Por que programadores usam IA mais do que outros profissionais

The Economist colocou um conflito no centro do Google News: as empresas de IA precisam que outros profissionais passem a agir como desenvolvedores de software.

Os programadores já delegam trabalho relevante a assistentes da Anthropic, OpenAI, Google, GitHub e startups especializadas. Muitos agora descrevem tarefas de forma conversacional enquanto agentes inspecionam arquivos, editam código, executam testes e relatam resultados.

Esse fluxo de trabalho continua incomum fora do desenvolvimento de software. Advogados, banqueiros, profissionais de atendimento ao cliente e gestores lidam com dados menos estruturados, avaliações mais difíceis, regras mais rígidas e menos incentivos para experimentar.

A distinção importa porque os fornecedores de IA estão construindo infraestrutura para um mercado muito maior. The Economist estima que a receita anual de IA precisa chegar a US$ 2,5 trilhões até 2030 para cobrir o investimento planejado em data centers. A publicação estima a receita atual em cerca de US$ 150 bilhões.

Portanto, esta não é uma história sobre se os assistentes de programação são populares. A questão é se a programação oferece um modelo repetível para a adoção no trabalho ou se representa uma exceção incomumente favorável.

As evidências apontam para uma resposta desconfortável. A programação mostra como é o uso intensivo de IA, mas seu sucesso depende de condições que a maioria das profissões não compartilha.

Google News coloca a lacuna dos programadores no centro

A programação com IA se tornou uma referência comercial que todas as outras aplicações no ambiente de trabalho agora precisam perseguir.

A análise original, publicada por The Economist e reproduzida pela Mint, descreve uma mudança marcante no trabalho de software. Alguns engenheiros do Vale do Silício agora falam instruções ao microfone em vez de digitar cada linha por conta própria.

A transcrição de voz envia essas instruções para agentes de IA. Um agente é um software capaz de inspecionar seu ambiente, selecionar ações e concluir várias etapas com orientação humana limitada.

O resultado visível continua sendo código. O processo de produção se parece cada vez mais com supervisão, revisão e correção.

Segundo The Economist, quatro em cada cinco desenvolvedores afirmam usar uma ferramenta de programação com IA. A pesquisa com desenvolvedores de 2025 apresenta uma medida bastante relacionada: 84% dos respondentes usavam ou planejavam usar ferramentas de IA.

A pesquisa também constatou que 51% dos desenvolvedores profissionais usavam ferramentas de IA diariamente. Essa frequência diferencia o desenvolvimento de software da experimentação casual com chatbots.

A adoção produziu um mercado de rápido crescimento. The Economist estima que Cognition, Cursor, Lovable e Replit geraram cerca de US$ 800 milhões em receita recorrente anual combinada em junho de 2025.

A publicação situa o total combinado atual em US$ 6 bilhões. Receita recorrente anual, ou ARR, estima a receita de assinaturas projetada ao longo de um ano.

Esses números são estimativas, não contas combinadas auditadas. Ainda assim, a direção é clara: desenvolvedores estão pagando por ferramentas inseridas diretamente nos fluxos de trabalho cotidianos.

The Economist também cita a SemiAnalysis, que estima que a programação gerou mais da metade da ARR combinada da Anthropic e da OpenAI durante o segundo trimestre de 2026. Nenhuma das empresas divulga publicamente uma divisão detalhada da receita de programação.

Essa concentração revela o que está em jogo por trás da manchete do Google News. A programação não é apenas uma aplicação bem-sucedida entre muitas. Ela ajuda a sustentar a economia dos principais fornecedores de modelos.

O executivo da OpenAI Colin Jarvis reconheceu a lacuna de adoção em termos incomumente diretos. Ele disse ao The Economist que outros profissionais de colarinho branco ainda não estão “neste mundo”.

A declaração importa porque as empresas de IA não conseguem justificar a expansão da infraestrutura apenas com assinaturas de desenvolvedores. Elas precisam de atividade igualmente intensa em mercados profissionais muito maiores.

Trabalho jurídico, finanças e atendimento ao cliente parecem ser os principais candidatos. Cada área envolve mão de obra cara, processamento repetido de informações e decisões que o software pode apoiar parcialmente.

