- Ao contrário da alegação de que as ferramentas de programação com AI aumentaram muito a produtividade, não se observa uma explosão na criação de novos softwares
- A análise dos dados do PyPI mostra que, mesmo após o ChatGPT, a taxa geral de criação de pacotes não mudou
- Apenas nos pacotes populares relacionados a AI a frequência de atualizações mais que dobrou, enquanto os pacotes não relacionados a AI mantiveram a tendência anterior
- Essa concentração é interpretada mais como um efeito de concentração de capital e atenção do que como um aumento geral de produtividade trazido pela tecnologia de AI
- Como resultado, o impacto da AI generativa aparece não como uma expansão de todo o ecossistema de desenvolvimento, mas como uma concentração de atividade dentro da área de AI
Análise da produtividade de software na era da AI
- Apesar das alegações de que as ferramentas de programação com AI elevaram a produtividade em dezenas de vezes, na prática não se observa um aumento explosivo de novos softwares
- Os dados do repositório de pacotes Python PyPI foram usados para analisar as tendências de criação e atualização de pacotes após a adoção da AI
- Como resultado, apenas nos pacotes populares relacionados a AI a frequência de atualizações aumentou rapidamente, sem uma mudança clara no ecossistema como um todo
- Esse fenômeno parece decorrer mais da concentração de capital e atenção do que de um ganho de produtividade da própria tecnologia de AI
Análise da quantidade de pacotes
- O número total de pacotes no PyPI apresentou crescimento exponencial contínuo, mas não houve mudança clara no momento do lançamento do ChatGPT
- O número de novos pacotes por mês variou entre 5 mil e 15 mil
- Alguns picos após 2020 ocorreram por causa da entrada de spam e malware
- Se a AI tivesse aumentado a produtividade dos desenvolvedores, deveria haver um forte aumento no número de pacotes, mas os dados não mostram isso
Análise da frequência de atualização dos pacotes
- Mais do que a simples criação de pacotes, a frequência de atualização de pacotes mantidos ativamente é considerada um indicador mais significativo
- Foram analisados os 15.000 pacotes mais baixados com base em dezembro de 2025
- Os pacotes foram agrupados por ano de criação, e foi acompanhada a mediana da frequência de atualização por coorte anual
- Pacotes criados após o ChatGPT tiveram em média 13 atualizações no primeiro ano, acima das 6 dos pacotes criados em 2014
- Porém, essa tendência já vinha subindo desde 2019, possivelmente por causa da disseminação de ferramentas de CI como o GitHub Actions
- Em todas as coortes, a frequência de atualização cai à medida que os pacotes envelhecem
- O uso de ferramentas de AI não aumenta a frequência de manutenção de pacotes antigos
Fenômeno específico dos pacotes relacionados a AI
- Ao classificar os pacotes com base nas descrições para identificar se eram relacionados a AI, surgiu uma mudança clara apenas nesse grupo
- Pacotes relacionados a AI criados em 2023 tiveram mediana de 20 atualizações no primeiro ano, cerca de 2 vezes a dos pacotes não relacionados a AI
- Pacotes sem relação com AI mantiveram uma tendência de aumento suave, semelhante à anterior
- Portanto, foi confirmada uma intensificação concentrada de atividade apenas em projetos ligados a AI
Relação com o fator popularidade
- Para verificar se a alta frequência de atualização dos pacotes de AI era apenas um efeito de popularidade,
os 15.000 principais pacotes foram divididos entre os 7.500 mais baixados e os 7.500 menos baixados
- Como resultado, a frequência de atualização disparou apenas nos pacotes populares de AI
- Após o ChatGPT, os pacotes populares de AI tiveram 21 a 26 atualizações por ano, enquanto os pacotes populares não relacionados a AI permaneceram em cerca de 10
- Uma frequência muito maior até do que a dos pacotes de AI menos populares
Observações gerais
- A taxa de criação de pacotes não mostrou aumento claro após o ChatGPT
- A frequência geral de atualizações aumentou lentamente, mas isso já era uma tendência anterior à AI
- Apenas nos pacotes populares relacionados a AI foi observado um aumento de mais de 2 vezes na frequência de atualização
Interpretação e hipóteses
-
Não há evidência de que a AI tenha aumentado de forma explosiva a produtividade geral dos desenvolvedores
- No conjunto, não há explosão no número de novos pacotes nem nas atualizações
- É possível que alguns desenvolvedores estejam usando AI para desenvolver mais rápido, mas o número deles e o impacto parecem limitados
