Em projeto de modernização de sistemas legados, a IA tende a acelerar o programador e, ao mesmo tempo, pressionar a entrega para baixo. O relatório DORA 2024, do Google Cloud, mediu que um aumento de 25% na adoção de IA veio acompanhado de cerca de 2,1% de ganho de produtividade individual, mas também de 1,5% de queda no throughput de entrega e de 7,2% de queda na estabilidade, porque a IA leva a mudanças maiores e mais arriscadas por ciclo.

No legado, onde o contexto é o menos governado de todos, esse efeito é amplificado. O que decide se a IA acelera o projeto ou acelera o erro são duas camadas de governança: o especialista Jira, que governa a entrega da mudança como registro auditável, e a governança de dados, que governa o que a IA e as pessoas alcançam no dado legado.

O sprint que entregou o dobro e quebrou em produção

A cena ficou comum desde que a IA entrou no fluxo de desenvolvimento. Um time adota um assistente de código, a velocidade aparente sobe, o volume de pull requests dobra e a sensação no sprint é de aceleração real. Todo mundo está produzindo mais, e os números individuais confirmam.

Semanas depois, a conta chega do outro lado. A taxa de falha de implantação subiu, um incidente em produção tomou dias para ser diagnosticado e a mudança que o causou era grande demais para ser revisada com atenção. O ganho que apareceu no indivíduo foi devolvido, com juros, na entrega. É exatamente o padrão que o DORA 2024 descreve: mais adoção de IA, mais produtividade percebida e menos estabilidade de entrega, porque a IA facilita mudanças maiores que o processo de revisão não acompanha.

A tese deste guia: num projeto de legado, a IA não decide o resultado, a governança do contexto decide. A IA amplifica o que o projeto já é. Projeto com entrega governada e dado governado recebe aceleração; projeto sem essas duas camadas recebe a mesma aceleração aplicada ao erro, e no legado, onde o contexto é o mais impreciso, o erro é o resultado mais provável.

O que os dados de alta credibilidade dizem sobre IA na entrega?

A evidência pública mais sólida sobre o efeito da IA na entrega de software aponta para a mesma direção: ganho no indivíduo, risco na entrega, e um efeito muito sensível ao contexto e à medição. A tabela reúne os números com a fonte e a data de cada um.

A linha da METR exige honestidade, e ela reforça a tese em vez de enfraquecê-la. No estudo de julho de 2025, desenvolvedores experientes levaram 19% mais tempo para concluir tarefas em repositórios que já conheciam quando usaram IA, embora estimassem ter ficado 20% mais rápidos. Em fevereiro de 2026 a própria METR sinalizou que esse número pode estar desatualizado, que ganhos passaram a ser prováveis e que o novo desenho do estudo ainda não permite medir o tamanho do efeito com confiança. O ponto que sobrevive à revisão não é o número, é o fenômeno: o efeito da IA na entrega depende do contexto e é difícil de medir, e a percepção de ganho não é prova de ganho.

Por que o legado amplifica esse efeito?

O legado amplifica porque é o ambiente onde o contexto está mais impreciso, e IA aplicada a contexto impreciso produz mudança confiante e errada. Num sistema novo, as relações que importam cabem no que o modelo e o time veem. Num sistema com vinte anos, as dependências estão implícitas, a documentação envelheceu e quem construiu saiu. A mesma IA que acelera uma mudança isolada produz, no legado, a alteração que parece certa e quebra outra coisa, que é o erro mais caro porque não avisa.

O mecanismo do DORA se encaixa aqui com precisão: se a IA leva a mudanças maiores e a estabilidade cai por isso, o legado é onde a mudança grande é mais perigosa, porque é onde menos se sabe o que ela afeta. Acelerar a produção de código sobre um legado mal governado é aumentar o tamanho e a frequência das mudanças no exato lugar onde o impacto delas é menos visível.

O papel do especialista Jira: governar a entrega da mudança

A primeira camada que decide o resultado é a governança da entrega, e ela mora no registro do projeto. Um especialista Jira desenha a instância para que a mudança gerada com IA não entre em produção como um grande bloco opaco, e sim como item rastreável com tamanho controlado, análise de impacto, aprovação e histórico. É a resposta direta ao mecanismo do DORA: se a queda de estabilidade vem do tamanho da mudança, governar o tamanho e a revisão da mudança é o controle.

