Graciani Sousa da Silva; Elaine Barbosa de Figueiredo

DOI: 10.22167/2675-6528-202600861

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

A crescente utilização de assistentes de Inteligência Artificial no desenvolvimento de software tem influenciado práticas profissionais e levantado questões pouco exploradas no contexto de desenvolvedores em início de carreira. Investigou-se o impacto dessas ferramentas na produtividade, aprendizado, autonomia, qualidade do código e percepção ética de desenvolvedores júnior. A pesquisa adotou um delineamento exploratório e descritivo, com abordagem predominantemente quantitativa, e coletou dados por meio de um questionário estruturado online aplicado a 31 profissionais com até três anos de experiência. A análise dos dados foi realizada por estatística descritiva. Os resultados revelaram alta integração dos assistentes ao cotidiano profissional, com a maioria dos participantes relatando uso diário ou quase diário, e uma percepção muito positiva de aumento da produtividade e apoio ao aprendizado. Contudo, uma parcela significativa dos entrevistados admitiu ter evitado estudar conceitos por confiar na ferramenta e expressou preocupações éticas relacionadas ao seu uso. Concluiu-se que os benefícios observados estão diretamente condicionados à postura crítica do profissional, e o uso consciente dos assistentes de IA mostrou-se determinante para o desenvolvimento das competências essenciais na fase inicial da carreira.

Palavras-chave: Desenvolvimento de Software; Ética em Tecnologia; Impactos; Inteligência Artificial; Produtividade.

1. Introdução

A Inteligência Artificial (IA) consolidou-se como uma das tecnologias mais influentes da atualidade, promovendo transformações significativas em diversos setores econômicos e tecnológicos. De modo geral, é compreendida como um campo da ciência da computação voltado ao desenvolvimento de sistemas capazes de realizar tarefas que demandam inteligência humana, como aprendizado, raciocínio, reconhecimento de padrões e tomada de decisão (Russell e Norvig, 2020). Sua crescente ubiquidade tem redefinido paradigmas de trabalho e interação com a tecnologia.

Nos últimos anos, o avanço dos modelos de linguagem de grande escala e das técnicas de IA generativa ampliou significativamente as possibilidades de aplicação dessa tecnologia. Modelos como o GPT-3 e o ChatGPT representam uma ruptura em relação às gerações anteriores de sistemas, demonstrando capacidade generalista de resolver tarefas diversas em linguagem natural (Zhao et al., 2023). Essa expansão, contudo, não é isenta de consequências: a crescente inserção da IA em contextos sociais, educacionais e profissionais (Carraro, 2025; Zuo et al., 2026) levanta questões ainda pouco respondidas sobre seus impactos reais no trabalho humano e no desenvolvimento de competências.

No campo do desenvolvimento de software, os assistentes de IA — sistemas baseados em modelos de linguagem capazes de gerar código, identificar erros e recomendar boas práticas — tornaram-se ferramentas de uso crescente. Plataformas como GitHub Copilot e ChatGPT exemplificam essa tendência ao oferecer suporte contínuo ao longo do ciclo de desenvolvimento (Pinheiro, 2025; Ebert e Louridas, 2023). Embora a automação reduza o tempo de desenvolvimento e libere profissionais para atividades de maior valor agregado (Thapalia, 2025), questiona-se se esses ganhos de eficiência não vêm acompanhados de riscos sistêmicos. Estes incluem dependência tecnológica, compreensão superficial do código produzido e a necessidade de validação humana constante, dado o caráter não determinístico dos sistemas generativos (Ebert e Louridas, 2023). A esse debate somam-se preocupações éticas sobre autoria, responsabilidade por falhas, segurança da informação e vieses nos modelos, temas que têm ganhado espaço crescente nos debates acadêmicos e profissionais da área.

Apesar da relevância do tema, a literatura ainda apresenta lacunas significativas. A maior parte dos estudos disponíveis concentra-se em desenvolvedores experientes ou em contextos organizacionais consolidados, deixando em aberto a questão de como essas ferramentas afetam especificamente profissionais em início de carreira. Essa omissão é relevante porque desenvolvedores juniores enfrentam um desafio particular: consolidar competências fundamentais como raciocínio lógico, capacidade de resolução de problemas e compreensão aprofundada dos conceitos de programação. O uso intensivo de assistentes de IA pode tanto acelerar o aprendizado quanto comprometê-lo, caso se torne acrítico e irrefletido (Thapalia, 2025; Ebert e Louridas, 2023). Essa tensão entre suporte e substituição do esforço cognitivo permanece empiricamente pouco investigada.