O crescimento delas é real. Contudo, a adoção ainda não alcançou a combinação da programação de frequência, autonomia e entusiasmo de baixo para cima.

Essa diferença muda a questão central. O problema já não é se a IA consegue redigir um contrato, resumir uma chamada ou construir um modelo financeiro.

O problema é se os profissionais confiarão repetidamente nesses resultados durante o trabalho real. A dependência regular, e não demonstrações impressionantes, cria receita duradoura.

Por que a programação se tornou o ambiente de trabalho ideal para a IA

O código oferece à IA algo raro no trabalho intelectual: exemplos abundantes, contexto legível por máquina e feedback rápido quando uma resposta falha.

Repositórios públicos contêm enormes quantidades de código-fonte. Eles também incluem documentação, discussões sobre problemas, históricos de mudanças e exemplos de como desenvolvedores corrigiram erros anteriores.

The Economist informa que o código pode representar quase um quinto de alguns conjuntos de dados de treinamento de modelos. Coleções públicas comparáveis não existem para negociações privadas, disputas com clientes ou decisões internas de investimento.

Essa oferta fornece aos modelos muitos exemplos de entradas, saídas, padrões e correções. Ela não garante que o código gerado esteja correto, mas cria condições de treinamento incomumente favoráveis.

O software também possui sistemas de verificação integrados. Compiladores detectam sintaxe inválida, enquanto testes automatizados comparam o comportamento com os resultados esperados.

Linters, verificadores de tipos, scanners de segurança e sistemas de integração contínua acrescentam mais feedback. Um agente de programação muitas vezes pode executar essas ferramentas sem esperar por um revisor humano.

Isso cria um ciclo entre geração e avaliação. O modelo propõe uma mudança, executa um teste, lê o erro e tenta outra solução.

Outras tarefas profissionais raramente oferecem sinais tão claros. Um cliente calmo ainda pode ir embora, enquanto um contrato bem redigido pode esconder uma obrigação desfavorável.

Uma previsão financeira pode ser internamente consistente e ainda se basear em premissas fracas. Uma recomendação de contratação persuasiva pode reproduzir vieses sem acionar um erro legível por máquina.

Projetos de software também armazenam grande parte de seu contexto operacional digitalmente. Agentes podem inspecionar bases de código, sistemas de tickets, documentação, logs e interfaces de programação de aplicações.

Uma interface de programação de aplicações, ou API, permite que um software troque informações estruturadas com outro sistema. APIs dão aos agentes de programação caminhos diretos para as ferramentas necessárias a uma tarefa.

Em contraste, o contexto essencial em outras profissões muitas vezes permanece disperso. Ele pode estar em conversas privadas, práticas não documentadas, anexos antigos ou na memória de um funcionário experiente.

Esse problema de contexto explica por que os sistemas de conhecimento organizacional importam. As equipes precisam de uma base de conhecimento pesquisável antes que um agente consiga encontrar com confiabilidade material local relevante.

Os desenvolvedores trazem outra vantagem: entendem a falha como parte normal do fluxo de trabalho. Eles já esperam depurar, revisar diferenças, reverter mudanças e executar testes novamente.

As ferramentas de programação também mudam com frequência. Engenheiros aprendem rotineiramente novos frameworks, linguagens, editores e sistemas de implantação.

Essa cultura tornou a adoção de IA incomumente orientada de baixo para cima. Desenvolvedores individuais podiam testar um assistente antes que seu empregador redesenhasse todo um processo de negócios.

As ferramentas também encontraram os usuários em interfaces familiares. O preenchimento automático apareceu nos editores, o chat foi aberto ao lado dos arquivos-fonte e os agentes chegaram aos terminais.

Nenhum programa separado de transformação foi necessário para a experimentação inicial. Um desenvolvedor podia usar IA em uma função, um teste ou uma mensagem de erro.

Esse ponto de entrada incremental reduziu o atrito de adoção. Experimentos bem-sucedidos então se expandiram para tarefas maiores, incluindo revisão de código, migrações, depuração e implementação de funcionalidades.

O mecanismo se assemelha a uma escada. Cada resultado verificado apoia uma delegação um pouco maior, enquanto os controles de engenharia existentes limitam os danos causados por erros.

