Toda transformação tecnológica nos convida a aprender algo novo. As maiores, porém, nos obrigam a reaprender aquilo que acreditávamos já saber.
Durante muitos anos, a Engenharia de Software evoluiu fazendo perguntas diferentes.
Como entregar mais rápido?
Como reduzir desperdícios?
Como aproximar tecnologia do negócio?
Como aprender continuamente?
Essas perguntas moldaram práticas, metodologias e a forma como organizamos nossas equipes. O movimento ágil representou uma mudança profunda nessa direção. Mais do que introduzir novas práticas, ele nos ensinou a substituir previsões rígidas por aprendizado contínuo, planos detalhados por adaptação e grandes entregas por ciclos curtos de valor.
Nesse contexto, muitas métricas também mudaram de papel.
Estimativas relativas, como os Story Points, ganharam espaço por atenderem muito bem ao propósito para o qual foram concebidas: apoiar o planejamento e a previsibilidade de uma equipe. Ao mesmo tempo, métricas padronizadas de tamanho funcional perderam protagonismo em muitos ambientes de desenvolvimento, embora tenham continuado relevantes em contextos como contratos, benchmarking e governança.
Talvez isso tenha sido exatamente o que precisávamos naquele momento.
Mas toda transformação tecnológica traz consigo um efeito curioso.
Ela não muda apenas as ferramentas.
Ela muda as perguntas.
E é aqui que a Inteligência Artificial começa a provocar algo muito maior do que uma nova forma de escrever código.
Ela nos obriga a revisitar perguntas que acreditávamos já ter respondido.
Se um desenvolvedor passa a produzir duas vezes mais código com o apoio da IA, o que exatamente significa “duas vezes mais produtivo”?
Estamos entregando mais funcionalidades ou apenas mais linhas de código?
O tempo de desenvolvimento diminuiu, mas o tempo entre a ideia e o valor entregue ao cliente também diminuiu?
O ganho ficou na equipe de engenharia ou atravessou todo o fluxo até chegar ao negócio?
Como comparar equipes que utilizam escalas diferentes de Story Points?
Como comparar fornecedores?
Como demonstrar, de forma objetiva, que o investimento em Inteligência Artificial realmente gerou retorno?
E talvez a pergunta mais importante de todas:
Como separar o impacto da IA do impacto da experiência das pessoas, da melhoria dos processos ou das mudanças na arquitetura?
Perceba que nenhuma dessas perguntas é, essencialmente, tecnológica.
Todas elas são perguntas sobre geração de valor.
É justamente por isso que acredito que estamos entrando em uma nova etapa da Engenharia de Software.
Durante muitos anos, aprendemos que medir esforço não era suficiente. Concordo plenamente.
Mas talvez tenhamos caminhado para o outro extremo.
Ao privilegiarmos métricas cada vez mais locais e relativas, deixamos em segundo plano uma necessidade que volta a ganhar importância: a capacidade de comparar resultados de forma objetiva quando a discussão deixa de ser apenas operacional e passa a ser estratégica.
Não estou defendendo um retorno aos modelos do passado.
Também não estou afirmando que Story Points deixaram de ser úteis. Eles continuam cumprindo muito bem seu papel dentro das equipes.
A questão é outra.
Quando um CIO precisa decidir entre diferentes fornecedores.
Quando uma organização deseja comprovar o retorno de seus investimentos em IA.
Quando contratos deixam de remunerar pessoas e passam a remunerar resultados.
Quando precisamos entender se um ganho de produtividade realmente se transformou em valor para o negócio.
As perguntas mudam.
E talvez as métricas também precisem evoluir.
Não significa, necessariamente, voltar aos Function Points.
Talvez a resposta esteja em modelos como COSMIC, Business Complexity Point ou em abordagens que ainda estão sendo construídas.
Ainda não sei qual será essa resposta.
E talvez essa seja justamente a discussão mais importante.
Porque a pergunta deixou de ser “qual métrica devemos usar?”.
A pergunta passou a ser:
Como demonstrar, de forma comparável e objetiva, que a Inteligência Artificial está gerando mais valor e não apenas mais velocidade?
Tenho a impressão de que essa será uma das grandes conversas da Engenharia de Software nos próximos anos.
Não porque as métricas do passado estavam erradas.
Nem porque as práticas ágeis deixaram de fazer sentido.
Mas porque o contexto mudou.
E quando o contexto muda, as perguntas também mudam.
Talvez este seja o momento de revisitar algumas delas.
Não para voltar ao passado.
Mas para construir as respostas de que o futuro precisa.
Referências para aprofundamento
- Manifesto for Agile Software Development (2001), para compreender os princípios que deslocaram o foco para adaptação, colaboração e entrega contínua.
- IFPUG e COSMIC, que continuam desenvolvendo métodos padronizados de medição funcional aplicáveis também a contextos ágeis.
- DORA / Google Cloud – Accelerate State of DevOps Report 2024, ao discutir ganhos individuais de produtividade e seus reflexos no desempenho sistêmico.
- McKinsey – The State of AI: Global Survey 2025, que evidencia a diferença entre ampla adoção de IA e a captura efetiva de valor pelas organizações.
