de 10%Colocation e regras
Veracode, 2025Mais de 100 modelos45% do código falha em segurança; modelos maiores não melhoramRegras e revisão dedicadas

Pesquisa em contexto e agentes

FonteO que foi estudadoO númeroOnde usamos
Anthropic, 2025Sistema multiagente de pesquisa+90,2% sobre agente único; tokens explicam 80% da variaçãoOfícios em janelas separadas
Anthropic, 2025Context engineeringContexto é recurso finito; pastas e nomes são sinais para o agenteHarness e src/
Chroma, 202518 modelos avaliadosDesempenho fica menos confiável conforme a entrada cresceEscopo pequeno
Liu et al., 2023Lost in the MiddleInformação no meio de contextos longos é a mais perdidaEscopo pequeno
Sam-Bodden, 2026O que o agente precisa para agirO código responde ~60% das perguntas; resumos, ~9%Código legível
Farrag, 2026Productivity-Reliability ParadoxEspecificação antes da geração resolve o paradoxospecs/ e changes/

Engenharia de software

FonteO que foi estudadoO númeroOnde usamos
DORADocumentation qualityDocumentação acima da média: +750% no efeito de CIspecs/
Nagappan et al., 2008Windows Vista, MicrosoftEstrutura organizacional prevê falhas com ~87% de precisãoEstrutura importa
Stripe, 2018Mais de 1.000 devs17,3h/semana com manutenção e dívida técnicaO custo de não documentar
Thoughtworks, 2025Technology Radar vol. 33Spec-driven development em Assess, com Kiro e spec-kitA indústria converge

// O que não afirmamos

Um número usado além do que ele sustenta enfraquece o argumento

Os modelos mudam rápido

O estudo do METR usou ferramentas do início de 2025. O argumento não é que a IA é lenta — é que, sem método, a percepção de ganho não se confirma.

Um repositório, um modelo

O CodeCompass avaliou uma base Python e mede navegação, não correção. Ele prova o mecanismo; a aplicação a src/ é inferência nossa.

Correlação não é causa

DORA, Faros e GitClear são estudos observacionais. Mostram padrões consistentes, não relações de causa isoladas.

Prepare as respostas

As perguntas que vão aparecer na apresentação, com o argumento e a fonte de cada uma.

Ver FAQ