A maioria dos profissionais de colarinho branco não tem essa escada. Eles enfrentam um salto da assistência ocasional à delegação consequente sem uma infraestrutura de testes comparável.

O argumento para expansão é real, mas desigual

Direito, finanças e atendimento ao cliente crescem rapidamente, mas o crescimento da receita não prova que seus profissionais igualarão a intensidade de uso dos desenvolvedores.

The Economist identifica a tecnologia jurídica como uma concorrente. A publicação estima que Harvey, Clio e Legora dobraram sua ARR combinada em um ano, para cerca de US$ 1 bilhão.

A Harvey afirma que o tempo gasto em sua plataforma está dobrando mensalmente. Essa alegação sugere um engajamento mais profundo, embora a empresa não tenha publicado dados de uso auditados de forma independente.

O trabalho jurídico contém diversos elementos semelhantes à programação. Contratos usam cláusulas recorrentes, pesquisas seguem autoridades estabelecidas e a revisão de documentos envolve grandes coleções de texto.

As diferenças são igualmente importantes. O significado jurídico depende da jurisdição, dos objetivos do cliente, do histórico de negociação e da tolerância ao risco.

Uma cláusula pode estar gramaticalmente correta e ser juridicamente perigosa. Raramente existe um teste automatizado que determine se um compromisso atende aos interesses do cliente.

As finanças oferecem outro grande mercado. The Economist informa que a Rogo adicionou 100 clientes empresariais em um trimestre e aumentou a ARR em 50%.

Profissionais financeiros já trabalham com dados estruturados, modelos e documentos repetíveis. Essas características criam pontos de entrada promissores para assistentes de pesquisa e análise.

No entanto, decisões financeiras combinam resultados numéricos com timing, julgamento e responsabilização. Um modelo pode recuperar números com precisão e ainda assim interpretar mal quais premissas importam.

O atendimento ao cliente parece mais próximo do software porque as empresas possuem transcrições de chamadas, políticas e resoluções históricas. O CEO da Cresta, Ping Wu, disse ao The Economist que analisar milhares de chamadas pode revelar conhecimento antes mantido apenas por funcionários.

A Sierra, outra empresa de IA para atendimento ao cliente, teria alcançado US$ 200 milhões em ARR em junho. The Economist afirma que esse número era o dobro do nível de novembro de 2025.

O financiamento de risco acompanhou essa tendência. A publicação estima que investidores aplicaram US$ 3 bilhões em startups de IA para atendimento ao cliente durante 2026, mais do que em qualquer outra categoria de aplicação de IA.

Esses mercados mostram que a IA no ambiente de trabalho está se disseminando. Eles ainda não demonstram uso no nível dos programadores.

Agentes de atendimento ao cliente geralmente não podem instalar ferramentas experimentais de forma independente. Os empregadores escolhem o software, conectam bancos de dados, estabelecem permissões e definem respostas aceitáveis.

Advogados e banqueiros enfrentam restrições adicionais. Confidencialidade, manutenção de registros, obrigações regulatórias e responsabilidade profissional tornam a experimentação sem controle dispendiosa.

Isso cria um padrão de adoção de cima para baixo. Os fornecedores precisam concluir revisões de segurança, integrações, avaliações e treinamentos antes que o uso possa crescer.

A programação frequentemente avançou na direção oposta. Desenvolvedores adotaram assistentes individualmente, comprovaram valor local e depois incentivaram compras em toda a empresa.

Os fornecedores de IA estão tentando reduzir essa diferença. A Harvey usa dados sintéticos, ou seja, material de treinamento gerado por modelos em vez de coletado diretamente da atividade humana.

Plataformas especializadas de trabalho também conectam especialistas de domínio a desenvolvedores de modelos. Esses especialistas criam exemplos, avaliam respostas e descrevem o raciocínio por trás de decisões profissionais.

Enquanto isso, engenheiros alocados nas organizações dos clientes trabalham dentro delas para adaptar modelos aos sistemas locais. Seu papel combina implementação técnica com descoberta contínua de processos.

Essas abordagens podem tornar os ambientes profissionais mais legíveis por máquinas. No entanto, cada uma exige trabalho, integração e conhecimento específico do cliente.