- O desenvolvimento de softwares que usam AI em si está avançando ativamente
- Em especial, há atividade concentrada nos pacotes populares relacionados a AI
Duas hipóteses
- Questão de habilidade com AI: as pessoas que criam ferramentas de AI também são as que sabem usar melhor essas ferramentas, então o ganho de produtividade aparece mais nos pacotes de AI. Porém, só a habilidade não explica bem por que o efeito fica concentrado apenas nos pacotes populares de AI
- Capital e hype: enormes investimentos e atenção foram direcionados para a área de AI, fazendo com que mais pessoas executassem mais trabalho, aumentando a criação e a atualização de pacotes
- A mudança no tamanho das coortes sustenta isso: a proporção entre pacotes não relacionados a AI e pacotes de AI na coorte de 2021 era de 6:1 (1.211 vs 185), mas em 2024 passou para menos de 2:1 (727 vs 423)
- Não é que os desenvolvedores tenham se tornado sobre-humanos, mas sim que o interesse superaquecido por AI foi convertido em investimento, acelerando a criação e a iteração de pacotes de AI
- Só com os dados não é possível determinar qual dos dois efeitos é maior
Conclusão
- O efeito visível da revolução da AI generativa não aparece como uma explosão da produtividade de software como um todo,
mas como um aumento de atividade concentrada dentro do ecossistema de AI
- Tomando os dados do PyPI como referência, a AI não transformou todos os desenvolvedores em sobre-humanos,
mas mostra o resultado de capital e esforço concentrados em projetos relacionados a AI
4 comentários
Por enquanto, a maior inovação parece ser a redução da barreira de entrada para o desenvolvimento.
Que lógica estranha.. kk. Eu, depois do ChatGPT, usei IA demais em desenvolvimento de outros domínios... Coisas que antes eram impossíveis, ou que só davam para fazer com uns 10 profissionais experientes envolvidos, agora estou fazendo sozinho... Isso não é inovação?
Isso não significa que vocês não gostam desse tipo de inovação? Parece que estão espalhando isso quase no nível de material de imprensa; parece haver interesses envolvidos.
Opiniões do Hacker News
Hoje em dia ficou realmente muito fácil levar uma ideia até a fase de protótipo
Mas, para lançar como serviço de verdade, ainda é preciso fazer aquela engenharia de software chata
Vi muita gente entrando na onda do “vou construir um negócio eu mesmo com código”, mas na prática não vi ninguém chegar ao lançamento
No fim, a etapa final é a parte que consome a maior parte do tempo e do esforço
Um app não precisa necessariamente ser público para ter utilidade
Se o objetivo é resolver um problema meu, das pessoas ao meu redor ou da equipe, essa “etapa final” é um desperdício desnecessário
Produtos no mercado não são soluções para problemas, e sim ferramentas para ganhar dinheiro
A IA reduziu muito o custo de ‘resolver problemas’, mas reduziu menos o custo de ‘transformar isso em produto’
Então a falta de produtos não significa necessariamente falta de soluções
Isso é perigoso, porque a capacidade de encontrar a causa raiz de um problema se atrofia
A IA entrega rapidamente os primeiros 80%, mas a qualidade é duvidosa
No fim, isso incentiva um desenvolvimento por tentativa e erro, e desenvolvedores mais experientes tendem a odiar essa abordagem
Quando peço ao Claude para desenhar uma funcionalidade, ele gera uma especificação ótima, e um agente de código leva bem até 80%
Mas os 20% finais demoram muito mais
Nesse meio-tempo, novas ideias de funcionalidades vão se acumulando, e nasce um backlog infinito junto com ansiedade
Na verdade ninguém me pediu isso, fui eu mesmo que criei essa pressão
É um processo longo que vai de levantamento de requisitos, design, aprovação, montagem da infraestrutura, escrita de código, testes, deploy e monitoramento
A IA consegue acelerar ali pelo passo 4 ou 5, ou seja, principalmente infraestrutura e escrita de código
Mas o resto continua sendo território humano
Medir o impacto da IA pelos 15 mil pacotes mais populares do PyPI não é adequado
Na verdade, a estatística de 24% de aumento em novos apps iOS é bem mais significativa
Segundo o Appfigures Explorer, em 2025 houve 557 mil novos apps, o primeiro grande salto desde 2016
Depois que a IA ficou prática o suficiente (dezembro de 2025, com o lançamento do Opus 4.5 e do Codex), a produtividade de desenvolvimento disparou
Agora vivemos numa era em que se pergunta a um LLM o que antes se perguntava no Stack Overflow
Um LLM com acesso à documentação consegue responder 95% das perguntas
