<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?
Estudos controlados
| Fonte | O que foi estudado | O número | Onde usamos |
|---|---|---|---|
| METR, 2025 | Ensaio randomizado com 16 devs experientes e 246 tarefas | Com IA, 19% mais lentos — acreditando estar 20% mais rápidos | Sem método, a percepção engana |
| Google, 2024 | Ensaio randomizado com 96 engenheiros | Cerca de 21% menos tempo na tarefa | Tarefa bem definida acelera |
| Peng et al., 2023 | Experimento controlado com Copilot | 55,8% mais rápido num servidor HTTP | Escopo fechado acelera |
| Paipuru, 2026 | 258 ensaios de um agente, 30 tarefas | Dependência oculta: 76% → 99,4% com estrutura navegável; 58% ignoraram a ferramenta | Estrutura importa mais que busca |
Relatórios da indústria
| Fonte | O que foi estudado | O número | Onde usamos |
|---|---|---|---|
| DORA 2024 | Pesquisa anual de DevOps, Google | +25% de adoção: −7,2% estabilidade, −1,5% vazão, +7,5% qualidade da documentação | Fundamentos decidem o resultado |
| DORA 2025 | ~5 mil profissionais | ~90% usam IA; a IA amplifica forças e disfunções | Método é pré-requisito |
| Stack Overflow 2025 | 49 mil respostas | 84% usam IA; 46% desconfiam; 66% recebem respostas quase certas | Contexto falta |
| Faros AI, 2025 | 10 mil devs, 1.255 times | +21% tarefas, +98% PRs, +91% tempo de revisão, sem ganho no nível da empresa | Verificação é o gargalo |
| GitClear, 2025 | 211 milhões de linhas alteradas | Blocos duplicados 4x; refatoração de 25% para menos de 10% | Colocation e regras |
| Veracode, 2025 | Mais de 100 modelos | 45% do código falha em segurança; modelos maiores não melhoram | Regras e revisão dedicadas |
Pesquisa em contexto e agentes
| Fonte | O que foi estudado | O número | Onde usamos |
|---|---|---|---|
| Anthropic, 2025 | Sistema multiagente de pesquisa | +90,2% sobre agente único; tokens explicam 80% da variação | Ofícios em janelas separadas |
| Anthropic, 2025 | Context engineering | Contexto é recurso finito; pastas e nomes são sinais para o agente | Harness e src/ |
| Chroma, 2025 | 18 modelos avaliados | Desempenho fica menos confiável conforme a entrada cresce | Escopo pequeno |
| Liu et al., 2023 | Lost in the Middle | Informação no meio de contextos longos é a mais perdida | Escopo pequeno |
| Sam-Bodden, 2026 | O que o agente precisa para agir | O código responde ~60% das perguntas; resumos, ~9% | Código legível |
| Farrag, 2026 | Productivity-Reliability Paradox | Especificação antes da geração resolve o paradoxo | specs/ e changes/ |
Engenharia de software
| Fonte | O que foi estudado | O número | Onde usamos |
|---|---|---|---|
| DORA | Documentation quality | Documentação acima da média: +750% no efeito de CI | specs/ |
| Nagappan et al., 2008 | Windows Vista, Microsoft | Estrutura organizacional prevê falhas com ~87% de precisão | Estrutura importa |
| Stripe, 2018 | Mais de 1.000 devs | 17,3h/semana com manutenção e dívida técnica | O custo de não documentar |
| Thoughtworks, 2025 | Technology Radar vol. 33 | Spec-driven development em Assess, com Kiro e spec-kit | A 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.