Na prática, isso significa tratar a entrega assistida por IA com os mesmos instrumentos de governança de qualquer entrega crítica. O Jira e o Jira Service Management oferecem tipos de item, campos, fluxo de aprovação e histórico de transições para registrar o que foi alterado, por quem, com qual justificativa e com qual verificação de impacto antes do merge. Vale lembrar que essa camada também precisa de disciplina própria: a Atlassian passou a aplicar limites de campos personalizados por espaço no Jira Cloud a partir de março de 2026, com restrições adicionais em setembro de 2026, e uma instância que vira ruído não governa coisa alguma. Fonte: documentação Atlassian, Jira e Jira Service Management, e notas de campos personalizados do Jira Cloud.

O papel da governança de dados: governar o que a IA alcança no legado

A segunda camada é a governança de dados, e ela decide o que a IA consegue ler e tocar no legado. Um agente ou um assistente herda o alcance da credencial que recebe, não a intenção de quem o aciona. Sem governança de dados, acelerar o desenvolvimento com IA sobre o legado é dar velocidade a um acesso que ninguém delimitou.

A documentação da Databricks descreve o Unity Catalog aplicando as mesmas permissões a pessoas, notebooks e modelos, com controle de acesso, linhagem e auditoria centralizados, e com máscaras de coluna e filtros de linha aplicados no momento da consulta, de forma que o tratamento de dado sensível independa de quem, ou do que, consulta. A linhagem, capturada automaticamente até o nível de coluna, responde de que o legado depende antes de qualquer mudança assistida por IA. Isso conecta direto com a LGPD, cujos artigos 46 e 52 exigem medidas de segurança e responsabilizam o tratamento inadequado de dado pessoal.

A leitura que amarra as duas camadas é editorial da CSP Tech, construída a partir do dado público do DORA e das capacidades documentadas da Atlassian e da Databricks, e não um modelo oficial de nenhuma das três. O ponto é que as duas governanças respondem a lados diferentes do mesmo risco: o especialista Jira governa a entrega da mudança, a governança de dados governa o alcance da mudança no dado, e a IA no projeto de legado só acelera valor quando as duas existem.

Quando a IA no projeto de legado rende sem esse rigor

•  Prova de conceito isolada, fora de produção. Em experimento que não toca o sistema real nem o dado sensível, a IA pode acelerar exploração sem o peso da governança completa. O rigor entra quando aquilo vira caminho para produção.

•  Módulo novo e desacoplado dentro do projeto. Quando a parte em desenvolvimento não tem o emaranhado de dependências do legado, o contexto cabe no que o time vê, e o ganho da IA aparece com menos risco.

•  Time pequeno, com revisão forte e mudança pequena por padrão. Se a cultura já limita o tamanho da mudança e revisa com atenção, parte do efeito negativo do DORA é contido na origem, e a governança formal pode ser proporcional.

A regra é a de sempre: governe na proporção do risco. O argumento não é que IA em legado precisa de burocracia máxima, é que a aceleração sem as duas camadas de governança tende a aparecer como ganho no indivíduo e prejuízo na entrega, que é o oposto do que o projeto contratou.

Próximo passo

Há uma pergunta de dez minutos que separa projeto governado de projeto acelerado no escuro: nos últimos três meses, as mudanças geradas com apoio de IA no seu legado ficaram maiores ou menores, e a sua taxa de falha de implantação subiu ou caiu? Se a resposta for que as mudanças cresceram e a falha subiu, você está vivendo o efeito que o DORA mediu. Solicite um diagnóstico de governança do seu projeto de modernização com IA com a CSP Tech e receba a leitura das duas camadas no seu caso: como a entrega da mudança está governada no Jira e qual é o alcance real da IA sobre o seu dado legado.

Perguntas frequentes

A IA acelera projetos de modernização de sistemas legados?