Diante desse cenário, a presente pesquisa se justifica pela necessidade de compreender os múltiplos impactos da integração dos assistentes de IA no cotidiano de trabalho dos desenvolvedores júnior, um grupo profissional em fase crucial de formação e desenvolvimento de competências. A investigação busca preencher essa lacuna, oferecendo insights sobre como essas ferramentas influenciam aspectos fundamentais da prática profissional. Assim, este estudo tem como objetivo geral investigar o impacto do uso de assistentes de Inteligência Artificial no desenvolvimento de código e na evolução profissional de desenvolvedores júnior, considerando aspectos relacionados à produtividade, aprendizado, autonomia, qualidade do código e percepção ética.

2. Material e Métodos

A presente pesquisa caracterizou-se como um estudo de natureza exploratória e descritiva, com abordagem predominantemente quantitativa. Essa escolha metodológica justificou-se pela natureza recente do tema do uso de assistentes de Inteligência Artificial no desenvolvimento de software, especialmente no que se refere aos impactos percebidos por desenvolvedores em início de carreira. A abordagem quantitativa permitiu mensurar percepções e identificar tendências de forma sistemática (Gil, 2019).

A população do estudo foi composta por desenvolvedores de software em início de carreira, definidos como profissionais com até três anos de experiência, incluindo estágios e vínculos formais de emprego. A amostragem foi realizada por conveniência, por meio da divulgação do questionário em grupos de comunidades de tecnologia, caracterizando uma amostra não probabilística. A amostra final foi composta por 31 respondentes válidos, após a exclusão de 7 respostas que não atenderam aos critérios de triagem definidos.

Os critérios de inclusão para os participantes foram a concordância com o termo de consentimento livre e esclarecido e a declaração de possuir até três anos de experiência profissional na área. Respostas que não atenderam a esses critérios foram automaticamente excluídas por meio de uma etapa inicial de triagem. Embora o tamanho da amostra seja limitado, ele se mostrou compatível com o caráter exploratório do estudo e com as condições de acesso aos participantes.

A coleta de dados foi realizada por meio de um questionário estruturado, aplicado de forma online e composto exclusivamente por perguntas fechadas. O uso de questionários estruturados contribuiu para a padronização das respostas e favoreceu a análise quantitativa dos dados (Marconi e Lakatos, 2022). O instrumento foi organizado em blocos temáticos para abranger os aspectos investigados.

Os blocos temáticos do questionário incluíram: termo de consentimento e triagem, dados demográficos e profissionais, padrões de uso de assistentes de Inteligência Artificial, escalas de percepção e itens de medição objetiva. Essa estrutura permitiu coletar informações abrangentes sobre o perfil dos participantes e suas interações com as ferramentas de IA no ambiente de trabalho.

As escalas de percepção foram elaboradas no formato Likert de cinco pontos, variando de “discordo totalmente” a “concordo totalmente”. Essas escalas permitiram avaliar o grau de concordância dos participantes em relação a aspectos como produtividade, aprendizado técnico, autonomia, dependência tecnológica, qualidade do código, percepção de impacto na carreira e questões éticas. Cabe ressaltar que o instrumento não passou por processo formal de validação, como validação por especialistas ou análise de consistência interna.

Além das escalas perceptivas, o questionário incluiu itens objetivos relacionados ao percentual estimado de código gerado com auxílio de IA, à forma de utilização das sugestões fornecidas pelos assistentes, à ocorrência de problemas decorrentes desse uso e à realização de verificações adicionais no código gerado. Esses elementos complementaram a análise perceptiva com informações práticas sobre o uso das ferramentas no cotidiano profissional.

Os dados coletados foram analisados por meio de estatística descritiva, utilizando frequências absolutas e relativas, percentuais, médias e amplitude das respostas nas escalas Likert. Essa abordagem possibilitou identificar a distribuição e predominância das respostas, além de avaliar tendências centrais nas percepções dos participantes (Creswell e Creswell, 2021; Marconi e Lakatos, 2022; Gil, 2019).

