# Um inquérito a 200 responsáveis de SRE e DevOps indicou que 43% das alterações de código geradas por IA continuam a precisar de depuração manual em produção depois de passarem QA e pré-produção

Página: https://flyvolo.ai/pt/changes/ev-20260414-software-tester-2
Data: 2026-04-14 · Fase: Restrição
Este registo pode alterar um juízo sobre uma tarefa? sim
Profissão: https://flyvolo.ai/pt/careers/software-tester

## Âmbito

Inquérito autodeclarado a 200 engenheiros seniores de grandes empresas dos EUA, do Reino Unido e da UE — e o relatório é publicado pela Lightrun, que vende ferramentas de depuração, por isso a conclusão e o produto apontam na mesma direção. As falhas da Amazon que cita (2 e 5 de março de 2026, atribuídas a alterações assistidas por IA implementadas sem aprovação, seguidas de uma revisão de segurança do código de 90 dias em 335 sistemas) são acontecimentos com relato independente; as percentagens não são. Apenas software de empresa.

## Fonte

- VentureBeat — https://venturebeat.com/technology/43-of-ai-generated-code-changes-need-debugging-in-production-survey-finds (fonte secundária)

## O que isto significa

O estrangulamento mudou de sítio em vez de desaparecer. O código chega mais depressa e em maior volume, e chega desconhecido: ninguém na equipa tem o modelo mental que vem de o ter escrito. É exatamente essa a condição em que os testes adversariais e o critério de lançamento valem mais, e não menos: a pergunta passa de «isto cumpre a especificação?» para «o que é que o gerador não sabia sobre este sistema?».

## O que ainda não demonstra

Isto é um inquérito patrocinado por um fornecedor e um conjunto de percentagens que ninguém de fora consegue reproduzir. Não mostra que se contrate ou despeça gente de testes, não separa os defeitos causados pela IA dos defeitos que sempre existiram, e nada diz sobre as equipas cujas condutas já eram sólidas. Trata os 43% como uma ordem de grandeza afirmada por uma parte interessada, e não como uma medição.

## Como o verificar por si

Mede-o onde trabalhas, porque o número de outro não se aplica à tua base de código: durante um mês, marca cada incidente em produção consoante a alteração que o causou tenha sido escrita por uma pessoa ou gerada. Se a tua equipa não conseguir responder a isso, o problema de fiabilidade não é a IA: é que não têm proveniência das vossas próprias alterações, e isso merece ser resolvido primeiro de qualquer maneira.


Mais: https://flyvolo.ai/llms.txt