Inteligência ArtificialPor Allef da Silva Oliveira

Gartner: Defeitos de Software com IA Podem Subir 2.500% até 2028

Linhas de código-fonte em close-up na tela de um computador, representando o código gerado e revisado por equipes de desenvolvimento

Um relatório recente da Gartner projeta que, até 2028, a criação de aplicações a partir de prompts por desenvolvedores cidadãos, profissionais de fora da TI que montam sistemas com ajuda de IA, vai aumentar os defeitos de software em 2.500%. O número é grande o bastante para soar exagerado, e a previsão mira quem programa sem formação em engenharia. Mas os dados de times profissionais já apontam na mesma direção: squads de desenvolvimento estão produzindo código mais rápido do que nunca e revisando esse código mais devagar do que deveriam. Este artigo explica o que está por trás dessa previsão, o que os dados de adoção no Brasil revelam sobre o problema e quais práticas de QA precisam mudar antes que o volume de código gerado por IA vire uma dívida técnica impossível de pagar.

O que a Gartner realmente previu

O relatório “Predicts 2026: AI Potential and Risks Emerge in Software Engineering Technologies”, publicado pela Gartner em dezembro de 2025, descreve uma nova classe de defeito de software: código que é sintaticamente correto, mas “context-deficient”: sem noção da arquitetura mais ampla do sistema nem das regras de negócio específicas daquela empresa. São bugs arquiteturais e lógicos, muito mais difíceis de pegar em um teste automatizado tradicional do que um erro de sintaxe comum.

Essa não é uma previsão abstrata. Uma análise da CodeRabbit com 470 pull requests de projetos open source, divulgada em dezembro de 2025, encontrou 1,7 vez mais problemas no código coautorado por IA do que no código escrito só por humanos, com 75% mais erros de lógica e problemas de segurança até 2,74 vezes mais frequentes. A previsão de 2.500% mira quem desenvolve sem formação em engenharia, mas a tendência já aparece também em times profissionais.

Adoção de IA no Brasil está à frente da maturidade em QA

O Brasil não é espectador desse movimento. Uma pesquisa do GitHub divulgada em agosto de 2024 mostrou que 99% dos desenvolvedores brasileiros já usavam ferramentas de IA para programar e que 99% das empresas do país já usavam IA para gerar casos de teste automatizados. O problema é o descompasso: só 38% dos entrevistados disseram que suas empresas incentivam ativamente o uso dessas ferramentas, segundo a mesma pesquisa. Adoção alta e governança baixa formam o terreno em que a crise de qualidade prevista pela Gartner se instala.

O quadro se repete globalmente. O State of Code Developer Survey da Sonar, de janeiro de 2026, mostra que 96% dos desenvolvedores não confiam plenamente que o código gerado por IA está funcionalmente correto, mas só 48% sempre verificam esse código antes de commitar. Enquanto isso, 64% já usam agentes autônomos de IA, e o código gerado por máquina, hoje 42% de tudo que é commitado, deve chegar a 65% até 2027. A confiança não está acompanhando o volume.

Os números de segurança e de falhas em produção reforçam o alerta. Reunimos esses dados em dois artigos: IA gera código, mas quem garante a qualidade?, sobre as vulnerabilidades do código gerado por IA, e Como garantir qualidade de código gerado por IA em produção, sobre o que acontece depois do deploy.

O que muda no dia a dia dos squads de desenvolvimento

Um artigo do consultor Roberto Dias Duarte resume bem a mudança: o gargalo do desenvolvimento de software saiu da escrita de código e foi para a decisão de confiar nele ou não. Times com alta adoção de IA relatam mais pull requests, mais churn de código e mais merges feitos sem revisão adequada, segundo dados citados no artigo. Na prática, isso significa que revisar diff linha a linha deixou de ser suficiente. O volume simplesmente superou a capacidade humana de ler tudo com atenção.

Times que adotaram ferramentas de revisão assistida por IA já sentem o efeito dos dois lados. Segundo dados divulgados pela própria Anthropic e reportados pelo SINDPD, o percentual de pull requests com feedback relevante subiu de 16% para 54% após a implementação de revisão automatizada. Em mudanças com mais de mil linhas, porém, 84% ainda continham problemas identificados, com média de 7,5 falhas por revisão. Mais ferramenta não é sinônimo de menos vigilância.

Práticas de revisão que precisam ser redesenhadas

Para squads que já geram parte relevante do código com IA, cinco frentes de QA não podem mais operar no piloto automático:

  • Revisar cada linha de todo PR deixou de ser viável diante do volume atual. Faz mais sentido classificar mudanças por criticidade: código de negócio, caminhos de produção e áreas sensíveis a segurança exigem revisão humana obrigatória, enquanto ajustes de baixo risco podem passar por triagem automatizada com amostragem.
  • Testes unitários tradicionais não capturam bem os bugs “context-deficient” descritos pela Gartner. Vale reforçar testes de integração e de regressão que validem regras de negócio específicas da empresa, não apenas a sintaxe do código.
  • Cada PR gerado com apoio de IA deveria carregar um registro de intenção e contexto, explicando o que a IA foi instruída a fazer e por quê. Isso transforma a revisão em auditoria rastreável, em vez de leitura às cegas de um diff gigante.
  • Análise estática com ferramentas como SonarQube, Semgrep e Snyk deveria funcionar como barreira antes do merge, integrada ao pipeline de CI/CD e com critérios próprios para código gerado por IA, não os mesmos usados para código escrito por pessoas.
  • Saber qual parte do código em produção foi gerada por IA é o primeiro passo para gerenciar o risco. Medir essa fatia por módulo e por sprint mostra onde a revisão humana precisa ser mais rigorosa.

A mudança cultural pesa tanto quanto a técnica. Código gerado por IA deve ser tratado como código de terceiros, com a mesma desconfiança construtiva que um time aplicaria a uma biblioteca open source desconhecida.

Como consultorias de tecnologia estão se posicionando

É justamente nesse ponto que consultorias de tecnologia como a Luby entram na conversa. Com mais de duas décadas atendendo empresas de médio e grande porte em serviços financeiros, saúde, educação e SaaS, a Luby já trata revisão de código e QA como parte estrutural da entrega de software, não como etapa opcional que se pula quando o prazo aperta. À medida que mais clientes adotam IA generativa para acelerar o desenvolvimento, o papel de uma consultoria madura passa a incluir também o redesenho dos próprios processos de revisão: definir onde a IA pode gerar código com segurança, onde o humano precisa validar cada linha e como medir se a qualidade está de fato acompanhando a velocidade.

Conclusão

A previsão de 2.500% da Gartner não é uma sentença, é um alerta sobre o que acontece quando a velocidade de geração de código cresce mais rápido que a maturidade dos processos de revisão. Os dados de 2026 mostram que essa distância já existe: alta adoção, baixa confiança, pouca governança formal. A pergunta que resta para squads e lideranças técnicas não é se vão usar IA para gerar código: isso já está definido. A pergunta é se o processo de revisão vai ser redesenhado antes ou depois da crise de qualidade chegar.