Optou-se deliberadamente pela não aplicação de testes estatísticos inferenciais, decisão coerente com o delineamento exploratório do estudo e com o tamanho da amostra, que não atende aos pressupostos necessários para esse tipo de análise. Dessa forma, os resultados expressam tendências observadas na amostra investigada, sem pretensão de extrapolação estatística para populações mais amplas.

No que se refere aos aspectos éticos, a pesquisa respeitou os princípios do consentimento livre e esclarecido, garantindo o anonimato dos participantes e a utilização das informações exclusivamente para fins acadêmicos. Por se tratar de pesquisa de opinião com participantes não identificados, o estudo enquadrou-se nas hipóteses de dispensa de registro e análise pelo Comitê de Ética em Pesquisa [CEP], conforme o art. 1º, parágrafo único, inciso I, da Resolução CNS n° 510, de abril de 2016. Os respondentes foram informados de que sua participação foi voluntária e de que poderiam interromper o preenchimento do questionário a qualquer momento, sem qualquer prejuízo (Gil, 2019).

3. Resultados e Discussão

Os resultados obtidos nesta pesquisa revelaram uma integração significativa dos assistentes de Inteligência Artificial no cotidiano de trabalho de desenvolvedores júnior, acompanhada por uma diversidade de percepções sobre seus impactos. A análise explorou dimensões como a caracterização dos respondentes, os padrões de uso das ferramentas, os efeitos na produtividade e eficiência, as contribuições para o aprendizado técnico, a autonomia profissional, a dependência tecnológica, a qualidade do código, as práticas de validação, e as percepções sobre carreira e questões éticas. Essa abordagem permitiu uma compreensão multifacetada dos benefícios e riscos associados ao uso dessas tecnologias por profissionais em início de carreira.

A amostra da pesquisa foi composta predominantemente por profissionais jovens, com 58,1% entre 25 e 34 anos, e majoritariamente do gênero feminino, representando 74,2% dos participantes. A formação acadêmica era sólida, com 67,8% possuindo graduação ou pós-graduação. Em termos de contexto profissional, 97% atuavam em regime de tempo integral, principalmente em grandes empresas com mais de 250 colaboradores (83,9%). As linguagens de programação mais utilizadas incluíram Java, Python e JavaScript/TypeScript, refletindo o perfil comum do mercado. As ferramentas de IA mais adotadas foram Cursor (41,9%), ChatGPT (22,6%) e GitHub Copilot (12,9%), sendo que 77,4% dos participantes as utilizavam tanto integradas ao ambiente de desenvolvimento (IDE) quanto via interface web. Esse perfil homogêneo da amostra é crucial para contextualizar os achados.

O uso de assistentes de IA mostrou-se amplamente incorporado à rotina dos desenvolvedores júnior. Aproximadamente 87,1% dos participantes relataram utilizar essas ferramentas diariamente ou quase diariamente, com 48,4% usando várias vezes ao dia e 38,7% quase todos os dias. Essa alta frequência sugere que os assistentes de IA já são percebidos como componentes estruturais da prática profissional, indo além de um suporte eventual. Tal constatação desafia narrativas que ainda consideram a IA generativa como um recurso meramente complementar no desenvolvimento de software, reforçando a necessidade de investigar seus impactos na formação técnica desses profissionais.

As finalidades de uso dos assistentes de IA também foram reveladoras. A resolução de dúvidas conceituais foi a atividade mais frequente, apontada por 90,3% dos entrevistados, superando a geração de código, mencionada por 89%. O suporte ao aprendizado técnico foi indicado por 61,3% dos participantes. Esse dado é significativo, pois sugere que os desenvolvedores júnior não utilizam a IA apenas como um gerador automático de soluções, mas também como um interlocutor ativo no processo de aprendizagem e compreensão técnica. Essa postura indica uma abordagem mais reflexiva do que a frequentemente atribuída a usuários intensivos dessas ferramentas, conforme destacado por Ebert e Louridas (2023) sobre a rápida assimilação da IA generativa no desenvolvimento de software.

No que tange à produtividade e eficiência operacional, os resultados indicaram uma percepção extremamente positiva entre os participantes. A média de avaliação do impacto da IA na produtividade foi de 4,55 em uma escala de 1 a 5, com 93,5% dos entrevistados concordando ou concordando totalmente com o aumento na eficiência de suas atividades. Além disso, 90,3% concordaram que a IA otimiza o tempo em tarefas rotineiras, sendo que 71% concordaram totalmente com essa afirmação. O elevado nível de consenso, com nenhum participante discordando da afirmação sobre produtividade e apenas 6,5% mantendo posição neutra, é um dos achados mais expressivos da pesquisa, conferindo robustez à tendência identificada.