Isso enfraquece a premissa de que um único modelo geral pode se disseminar por todos os locais de trabalho tão facilmente quanto um assistente de programação. A adoção fora do software pode se assemelhar a consultoria mais software, e não apenas a software de autoatendimento.

A Popularidade da Programação Não Resolve a Questão da Produtividade

O uso elevado prova que os desenvolvedores valorizam o acesso à IA, mas não prova que todas as tarefas se tornam mais rápidas ou melhores.

A pesquisa do Stack Overflow expõe essa tensão. Embora 84% dos entrevistados usassem ou planejassem usar ferramentas de IA, apenas 33% confiavam em sua precisão.

Quarenta e seis por cento desconfiavam ativamente dos resultados da IA. Apenas 3% se descreveram como altamente confiantes.

Essa diferença entre adoção e confiança não é contraditória. Os desenvolvedores podem usar IA com frequência enquanto revisam cada resultado importante.

A mesma pesquisa constatou que 52% acreditavam que as ferramentas ou agentes de IA haviam melhorado sua produtividade. Ainda assim, a maioria não usava agentes ou dependia apenas de assistentes mais simples.

Os desenvolvedores também resistiram à delegação em áreas de alta responsabilidade. Setenta e seis por cento não planejavam usar IA para implantação e monitoramento, enquanto 69% a rejeitavam para planejamento de projetos.

Esses achados sugerem que a adoção é específica para cada tarefa. Busca, explicação, documentação, código repetitivo e testes podem ser atraentes mesmo quando as decisões arquiteturais continuam sendo conduzidas por humanos.

Um estudo de produtividade randomizado da METR acrescentou um alerta mais contundente. Dezesseis desenvolvedores experientes de código aberto concluíram 246 tarefas em repositórios maduros.

Quando foram autorizados a usar ferramentas de IA do início de 2025, os participantes levaram 19% mais tempo. Antes do estudo, esperavam que a IA reduzisse o tempo de conclusão em 24%.

Depois, eles ainda acreditavam que as ferramentas haviam economizado 20% do tempo. Sua percepção se moveu na direção oposta ao tempo de conclusão medido.

Esse resultado não deve ser generalizado para todos os desenvolvedores. O estudo se concentrou em contribuidores experientes trabalhando em grandes repositórios que conheciam bem.

As ferramentas também melhoraram desde o experimento. Desenvolvedores, projetos e fluxos de trabalho diferentes podem produzir resultados diferentes.

Ainda assim, a conclusão desafia um atalho comum. Uso, satisfação e velocidade percebida não são equivalentes à produtividade medida.

A IA pode parecer útil porque reduz a digitação desagradável, sugere sintaxe desconhecida ou torna a exploração mais envolvente. Um desenvolvedor pode preferir essa experiência mesmo quando revisar o resultado consome tempo adicional.

As evidências mais amplas sobre emprego também exigem cautela. Pesquisadores do Federal Reserve descobriram que o trabalho em computação e matemática gerou mais de um terço das consultas ao Claude na amostra.

Essas ocupações representavam apenas 3,4% da força de trabalho. O desequilíbrio confirma uma exposição excepcionalmente alta, mas a amostra excluiu atividades empresariais, de equipe e por API.

Os autores também constataram que diferentes medidas de exposição divergem substancialmente. Ambas colocaram a programação entre as ocupações mais expostas, mas a exposição por si só não identifica efeitos sobre o emprego.

Essa distinção importa para a tese de investimento. Os fornecedores de IA precisam que os clientes obtenham valor mensurável suficiente para que o uso sobreviva às revisões de orçamento.

Um produto pode se espalhar rapidamente por curiosidade e conveniência. Gastos empresariais sustentados exigem evidências de que ele melhora a produção, a qualidade, a velocidade ou a capacidade.

A programação mantém uma vantagem mesmo sob essa visão cética. Equipes de software podem medir alterações aceitas, taxas de defeitos, tempo de revisão, frequência de implantação e conclusão de tarefas.

Outras funções muitas vezes não têm referências comparáveis. Isso torna tanto a melhoria quanto o fracasso mais difíceis de provar.