Parece difícil para o Stack Overflow resistir a essa mudança
Muitas vezes a programação com IA aparece na forma de ferramentas internas que reduzem utilitários ou que nem chegam a ser distribuídas como pacote
Quase não há apps úteis que contribuam para a produtividade econômica
A IA consome energia e capital, mas o ganho real é mínimo
Do ponto de vista econômico, o boom da IA se parece mais com uma bolha superaquecida
Hoje em dia está cheio de projetos tipo “YoloSwag”
Dizem ser uma implementação 1:1 do PyTorch em Rust, prometem 80% menos uso de CPU e 300% mais velocidade, mas na prática quebram imediatamente
Os testes todos passam com mocks falsos, e o código é um monstro composto metade por bindings de PyTorch e metade por APIs nada a ver
O desenvolvedor era um veterano de cripto que dizia ter virado especialista em computação quântica em 6 semanas
Não estão usando IA para aprender por conta própria, e sim só para se exibir
Se essa cultura não mudar, vamos continuar vendo projetos nesse estilo ‘YoloSwag’
Apaguei o VSCode e criei meu próprio dashboard hiperpersonalizado
Resolvo tudo em uma única tela: feed de notícias, gestão de issues, editor Markdown, calendário, botão de IA e mais
Mas é tão personalizado que não há motivo para compartilhar
A maioria dos novos serviços continua sendo só wrapper de LLM ou ferramenta de IA
Por exemplo, fiz em 20 minutos um app de compras ajustado aos meus hábitos
Esse tipo de software ultraprivatizado é a próxima etapa
Se você compartilhar sua configuração, acho que pode servir de inspiração para muitos builders
O motivo de tanta coisa feita com IA não ser publicada é simples
A maioria é personalizada para uso individual, então não há necessidade de torná-la pública
Além disso, agora a própria ideia virou vantagem competitiva mais do que a execução, então ninguém faz questão de compartilhar
Numa era em que todo mundo passou a ter capacidades parecidas, cada um consegue criar o que precisa de forma rápida e barata
Por isso, há muitos resultados feitos com IA, mas cada vez menos deles chegam ao público
O que falta não são projetos pessoais, e sim evidências de uma transformação em toda a indústria
Por causa disso, até contribuições legítimas estão sendo inibidas
Claro que código de IA de baixa qualidade é um problema, mas rejeitar tudo por esse motivo não é solução
O problema maior é uma cultura que não faz review nem teste direito
A IA facilita muito os primeiros 90% de um app, mas torna os 10% finais muito mais difíceis
A base de código cresceu, mas a familiaridade com ela desapareceu, e a maioria desiste aí
No fim, mesmo quando a IA acelera, ainda existem muitas armadilhas de qualidade e segurança
O boom atual da IA lembra a bolha das pontocom
Como no começo dos anos 2000, há muitas empresas queimando dinheiro sob a ilusão de que “basta usar IA”
Por outro lado, também há empresas adotando IA em silêncio para aumentar a eficiência operacional
No fim, a maioria vai continuar sendo ferramenta auxiliar, e apps totalmente automatizados serão minoria
Medir o impacto da IA pelo número de pacotes no PyPI é uma abordagem equivocada
Os ganhos reais de produtividade estão acontecendo em repositórios privados, ferramentas internas e apps de propósito único
Eu mesmo criei com IA, em 6 semanas, um web app com suporte offline, pagamento via Stripe e páginas de SEO
Antes isso teria levado uns 6 meses
Esse tipo de resultado não aparece nos datasets, mas o ganho de produtividade é inegável
Eu também tenho usado menos bibliotecas ultimamente
Com IA, ficou mais simples lidar diretamente com chamadas de API por conta própria
Publicar um pacote é, na prática, quase o mesmo que manter um projeto open source, e isso é extremamente cansativo
Por causa do peso da manutenção e do desequilíbrio entre esforço e recompensa, muita gente evita isso
Já existem bibliotecas suficientes no mundo, e a tendência de consolidar nas realmente boas não é ruim
Muitos desenvolvedores agora usam IA não na escala de “projeto”, mas na escala de commit
Medir o efeito da IA pelo PyPI é uma visão curta
Em vez disso, se você olhar o relatório GitHub Octoverse 2025, verá que
o número de usuários e as contribuições open source desenham claramente uma curva ascendente
Em 2025, 81,5% de todas as contribuições aconteceram em repositórios privados, enquanto repositórios públicos ficaram em apenas 63%
Já existiam ferramentas como Cursor, Copilot e outras, todas tratadas como inovação
Se a IA realmente permitisse entregar código 10 vezes mais rápido, então resultados explosivos já deveriam estar aparecendo