Esses resultados perceptivos dialogam com evidências experimentais da literatura. Peng et al. (2023), por exemplo, registraram ganhos de 55,8% na velocidade de conclusão de tarefas com o uso do GitHub Copilot em um experimento controlado com desenvolvedores experientes. Embora o presente estudo tenha focado em profissionais júnior, os próprios autores de estudos anteriores identificaram que desenvolvedores com menor experiência tendem a se beneficiar mais dessas ferramentas. Essa convergência entre a percepção dos juniores e a evidência experimental, ainda que indireta, fortalece a consistência dos achados e sugere que os ganhos percebidos podem corresponder a impactos reais ainda mais expressivos para esse perfil de profissional.

Do ponto de vista teórico, os achados estão em consonância com Ebert e Louridas (2023), que apontam a automação de tarefas repetitivas como um dos principais benefícios da IA generativa, reconfigurando as práticas profissionais e aumentando a produtividade no desenvolvimento de software. Contudo, a análise descritiva dos dados sugere que a frequência de uso, isoladamente, não é o único fator associado à percepção de produtividade. Isso indica que o impacto das ferramentas pode estar mais relacionado à forma de utilização do que à intensidade de uso, apontando para a natureza multifatorial do fenômeno e a necessidade de investigações futuras mais aprofundadas sobre as variáveis que predizem ganhos de desempenho.

No âmbito do aprendizado técnico, os assistentes de IA foram amplamente reconhecidos como ferramentas de apoio educacional. A média de concordância com a afirmação de que essas ferramentas contribuem para o aprendizado foi de 4,03 em uma escala de 1 a 5, com 77,4% dos participantes concordando ou concordando totalmente. Esses dados reforçam a percepção de que a IA atua como um suporte complementar ao processo de aprendizagem, facilitando o acesso ao conhecimento técnico, o que está alinhado com Thapalia (2025), que ressalta o potencial dessas tecnologias no desenvolvimento de competências profissionais. No entanto, a percepção de apoio ao aprendizado não equivale necessariamente ao desenvolvimento efetivo de competências.

Com efeito, os dados também revelaram um risco significativo associado a esse padrão de uso: aproximadamente 54,8% dos participantes admitiram já ter deixado de estudar ou praticar algum conceito por acreditar que o assistente de IA resolveria a questão automaticamente. Esse resultado é particularmente relevante para desenvolvedores em início de carreira, pois indica que a fronteira entre o uso da IA como apoio e a substituição do esforço cognitivo é tênue. Quando o recurso à ferramenta dispensa a compreensão do conceito subjacente, instala-se um risco de aprendizagem superficial que compromete o desenvolvimento de competências fundamentais, como raciocínio lógico e capacidade de resolução de problemas, essenciais para a evolução profissional.

Esse achado dialoga criticamente com Ebert e Louridas (2023), que alertam para o uso excessivo e acrítico dessas tecnologias. A pesquisa sugere que esse alerta é especialmente pertinente para profissionais juniores, que, diferentemente de desenvolvedores experientes que já consolidaram suas competências, correm o risco de substituir o processo de consolidação dessas competências pelo atalho fornecido pela ferramenta. Assim, embora os assistentes de IA apresentem contribuições concretas ao aprendizado, seu uso consciente e orientado torna-se condição essencial para que esses benefícios não sejam anulados pela redução do envolvimento ativo com o conhecimento.

A análise das percepções dos participantes sobre autonomia profissional e dependência tecnológica revelou um cenário em que a autonomia se mantém predominante, mesmo diante do uso intensivo de assistentes de IA. A média de percepção de dependência foi de 2,97 em uma escala de 1 a 5, situando-se abaixo do ponto médio. Isso indica que, na avaliação geral, os participantes não se percebem fortemente dependentes dessas ferramentas. De forma mais detalhada, 45,2% discordam da afirmação de dependência, enquanto 41,9% concordam e 12,9% se mantêm neutros. Essa distribuição evidencia um grupo dividido, mas com a maioria preservando a percepção de controle técnico, o que não deve ser lido como ausência de risco, mas como indicativo de que a dependência coexiste com uma avaliação ainda positiva de autonomia.