Portanto, o risco é mais amplo do que a precisão do modelo. As empresas podem implantar IA sem saber se ela economiza tempo, transfere trabalho para revisores ou simplesmente desloca custos para outro lugar.

Por Que os Programadores Podem Continuar Sendo a Exceção

A promessa é a automação universal do trabalho, mas o mecanismo atual depende de forma incomum da estrutura do software e do comportamento de seus usuários.

Os próprios dados da Anthropic sustentam o argumento da concentração. Seu relatório de uso de setembro de 2025 constatou que a programação representava 36% da atividade do Claude na amostra.

A educação subiu de 9,3% para 12,4%, enquanto as tarefas científicas aumentaram de 6,3% para 7,2%. Esses ganhos mostraram diversificação sem deslocar a programação do primeiro lugar.

O relatório da Anthropic de janeiro de 2026 constatou que as conversas do Claude.ai principalmente relacionadas à programação caíram de um pico de 40% para 34% em novembro de 2025. Esse movimento indica expansão para outras atividades.

No entanto, um terço das conversas ainda representa forte concentração. Também reflete apenas o mix de produtos de uma empresa, e não todo o mercado de IA.

Uma atualização metodológica posterior da Anthropic observou que agentes de longa duração tornaram simples contagens de conversas menos informativas. Sessões do Claude Code e do Cowork podem conter mais trabalho do que conversas comuns.

Isso complica as comparações entre ocupações. Uma sessão de programação pode incluir inspeção de arquivos, implementação, testes e revisão, enquanto outro usuário faz uma única pergunta sobre escrita.

O desenvolvimento de software também transforma ambiguidade em artefatos explícitos. Requisitos se tornam tickets, projetos se tornam documentos, alterações se tornam commits e falhas se tornam logs.

Esse processo fornece aos agentes um estado observável. Também oferece aos humanos pontos de controle nos quais podem aprovar, rejeitar ou revisar o trabalho.

O conhecimento profissional em outros contextos costuma ser relacional. Um bom resultado pode depender de confiança, empatia, timing, política organizacional ou uma preferência não declarada.

Esses sinais resistem à conversão em dados de treinamento. Registrá-los pode introduzir problemas de privacidade, consentimento e governança.

A regulação reforça a divisão. Advogados precisam proteger informações privilegiadas, instituições financeiras precisam supervisionar comunicações e sistemas de atendimento ao cliente precisam seguir regras de proteção ao consumidor.

Fornecedores de IA podem adicionar controles, registros de auditoria e sistemas de recuperação de informação. Essas medidas ajudam, mas acrescentam trabalho de implementação antes de os funcionários receberem valor.

O mercado de assistentes de programação também mostra o quanto a delegação confiável continua exigente. A gerente de produto da Anthropic, Cat Wu, afirmou que a responsabilidade, em última instância, continua com os engenheiros.

O analista da Gartner, Philip Walsh, argumentou de modo semelhante que softwares prontos para empresas ainda exigem profissionais qualificados. Ele citou qualidade, escalabilidade, segurança e robustez como limitações contínuas.

Essa exigência humana não torna os agentes de programação pouco importantes. Ela explica por que se disseminam mais rapidamente entre pessoas qualificadas para avaliá-los.

O usuário mais forte de IA não é necessariamente o trabalhador com o emprego mais fácil de automatizar. Pode ser o trabalhador mais bem preparado para detectar e corrigir falhas da automação.

Esse princípio cria problemas para previsões de adoção universal. Muitos funcionários não têm nem a autoridade para experimentar nem a expertise para avaliar cada decisão gerada pelo modelo.

As empresas podem responder redesenhando fluxos de trabalho em torno da validação. Podem estabelecer fontes de dados aprovadas, critérios de avaliação, regras de escalonamento e revisão humana.

Ainda assim, fazer isso transforma a adoção em engenharia organizacional. Comprar acesso a modelos é apenas o primeiro passo.

A questão do Google News, portanto, traz uma inversão. A programação é apresentada como evidência de que todas as profissões adotarão a IA, mas pode, em vez disso, revelar os pré-requisitos que as demais não têm.

O Que o Boom de Investimentos em IA Precisa Provar em Seguida

A próxima fase depende de três sinais: uso recorrente mais amplo, medição confiável de produtividade e implantação específica por cliente mais barata.

