A lógica de compra de software mudou. Com a IA a escrever, rever e refatorar código de forma autónoma, a distância entre adaptar um sistema ao processo da empresa e obrigar a operação a caber num produto genérico ficou menor — e mais estratégica.
Os dados que sustentam esta viragem são objetivos. Uma pesquisa da Universidade Cornell mostrou que os agentes de IA alteram 26,1% dos commits de forma intencional para melhorar a estrutura do software, sobretudo em manutenibilidade (52,5%) e legibilidade (28,1%). Em paralelo, a Jellyfish registou um salto de 51% para 82% na adoção de IA com agentes por empresas ao longo de 2025. Para líderes de TI e operações, a implicação é direta: se a engenharia de software ficou mais rápida, iterativa e automatizada, o diferencial competitivo migra para a arquitetura, os dados e o grau de aderência da solução ao processo real.
A IA reduziu o custo de personalizar software
A mudança mais relevante não é apenas que a IA gera código. É que ela passou a participar na melhoria contínua do software.
Segundo o estudo reportado pelo Portal Information Management com base em pesquisa da Universidade Cornell, a IA já executa refatoração intencional — não apenas entrega código funcional, mas altera a base para a tornar mais sustentável ao longo do tempo. Isto muda o cálculo económico da personalização.
Ferramentas com IA já automatizam tarefas que antes consumiam horas de equipas técnicas, como:
- sugerir funções;
- completar código boilerplate;
- traduzir entre linguagens de programação;
- identificar erros lógicos;
- acelerar a geração de testes;
- apoiar a documentação;
- implementar funcionalidades rotineiras.
Este ganho operacional ajuda a explicar a velocidade de adoção da engenharia agêntica. De acordo com a Jellyfish, 51% das empresas usavam IA com agentes no início de 2025; poucos meses depois, essa percentagem chegou a 82%. No mesmo período, houve redução de 1,16 vezes no tempo de revisão de código e aumento do uso de fluxos em que a própria IA cria, confirma ou abre revisões.
Na prática, isto reduz parte da fricção histórica do software à medida: o esforço repetitivo. Quando a IA absorve uma parcela crescente do trabalho operacional, a equipa humana pode concentrar energia no desenho de processo, integração, regras de negócio e governação.
Edy Silva, Developer Relations da Codeminer42, resume esta mudança de papel: “Em vez de executar tarefas operacionais, o programador passa a atuar de forma mais estratégica, coordenando e supervisionando diferentes agentes de IA ao longo do processo. Esta nova dinâmica exige um domínio técnico ainda mais sólido, já que a qualidade dos resultados depende da capacidade de orientar a IA com precisão.”
A própria Codeminer42 reportou um ganho de produtividade de três a quatro vezes com engenharia agêntica. O dado importa menos como promessa universal e mais como sinal de tendência: a personalização deixou de ser sinónimo automático de lentidão.
A IA expõe as limitações dos produtos genéricos
Se o custo de construir caiu em vários casos, os limites do software genérico ficaram mais visíveis.
Plataformas padronizadas continuam a fazer sentido quando a prioridade é a velocidade de implementação, quando o caso de uso é genérico ou quando a empresa não tem equipa técnica para construir e manter uma solução própria. Este ponto aparece com clareza no framework da Sprinklenet sobre a decisão entre construir e comprar.
O problema surge quando a capacidade de IA deixa de ser acessória e passa a afetar o resultado, a margem, a qualidade operacional ou a diferenciação. Nestes cenários, a inadequação do produto genérico tende a aparecer em frentes muito concretas:
- a empresa possui dados únicos que criam vantagem competitiva;
- o caso exige precisão específica de domínio;
- há necessidade de controlo total sobre o comportamento, atualização e implementação do modelo;
- requisitos regulatórios pedem transparência sobre a arquitetura e os dados de treino;
- a capacidade de IA está no centro do produto ou do serviço entregue.