Do ponto de vista quantitativo, 45,2% dos participantes estimaram que entre 30% e 60% do código produzido é gerado direta ou parcialmente por assistentes de IA, e 25,8% indicaram que essa proporção supera 60%. Esses números merecem atenção, pois, mesmo com mais da metade do código potencialmente originado por IA, a maioria dos participantes não se percebe dependente. Isso sugere que a autonomia percebida depende menos da origem do código e mais da capacidade de analisá-lo, adaptá-lo e decidir sobre sua utilização, o que representa uma mudança no papel técnico do desenvolvedor diante da IA generativa. Esse cenário é reforçado por outro dado expressivo: 74,2% dos participantes afirmam ser capazes de identificar erros e executar código sem o auxílio da IA, com média de 4,03 na escala de concordância, indicando que a autonomia técnica permanece preservada na maioria dos desenvolvedores investigados.

Os assistentes de IA funcionam predominantemente como instrumentos de ampliação cognitiva, e não como substitutos do pensamento humano. Quanto ao comportamento diante das sugestões recebidas, 77,4% dos participantes afirmaram ajustar o código gerado antes de utilizá-lo, enquanto apenas 16,1% disseram copiar as sugestões sem alterações, um padrão que reforça uma postura ativa e crítica diante das saídas produzidas pela IA. No entanto, os dados também apontam para um grupo minoritário, porém significativo, de participantes que demonstram níveis mais elevados de dependência. Essa percepção de dependência, combinada com a alta frequência de uso, pode, ao longo do tempo, comprometer o desenvolvimento do raciocínio lógico e da capacidade de resolução de problemas, competências essenciais para a evolução profissional no início da carreira (Thapalia, 2025; Ebert e Louridas, 2023).

No que se refere à qualidade do código gerado, os participantes apresentaram uma avaliação moderada, com média de 3,48 em uma escala de 1 a 5. Embora 45,2% concordem que as soluções produzidas pelos assistentes de IA são adequadas, 41,9% se mantêm neutros em relação a essa afirmação. Esse resultado, mais cauteloso do que os registrados em outras dimensões, é analiticamente relevante, pois indica que os desenvolvedores júnior não transferem à IA a autoridade sobre a qualidade do que produzem. Ao contrário, adotam uma postura de avaliação crítica em relação ao código recebido, o que contrasta com narrativas que associam o uso intensivo de ferramentas de geração automática à aceitação acrítica de suas saídas.

Esse ceticismo moderado se reflete diretamente nas práticas de validação relatadas. A totalidade da amostra declarou realizar algum nível de verificação do código antes de utilizá-lo: 58,1% afirmam fazê-lo sempre, enquanto os 41,9% restantes indicam revisão frequente. Esse dado é particularmente expressivo, pois demonstra que, independentemente do grau de confiança na ferramenta, a supervisão humana está universalmente presente no fluxo de trabalho dos participantes. Isso indica que o hábito de revisar o código pode estar ajudando a reduzir os riscos associados à IA generativa, ao menos entre esse perfil de desenvolvedores.

No entanto, a adoção dessas práticas de validação não elimina completamente os riscos. Aproximadamente 29% dos participantes afirmaram já ter enfrentado problemas sérios decorrentes do uso dessas ferramentas, como bugs, falhas de produção ou vulnerabilidades de segurança. Esse índice, embora minoritário, é expressivo no contexto de desenvolvedores no início da carreira e revela que a supervisão humana, ainda que presente, nem sempre é suficiente para interceptar falhas introduzidas pelo código gerado automaticamente. Isso é coerente com a advertência de Ebert e Louridas (2023) sobre o caráter não determinístico dos sistemas de IA generativa, onde a revisão humana é necessária, mas sua eficácia depende diretamente do nível de competência técnica do revisor.

No que diz respeito ao impacto na carreira, os resultados indicam uma percepção predominantemente positiva, porém mais moderada do que em outras dimensões avaliadas. A média de concordância com a afirmação de que os assistentes de IA influenciam positivamente a carreira foi de 3,53, com 48,4% dos participantes concordando com essa visão e 35,5% se mantendo neutros. Essa neutralidade expressiva de mais de um terço dos respondentes pode refletir uma incerteza genuína sobre os efeitos de longo prazo dessas ferramentas sobre o desenvolvimento profissional. Esse achado está alinhado com a literatura, que aponta o domínio de tecnologias baseadas em IA como competência emergente no mercado, mas também reconhece que a incorporação dessas ferramentas pode alterar as trajetórias de carreira de formas ainda imprevisíveis.