O primeiro sinal é se produtos jurídicos, financeiros e de atendimento ao cliente sustentam uso frequente após as implantações iniciais. Número de clientes e ARR mostram compra, não profundidade de uso.

Os investidores devem observar taxas de renovação, usuários ativos, fluxos de trabalho concluídos e expansão entre clientes existentes. Os fornecedores raramente divulgam todas essas métricas publicamente.

A evidência mais forte mostraria funcionários retornando diariamente e delegando partes maiores de processos completos. Redação ou resumo ocasionais sustentariam um mercado menor.

Se aplicações fora da programação se aproximarem da frequência de uso dos desenvolvedores, a tese da adoção universal se fortalece. Se o uso permanecer ocasional, a programação parecerá mais um limite superior.

O segundo sinal é evidência independente de produtividade. As empresas precisam de comparações que incluam tempo de revisão, correção de erros, trabalho de conformidade e falhas posteriores.

Métricas simples, como documentos gerados ou conversas concluídas, podem enganar. Uma produção maior tem valor limitado quando os funcionários precisam gastar mais tempo verificando-a.

Estudos controlados não cobrirão todas as organizações. Ainda assim, as empresas podem usar implantações graduais, equipes comparáveis, amostragem de qualidade e medidas operacionais antes e depois.

Uma avaliação melhor também esclareceria onde o julgamento humano cria valor. Um sistema de IA pode acelerar a análise inicial enquanto deixa as decisões finais intocadas.

Esse resultado ainda pode justificar o investimento. Ele sustenta uma afirmação mais restrita do que a automação completa do fluxo de trabalho.

O terceiro sinal é o custo de implantação. Engenheiros alocados junto ao cliente e especialistas de domínio podem transformar conhecimento organizacional privado em contexto utilizável, mas esse trabalho precisa escalar economicamente.

Observe se os fornecedores criam conectores reutilizáveis, métodos de avaliação compartilhados e controles específicos do setor. Esses componentes podem reduzir o trabalho personalizado necessário para cada cliente.

Observe também o equilíbrio entre modelos gerais e sistemas especializados. Modelos gerais oferecem ampla capacidade, enquanto produtos especializados empacotam dados de domínio, permissões e fluxos de trabalho.

Se fornecedores especializados crescerem sem grandes equipes de implementação, outras profissões podem se tornar mais parecidas com a programação. Se cada implantação exigir ampla personalização, as margens e a velocidade de adoção enfrentarão pressão.

Para os desenvolvedores, a lição de curto prazo é medir resultados em vez de contar linhas geradas. A habilidade valiosa é avançar em direção à definição de tarefas, gestão de contexto, verificação e julgamento de sistemas.

Para compradores empresariais, a lição é igualmente prática. Comece com fluxos de trabalho que tenham dados acessíveis, critérios claros de sucesso, ações reversíveis e revisores responsáveis.

Trabalhadores do conhecimento devem perguntar onde seu trabalho já produz feedback digital. Essas áreas oferecem os equivalentes mais próximos dos testes de software.

O boom de investimentos não exige que todos os funcionários se tornem programadores. Exige que outras ocupações desenvolvam caminhos igualmente repetíveis da instrução à produção verificada.

Esse é o desafio não resolvido por trás da história do Google News. Os modelos continuam melhorando, e a adoção comercial está se espalhando para além da engenharia.

No entanto, o desenvolvimento de software combina material público de treinamento, contexto digital, validação automatizada, usuários flexíveis e resultados mensuráveis. Nenhuma outra grande profissão atualmente reúne esse conjunto.

Nos próximos meses, ignore demonstrações isoladas e observe o comportamento recorrente. Os profissionais estão delegando fluxos de trabalho completos, medindo os resultados e retornando sem suporte técnico constante?

Se a resposta se tornar sim, os programadores foram o primeiro exemplo de uma ampla transição no trabalho. Se continuar sendo não, eles foram a exceção favorável que sustenta uma promessa de investimento muito maior.

A pergunta útil não é se sua equipe pode acessar IA. É se seu fluxo de trabalho consegue expor o contexto certo, detectar erros e provar que a delegação criou valor.