Jamie Thompson, da Sprinklenet, sintetiza este ponto: “Soluções personalizadas de IA entregam o maior valor quando a sua vantagem competitiva depende de capacidades de IA proprietárias que os concorrentes não podem replicar.”
Este deslocamento ajuda a entender uma aparente contradição do mercado. De um lado, os casos de uso empresariais implementados via soluções de terceiros cresceram para cerca de 76%, face a uma divisão próxima de 50/50 dois anos antes. De outro, apenas 29% dos executivos estão a alcançar um ROI significativo com iniciativas de IA.
A leitura possível, com base nos dados do briefing, é que a adoção não equivale à captura de valor. Comprar software com IA ficou mais fácil. Transformar isso em produtividade, receita e vantagem operacional continua a depender da aderência ao processo e da governação.
O debate deixou de ser “construir ou comprar” e virou arquitetura de valor
A decisão entre software à medida e produto genérico não é binária. O próprio material de referência aponta um espetro de possibilidades: fine-tuning de modelos open-source, personalização de plataformas configuráveis e construção sobre serviços de infraestrutura de IA.
Este ponto é decisivo para evitar um erro comum: tratar software à medida como sinónimo de construir tudo do zero.
Em muitos casos, a arquitetura mais eficiente combina camadas diferentes:
- infraestrutura de IA de terceiros;
- modelos base já disponíveis no mercado;
- personalização sobre dados e fluxos internos;
- integração com sistemas legados;
- regras de negócio próprias;
- governação específica da operação.
Esta abordagem importa porque o mercado de low-code/no-code ultrapassou os US$ 37 mil milhões em 2025, segundo dado citado pela AngelHack DevLabs com base na Fortune Business Insights. O crescimento mostra a busca por velocidade e autonomia. Mas também explicita uma tensão: à medida que a IA entra em processos críticos, a discussão deixa de ser apenas interface de construção e passa a envolver controlo, integração, sustentação e custo total de propriedade.
No framework da Sprinklenet, soluções personalizadas exigem um investimento inicial maior em engenharia de dados, desenvolvimento de modelo e infraestrutura. Em contrapartida, podem entregar um melhor custo total de propriedade num horizonte de três a cinco anos, especialmente quando a alternativa seria operar em tiers premium caros de plataformas SaaS.
Adicionalmente, há uma dimensão financeira menos evidente. Quando a IA se torna parte central da operação, o custo não está apenas na licença da ferramenta, mas no quanto ela obriga a empresa a contornar limitações, duplicar trabalho, exportar dados entre sistemas ou manter processos paralelos.
Por isso, a pergunta mais útil para líderes de TI e operações não é “qual ferramenta tem IA?”, mas “onde a padronização começa a criar gargalos que uma arquitetura à medida resolveria com mais eficiência?”.
Velocidade sem controlo amplia o risco — e reforça a necessidade de desenho à medida
Receba os próximos artigos por e-mail
Conteúdo novo de Draivv direto na sua caixa de entrada. Sem spam.
A aceleração do desenvolvimento não elimina um problema central: código funcional não é, por definição, código seguro.
O estudo citado pelo iMasters ficou conhecido como “Asleep at the Keyboard” justamente por isso. A IA frequentemente entrega software que funciona, mas sem o rigor de segurança necessário. Entre os riscos destacados estão:
- injeção de prompt;
- tratamento inseguro de saídas;
- envenenamento de dados de treino;
- divulgação de informações sensíveis;
- riscos na cadeia de fornecimento.
Este ponto reposiciona a discussão sobre software à medida. A personalização não serve apenas para adaptar a interface ou o fluxo. Em contextos críticos, ela permite incorporar controlos, validações e governação compatíveis com o risco real da operação.
Quando a empresa depende de requisitos específicos de transparência, controlo sobre o comportamento do modelo ou precisão de domínio, a solução genérica pode limitar justamente o que mais importa: previsibilidade. O texto da Forbes sobre IA como infraestrutura descreve este movimento de forma direta ao apontar a necessidade de operar “dentro de sistemas críticos, sob regras de negócio específicas, com previsibilidade e controlo”.