A pesquisa também revelou preocupações relevantes relacionadas a aspectos éticos: 74,2% dos participantes manifestaram preocupação com questões dessa natureza, com média de 4,13 na escala de concordância, sendo que 48,4% concordaram totalmente, um dos índices mais expressivos entre todas as afirmações analisadas. Esse resultado indica que a reflexão ética não é periférica para esses profissionais, acompanhando o uso cotidiano das ferramentas e sugerindo um grau de maturidade crítica que contraria estereótipos sobre usuários intensivos de IA como acriticamente entusiastas. Tais preocupações encontram respaldo empírico na literatura, como em Pearce et al. (2025), que identificaram vulnerabilidades de segurança introduzidas por ferramentas de geração de código por IA.

Destaca-se ainda o contexto organizacional em que esses profissionais estão inseridos: 93,5% dos participantes indicaram que suas equipes ou empresas incentivaram o uso de assistentes de IA, com média de 4,71, o maior índice entre todas as afirmações avaliadas na pesquisa, sendo que 77,4% concordaram totalmente. Esse ambiente amplamente favorável pode explicar, em parte, a alta frequência de uso registrada. No entanto, apesar do forte incentivo, 58,1% dos participantes afirmaram nunca ter recebido feedback formal de líderes ou colegas sobre sua utilização. Essa contradição é relevante, pois as organizações estimulam o uso, mas aparentemente não estabelecem critérios claros sobre como utilizá-lo de forma responsável, reforçando a necessidade de diretrizes institucionais que orientem boas práticas.

A análise exploratória de tendências entre variáveis permitiu enriquecer a interpretação dos resultados. No que diz respeito à relação entre frequência de uso e percepção de produtividade, os dados indicam que a alta avaliação de ganho produtivo é praticamente uniforme entre os grupos, com médias variando de 4,50 a 4,53 entre usuários frequentes e intensivos. Isso reforça a hipótese de que o impacto percebido não é determinado pela quantidade de uso, mas pela forma como as ferramentas são empregadas, sugerindo que a intencionalidade e a criticidade são mais relevantes do que a mera intensidade de utilização.

Uma tendência especialmente relevante foi identificada na relação entre o percentual de código gerado por IA e a percepção de dependência. Os participantes que estimaram gerar mais de 60% do código com auxílio de assistentes de IA apresentaram média de dependência de 3,88, consideravelmente superior à dos grupos com menor proporção de uso (2,17 a 2,86). Esse resultado indica que, a partir de certo ponto, quanto mais código é delegado à IA, maior a tendência de surgir um sentimento de dependência, o que merece atenção no caso de profissionais em início de carreira, que estão em fase de consolidação de suas competências.

Adicionalmente, observou-se que participantes com alta percepção de apoio ao aprendizado pela IA (escores 4 e 5) apresentaram média de dependência de 3,17, superior à dos grupos com percepção média (2,00) ou baixa (2,50) de benefício educacional. Essa tendência indica que o uso frequente da IA para aprendizado pode aumentar a sensação de dependência, contrariando a ideia de que seu uso educacional é menos problemático do que o uso operacional. Isso sugere uma complexidade na relação entre o suporte ao aprendizado e a autonomia, demandando uma postura crítica para evitar a substituição do esforço cognitivo.

Por fim, a análise da percepção de qualidade por ferramenta utilizada revelou variação mínima entre os grupos (de 3,44 a 3,67), indicando que a avaliação de qualidade do código gerado não parece estar vinculada à plataforma específica, mas a fatores relacionados ao próprio usuário, como sua capacidade de avaliar e revisar as saídas produzidas. Cabe ressaltar que as tendências identificadas nesta análise têm caráter estritamente exploratório, dada a ausência de testes de significância estatística e o tamanho reduzido da amostra, devendo ser interpretadas como indicativas e não como conclusivas.

