Principais destaques
- Contribuições de baixa qualidade: mantenedores estimam que 25% dos pull requests recebidos são “AI slop”, proporção que chega a 31% em grandes projetos.
- Mais código, mais trabalho: 59% dos mantenedores perceberam um aumento nas contribuições desde a popularização da IA generativa.
- Governança ainda atrasada: apenas 35% dos projetos de código aberto têm uma política formal que permite o uso de IA generativa.
A inteligência artificial promete acelerar o desenvolvimento de software. Mas, para quem mantém projetos de código aberto, essa velocidade está trazendo um efeito colateral pouco conveniente: mais código para revisar, mais contribuições problemáticas e mais trabalho para separar o que realmente ajuda do que apenas aumenta a fila.
Um estudo da Linux Foundation, divulgado em 20 de outubro de 2026, dimensiona o problema. Segundo as estimativas dos próprios mantenedores, um quarto dos pull requests recebidos apresenta baixa qualidade, fenômeno conhecido como AI slop.
O termo descreve conteúdo gerado por inteligência artificial que parece plausível à primeira vista, mas exige correções, revisão adicional ou até mesmo rejeição.
🚨 A IA acelera quem programa, mas sobrecarrega quem revisa
O relatório Navigating Open Source Software Development in the Generative AI Era aponta que a adoção de ferramentas generativas está aumentando o volume de contribuições para projetos de código aberto.
O crescimento não é uniforme. Nos projetos maiores, 69% dos mantenedores relataram receber mais contribuições desde a popularização da IA, contra 59% no conjunto geral de entrevistados.
E existe uma diferença importante entre receber mais código e receber código melhor.
| Indicador | Resultado |
|---|---|
| Mantenedores que perceberam aumento nas contribuições | 59% |
| Aumento percebido em grandes projetos | 69% |
| Pull requests considerados de baixa qualidade | 25% |
| Pull requests de baixa qualidade em grandes projetos | 31% |
🔎 O que esses números revelam: em projetos grandes, quase um terço das contribuições recebidas pode ser considerado de baixa qualidade pelos mantenedores. Isso aumenta a pressão sobre equipes que já precisam conciliar revisão de código, correção de bugs, documentação e evolução dos projetos.
O estudo foi patrocinado pela Red Hat, com apoio da Futurewei, da OpenSSF e da LF AI & Data. Os resultados foram apresentados no evento All Things Open, em Raleigh, na Carolina do Norte, nos Estados Unidos.
⚡ O desenvolvimento ficou mais rápido. E agora?
Nem tudo são más notícias. Os participantes da pesquisa estimaram que a IA reduziu o tempo necessário para realizar as seis atividades de desenvolvimento avaliadas.
A criação de código registrou a maior redução média, de 52%. Já o tempo dedicado às discussões de propostas caiu 19%.
Há, porém, uma ressalva: nem todas as tarefas se beneficiam da mesma maneira.
🧩 A complexidade faz diferença: 21% dos entrevistados afirmaram que a IA tornou o trabalho mais demorado em tarefas de alta complexidade. Isso sugere que gerar código é apenas uma parte do processo. Entender a arquitetura, respeitar as regras do projeto e verificar efeitos colaterais continuam exigindo esforço.
E o tempo economizado não está sendo simplesmente desperdiçado. Segundo os dados citados pelo Neowin, os desenvolvedores estão direcionando parte dele para outras atividades:
- 66% investem em dívida técnica.
- 63% trabalham em novos recursos.
- 58% dedicam mais tempo ao aprendizado.
Na prática, a IA pode liberar espaço para melhorias que antes ficavam na fila. O problema aparece quando o ganho de produtividade de quem envia código não vem acompanhado de uma redução equivalente no esforço necessário para revisá-lo.
💡 O paradoxo da produtividade: gerar código ficou mais barato e rápido, mas avaliar se ele merece entrar em um projeto continua sendo responsabilidade de alguém.
🤝 Mais gente pode contribuir, mas a confiança não acompanha
A IA também está alterando a porta de entrada para o desenvolvimento de código aberto.