Ao mesmo tempo, a resposta não é retirar o humano do processo. É reposicioná-lo. “O futuro da engenharia de software não é artificial, é híbrido e focado em resultados reais”, afirma o professor Arielton Gomes Nunes, docente do curso de Análise e Desenvolvimento de Sistemas do Centro Universitário Ateneu.
A frase ajuda a separar produtividade de automação cega. Se a IA acelera a geração, revisão e execução, o valor da equipa técnica migra para supervisão, arquitetura e qualidade. Em software à medida, isso significa usar IA para reduzir o esforço mecânico sem abrir mão de critérios próprios de segurança, integração e sustentação.
O mercado já trata software à medida como resposta operacional, não exceção
Os sinais de mercado apontam para uma mudança estrutural, não para um ajuste pontual de ferramentas.
Segundo o relatório citado pela Deloitte’s State of AI in the Enterprise, 66% das organizações relataram melhorias de produtividade com IA, e mais de 40% da receita da OpenAI já vem de clientes empresariais. O dado reforça que a IA deixou de ser experimento periférico e passou a integrar o orçamento, a operação e a estratégia corporativa.
Ao mesmo tempo, a Siemens Software alertou que a inação pode comprometer a sobrevivência das empresas na era da IA. O alerta é relevante porque desloca a discussão do entusiasmo tecnológico para a competitividade. Não se trata apenas de adotar IA, mas de decidir onde ela deve ser infraestrutura própria, camada configurável ou serviço terceirizado.
Há também exemplos práticos de aplicação à medida em contexto empresarial. O IEL Ceará desenvolveu uma solução tecnológica à medida para o Sindpan, caso citado pela FIEC. Sem métricas operacionais detalhadas no material disponível, o exemplo ainda assim ilustra um ponto importante: em ambientes com necessidades específicas, a resposta adotada foi a personalização, não a padronização.
Este movimento não invalida o SaaS. Ele redefine o seu papel. Produtos genéricos continuam adequados para necessidades horizontais, implementação rápida e casos de uso não estratégicos. Mas, quando a IA passa a tocar processos críticos, dados proprietários e regras de negócio específicas, a discussão muda de categoria.
O que vem a seguir para líderes de TI e operações
Os próximos marcos desta agenda já estão colocados no mercado.
Primeiro, a maturidade da engenharia agêntica deve continuar a ser acompanhada por métricas de produtividade, revisão de código e qualidade de software, à medida que mais empresas saem do uso assistivo e avançam para fluxos em que a IA executa etapas com maior autonomia.
Segundo, o avanço regulatório em segurança e privacidade tende a aumentar a pressão por transparência, rastreabilidade e controlo sobre modelos e dados — justamente um dos fatores que favorecem arquiteturas à medida em casos críticos.
Terceiro, o balanço entre low-code/no-code, plataformas SaaS e desenvolvimento personalizado deve ficar mais sensível ao custo total de propriedade. Com o mercado de low-code/no-code acima de US$ 37 mil milhões e a IA a reduzir parte do esforço de desenvolvimento, a comparação deixa de ser apenas CAPEX versus assinatura e passa a incluir sustentação, integração e governação.
Por fim, o mercado deve continuar a separar adoção de resultado. O dado de que só 29% dos executivos alcançam um ROI significativo com IA sugere que a próxima fase não será sobre experimentar mais ferramentas, mas sobre alinhar a arquitetura de software, as metas de receita e a governação.
Software genérico não desaparece na era da IA. Mas já não basta onde a operação depende de inteligência integrada, controlo e aderência real ao processo. À medida que a IA reduz o custo de construir e aumenta o custo de improvisar, o software à medida deixa de ser uma exceção técnica e passa a ser uma decisão estratégica.
Conteúdos relacionados
Próximo passo com a Draivv
Aplicar IA com resultado começa pela escolha do problema certo, pela viabilidade dos dados e por uma métrica de negócio clara. Conheça o Diagnóstico AI for Business para transformar oportunidades dispersas num roadmap priorizado de aplicação.