Acelera a produção individual de código, mas o efeito na entrega do projeto depende de governança. O DORA 2024, do Google Cloud, mediu que um aumento de 25% na adoção de IA veio com cerca de 2,1% de ganho de produtividade individual, 1,5% de queda no throughput de entrega e 7,2% de queda na estabilidade, porque a IA leva a mudanças maiores e mais arriscadas. No legado, onde o contexto é o menos governado, esse efeito é amplificado, e sem governar entrega e dado a aceleração recai sobre o erro.

Qual o papel de um especialista Jira num projeto de legado com IA?

Governar a entrega da mudança. Um especialista Jira desenha a instância para que a mudança gerada com IA entre como item rastreável, com tamanho controlado, análise de impacto, aprovação e histórico, em vez de um grande bloco opaco. Como a queda de estabilidade medida pelo DORA vem do tamanho da mudança, governar o tamanho e a revisão da mudança no registro do projeto é o controle direto para esse risco.

Como a governança de dados se aplica à IA sobre sistema legado?

Ela governa o que a IA consegue ler e tocar no legado, já que um agente herda o alcance da credencial, não a intenção de quem o aciona. Com o Unity Catalog, do Databricks, as mesmas permissões se aplicam a pessoas, notebooks e modelos, com linhagem automática e máscaras aplicadas na consulta, de forma que o dado sensível seja tratado independentemente de quem consulta. Isso conecta com a LGPD, arts. 46 e 52. Fonte: documentação Databricks, acesso set/2026.

A IA deixa os desenvolvedores mais rápidos?

Depende do contexto, e a evidência é mais ambígua do que a percepção. Um estudo da METR de julho de 2025 encontrou desenvolvedores experientes 19% mais lentos com IA em repositórios familiares, mesmo estimando ter ficado 20% mais rápidos. Em fevereiro de 2026 a própria METR sinalizou que o número pode estar desatualizado e que ganhos passaram a ser prováveis, sem conseguir medir o tamanho com confiança. A conclusão robusta é que percepção de ganho não é prova de ganho, e medir a entrega continua necessário.

Autor: Guilherme Matos, estrategista de conteúdo e IA, certificado HubSpot, Google, Anthropic e Semrush. Revisão técnica por especialistas Atlassian e de dados da CSP Tech (Atlassian Gold Partner, parceira Databricks, Microsoft Gold Partner, participante do Anthropic Partner Network, 34 anos de mercado, produto próprio Power BI for Jira no Atlassian Marketplace).

Fontes (oficiais e de alta credibilidade, acesso out/2026): Google Cloud, DORA Accelerate State of DevOps Report 2024 (dora.dev), quanto ao achado de que um aumento de 25% na adoção de IA se associou a cerca de 2,1% de aumento de produtividade individual, 1,5% de redução no throughput de entrega e 7,2% de redução na estabilidade de entrega, com o mecanismo atribuído a mudanças maiores por ciclo. METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (metr.org, jul/2025), quanto ao achado de desenvolvedores experientes 19% mais lentos em repositórios familiares ao usar IA, com estimativa subjetiva de 20% mais rápidos, e atualização da METR de fevereiro de 2026 sinalizando que o resultado pode estar desatualizado e que o desenho do estudo está sob revisão. Atlassian, documentação do Jira e do Jira Service Management quanto a tipos de item, campos, fluxo de aprovação e histórico de transições, e notas do Jira Cloud quanto aos limites de campos personalizados por espaço aplicados a partir de março de 2026 com restrições adicionais em setembro de 2026 (atlassian.com). Databricks Documentation (docs.databricks.com), quanto ao Unity Catalog aplicando as mesmas permissões a pessoas, notebooks e modelos, com linhagem automática por coluna e máscaras aplicadas na consulta. Brasil, Lei nº 13.709/2018 (LGPD), artigos 46 e 52. A amarração das duas camadas de governança e a tese de amplificação no legado são formulação editorial da CSP Tech, construídas a partir das fontes acima, e não constituem norma ou padrão de mercado. Nenhum número foi citado sem fonte nomeada e datada. Este conteúdo trata de arquitetura e governança técnica e não constitui aconselhamento jurídico.