Setenta e um por cento dos mantenedores concordam que essas ferramentas reduzem as barreiras para novos colaboradores. Em tese, pessoas com menos experiência podem aprender, produzir protótipos e participar de projetos com mais facilidade.
Mas isso não significa que as comunidades estejam automaticamente mais confiantes nas contribuições recebidas.
A pesquisa encontrou um contraste: 53% dos mantenedores discordam que a IA tenha melhorado a confiança da comunidade.
O resultado ajuda a explicar por que o debate não se resume a permitir ou proibir ferramentas generativas. A questão é como garantir que as contribuições continuem atendendo aos padrões técnicos e às expectativas de cada projeto.
🗣 O trabalho de orientação também muda: 46% dos mantenedores dizem que a IA aumenta a necessidade de orientar novos colaboradores, enquanto 32% afirmam que ela reduz essa necessidade.
A ferramenta pode ajudar um iniciante a escrever seu primeiro patch. Ainda assim, alguém precisa explicar por que determinada solução não funciona, quais convenções devem ser respeitadas e como testar a alteração corretamente.
📋 As regras ficaram para trás da tecnologia
Um dos pontos mais delicados do levantamento está na governança.
Embora a IA generativa já faça parte da rotina de desenvolvimento, as políticas dos projetos de código aberto não acompanharam a mesma velocidade.
| Situação | Percentual |
|---|---|
| Projetos com política formal que permite o uso de IA | 35% |
| Projetos sem política e sem planos de criar uma | 32% |
| Colaboradores que afirmam revisar e testar integralmente o código gerado por IA | 61% |
Os números mostram que ainda existe uma distância entre a adoção das ferramentas e a definição de regras para utilizá-las.
Também há uma questão de transparência. A divulgação do uso de assistência por IA continua inconsistente, dificultando a aplicação de critérios comuns para avaliar as contribuições.
Isso não significa que código gerado por IA seja necessariamente ruim. Significa que a origem do código, isoladamente, não resolve a questão central: se a contribuição está correta, foi testada e pode ser mantida ao longo do tempo.
🛠️ O que a Linux Foundation recomenda
O relatório aponta três medidas para que os projetos se adaptem à nova realidade:
1️⃣ Definir políticas claras: estabelecer o que é permitido no uso de IA durante a preparação de contribuições.
2️⃣ Exigir testes e documentação: garantir que os colaboradores expliquem as alterações e demonstrem que elas funcionam como esperado.
3️⃣ Padronizar a divulgação do uso de IA: criar critérios consistentes para informar quando ferramentas generativas ajudaram a produzir uma contribuição.
A Red Hat também chamou atenção para o custo humano desse crescimento, descrevendo o volume crescente de contribuições como um fardo cada vez maior para as pessoas responsáveis por revisar e manter o código.
Para Hilary Carter, vice-presidente sênior de pesquisa da Linux Foundation, os projetos precisam se preparar para uma base crescente de colaboradores que utilizam IA, em vez de apenas reagir ao fenômeno.
A executiva defende que políticas, testes e transparência podem ampliar a participação sem sobrecarregar os mantenedores nem elevar os custos dos projetos.
🔮 O próximo desafio não é gerar mais código
O estudo aponta para uma mudança importante na economia do desenvolvimento de software: quando a produção de código se torna mais rápida, a revisão e a manutenção podem virar os novos gargalos.
Isso é especialmente relevante para o código aberto, cuja infraestrutura depende de comunidades e mantenedores que nem sempre dispõem de equipes remuneradas ou recursos proporcionais ao volume de contribuições recebidas.
O desafio, portanto, não será simplesmente decidir se a IA deve ou não ser usada. Será criar processos capazes de aproveitar as contribuições úteis sem transformar cada nova ferramenta em mais uma fonte de trabalho de revisão.
Se a quantidade de código gerado continuar crescendo mais rápido do que a capacidade de avaliá-lo, a promessa de produtividade poderá acabar produzindo justamente o contrário para quem mantém os projetos.
