IA no SDLC: por que times gastam mais e entregam menos

A cofundadora e CEO da Quotient, Lizzie Matusov, apresentou um framework para entender a “maturidade de IA” em organizações de engenharia e os gargalos que travam resultados no ciclo de vida do software. Ela citou dados como crescimento de 47% no gasto global com IA em 2026 (ano contra ano), projeção de US$ 2,5 trilhões e que 72% das empresas já rodam ao menos um workload de IA em produção. No debate sobre ROI, Matusov mencionou casos como a Uber, que teria consumido o orçamento de IA de 2026 em quatro meses, e a Microsoft, que planeja descontinuar o Claude Code por questões de orçamento e falta de relação estável entre custo e produtividade.

A tese central é que, mesmo com ganhos individuais de produtividade, a entrega ponta a ponta pode não melhorar se o sistema tiver um gargalo (ex.: code review, testes ou deploy) — o que aumenta WIP, alonga lead time e piora a qualidade. Para times de dev, a implicação prática é tratar IA no SDLC como mudança de processo e engenharia: identificar onde o fluxo trava e só então expandir o uso de IA para destravar throughput com qualidade.