Em síntese, os resultados desta pesquisa, analisados de forma integrada, evidenciam que os assistentes de IA operam, no contexto investigado, predominantemente como instrumentos de ampliação cognitiva, e não como substitutos da capacidade técnica. Essa função é consistente com a concepção de agentes de IA como sistemas que atuam de forma racional em suporte aos objetivos humanos, sem substituir o julgamento profissional (Russell e Norvig, 2020). Essa perspectiva ajuda a compreender por que o aumento da produtividade percebido pelos participantes coexiste com a preservação da autonomia técnica: o uso da IA como ferramenta de suporte não elimina a autonomia do profissional, mas transforma o tipo de tarefa que passa a ser de sua responsabilidade.

No entanto, essa interpretação não é isenta de problematização. A teoria da carga cognitiva, originalmente proposta por Sweller (1988) e amplamente aplicada ao campo da aprendizagem profissional, sugere que delegar sistematicamente tarefas a recursos externos, incluindo ferramentas computacionais, pode reduzir o esforço cognitivo necessário para que o conhecimento seja de fato assimilado e retido. Nessa perspectiva, o fato de 54,8% dos participantes admitirem já ter deixado de estudar um conceito por acreditar que o assistente de IA resolveria a questão não constitui apenas um dado comportamental, mas um indicador de que a fronteira entre uso como suporte e uso como substituto do esforço cognitivo pode ser ultrapassada de forma imperceptível, com consequências para o desenvolvimento de competências fundamentais no início da carreira.

Uma leitura à luz do modelo de aquisição de habilidades proposto por Dreyfus e Dreyfus (1980) contribui para aprofundar essa questão. Segundo esse modelo, o profissional em início de carreira, equivalente aos estágios de “iniciante” e “iniciante avançado”, necessita de exposição sistemática a situações-problema para internalizar regras, reconhecer padrões e desenvolver julgamento contextualizado. Se o assistente de IA reduz a exposição a esse tipo de esforço, fornecendo soluções prontas sem que o profissional precise percorrer o caminho cognitivo que leva à solução, há risco real de que o profissional leve mais tempo para alcançar níveis mais elevados de domínio técnico. Os dados desta pesquisa, que mostram alta percepção de produtividade combinada com preocupações significativas sobre dependência e formação, refletem exatamente essa tensão: os assistentes de IA podem acelerar entregas sem necessariamente acelerar o desenvolvimento profissional.

A dimensão ética dos achados merece igualmente uma análise teoricamente fundamentada. As preocupações manifestadas por 74,2% dos participantes, com média de 4,13 na escala de concordância, não são secundárias ao debate sobre IA no trabalho, mas fazem parte do seu núcleo central. A literatura sobre ética em IA tem destacado que as questões de responsabilidade, transparência e viés algorítmico não se resolvem apenas com supervisão técnica, mas exigem uma postura reflexiva por parte dos profissionais que utilizam essas ferramentas (Russell e Norvig, 2020; Pearce et al., 2025). O fato de que 58,1% dos participantes nunca receberam feedback formal sobre o uso da IA, mesmo atuando em ambientes que incentivam amplamente sua adoção, sugere que as organizações têm priorizado a eficiência operacional sem promover a formação ética e crítica necessária.

Em termos de contribuição teórica, este estudo oferece dados concretos para um debate que permanece em aberto: o da relação entre automação assistida por IA e desenvolvimento de expertise em contextos profissionais iniciais. Os achados não confirmam nem o otimismo irrestrito de abordagens que tratam a IA como agente de democratização do conhecimento técnico, nem o pessimismo de perspectivas que a descrevem como ameaça à formação profissional. O que os dados indicam é que o impacto dessas ferramentas é mediado por fatores contextuais, relacionais e pedagógicos que a simples adoção tecnológica não é capaz de resolver. Mapear esses fatores constitui, portanto, a principal agenda de pesquisa que os resultados aqui apresentados ajudam a delinear, reforçando que os benefícios observados estão diretamente condicionados à postura crítica do profissional, e o uso consciente dos assistentes de IA mostrou-se determinante para o desenvolvimento das competências essenciais na fase inicial da carreira.

4. Conclusão

O presente estudo investigou o impacto do uso de assistentes de Inteligência Artificial no desenvolvimento de código e na evolução profissional de desenvolvedores júnior, abordando aspectos como produtividade, aprendizado, autonomia, qualidade do código e percepção ética. Verificou-se uma alta integração dessas ferramentas no cotidiano profissional, com a maioria dos participantes relatando uso diário ou quase diário. Os achados indicaram uma percepção muito positiva de aumento da produtividade e de apoio ao aprendizado técnico. Contudo, observou-se que uma parcela significativa dos entrevistados admitiu ter evitado o estudo de conceitos por confiar na ferramenta, o que aponta para um risco de aprendizagem superficial. Adicionalmente, identificou-se que a autonomia profissional se mantém predominante, embora um grupo minoritário demonstre maior dependência, e que preocupações éticas são expressivas entre os participantes. A principal contribuição deste trabalho reside na elucidação de que os benefícios dessas ferramentas estão diretamente condicionados à postura crítica do profissional, e o uso consciente dos assistentes de IA é determinante para o desenvolvimento das competências essenciais na fase inicial da carreira.

Apesar dos insights obtidos, o estudo apresenta limitações decorrentes de seu delineamento exploratório e descritivo, com abordagem predominantemente quantitativa, que não permitiu aprofundar percepções individuais. Os resultados baseiam-se em dados autorrelatados, sujeitos a vieses subjetivos, e a amostra reduzida restringe a generalização dos achados, que devem ser interpretados como tendências indicativas. Além disso, o instrumento de coleta não passou por validação formal. Para estudos futuros, sugere-se a adoção de abordagens qualitativas ou mistas, bem como análises estatísticas mais aprofundadas, a fim de explorar com maior profundidade os impactos da IA em diferentes níveis de experiência profissional e contextos organizacionais. Recomenda-se também investigar os fatores contextuais, relacionais e pedagógicos que mediam o impacto da IA, reforçando que a Inteligência Artificial não substitui o desenvolvedor, mas redefine seu papel, exigindo uma atuação cada vez mais crítica, analítica e responsável.

Referências Bibliográficas

Carraro, F. 2025. Inteligência artificial e ChatGPT: da revolução dos modelos de IA generativa à Engenharia de Prompt. Casa do Código, São Paulo, SP, Brasil.

Creswell, J.W.; Creswell, J.D. Projeto de pesquisa: Métodos qualitativo, quantitativo e misto. 5ed. Penso Editora, Porto Alegre, RS, Brasil.

Dreyfus, S. E.; Dreyfus, H. L. 1980. A five-stage model of the mental activities involved in directed skill acquisition. Berkeley, CA: University of California. Operations Research Center, 10.

Ebert, C.; Louridas, P. 2023. Generative Al for software practitioners. IEEE Software, 40(4): 30-38.

Gil, A.C. 2019. Métodos e Técnicas de Pesquisa Social. 7ed. Atlas, São Paulo, SP, Brasil.

Lakatos, E.M.; Marconi, M.A. 2022. Fundamentos de Metodologia Científica. 9ed. Atlas, São Paulo, SP, Brasil.

Pearce, H.; Ahmad, B.; Tan, B.; Dolan-Gavitt, B.; Karri, R. 2025. Asleep at the Keyboard? Assessing the Security of GitHub Copilot’s Code Contributions. Communications of the ACM, 68(2): 96-105.

Peng, S.; Kalliamvakou, E.; Cihon, P.; Demirer, M. 2023. The impact of ai on developer productivity: Evidence from github copilot. arXiv preprint arXiv:2302.06590.

Pinheiro, J. H. S. 2025. Inteligência artificial generativa na transformação do desenvolvimento de software: Impactos, desafios e perspectivas futuras. Aurum Revista Multidisciplinar, 1(5): 184-200.

Russell, S.; Norvig, P. 2020. Artificial Intelligence. A modern approach. 4ed. Pearson, Hoboken, NJ, EUA.

Sweller, J. 1988. Cognitive load during problem solving: Effects on learning. Cognitive science, 12(2): 257-285.

Thapalia, K. 2025. Impacts of Al on software development. Monografia. Universidade de Ciências Aplicadas Haaga-Helia, Helsinque, Finlândia.

Zhao, W. X.; Zhou, K.; Li, J.; Tang, T.; Wang, X.; Hou, Y.; … Wen, J. R. 2023. A survey of large language models. arXiv preprint arXiv:2303.18223, 1(2), 1-124.

Zuo, F.; Qian, G.; Li, F.; Song, Y.; Zhang, X. 2026. Generative Al and Software Development Job Security: Challenges and Insights for Computing Education. The Journal of Computing Sciences in Colleges, 120-129.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy