A lógica de compra de software mudou. Com a IA passando a escrever, revisar e refatorar código de forma autônoma, a distância entre adaptar um sistema ao processo da empresa e obrigar a operação a caber em um produto genérico ficou menor — e mais estratégica.
Os dados que sustentam essa virada são objetivos. Uma pesquisa da Universidade Cornell mostrou que 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 registrou 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 da 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 torná-la mais sustentável ao longo do tempo. Isso muda o cálculo econômico da personalização.
Ferramentas com IA já automatizam tarefas que antes consumiam horas de times técnicos, como:
- sugerir funções;
- completar código boilerplate;
- traduzir entre linguagens de programação;
- identificar erros lógicos;
- acelerar geração de testes;
- apoiar documentação;
- implementar funcionalidades rotineiras.
Esse 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, esse percentual chegou a 82%. No mesmo período, houve redução de 1,16 vez no tempo de revisão de código e aumento do uso de fluxos em que a própria IA cria, confirma ou abre revisões.
Na prática, isso reduz parte da fricção histórica do software sob medida: o esforço repetitivo. Quando a IA absorve uma parcela crescente do trabalho operacional, o time humano pode concentrar energia em desenho de processo, integração, regras de negócio e governança.
Edy Silva, Developer Relations da Codeminer42, resume essa mudança de papel: “Em vez de executar tarefas operacionais, o desenvolvedor passa a atuar de forma mais estratégica, coordenando e supervisionando diferentes agentes de IA ao longo do processo. Essa 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 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 sinônimo 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 fazendo sentido quando a prioridade é velocidade de implantação, quando o caso de uso é genérico ou quando a empresa não tem equipe técnica para construir e manter uma solução própria. Esse 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 resultado, margem, qualidade operacional ou diferenciação. Nesses 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 controle total sobre comportamento, atualização e implantação do modelo;
- requisitos regulatórios pedem transparência sobre arquitetura e dados de treinamento;
- a capacidade de IA está no centro do produto ou do serviço entregue.
Jamie Thompson, da Sprinklenet, sintetiza esse ponto: “Soluções customizadas de IA entregam o maior valor quando sua vantagem competitiva depende de capacidades de IA proprietárias que os concorrentes não podem replicar.”
Esse deslocamento ajuda a entender uma aparente contradição do mercado. De um lado, os casos de uso empresariais implantados via soluções de terceiros cresceram para cerca de 76%, ante uma divisão próxima de 50/50 dois anos antes. De outro, apenas 29% dos executivos estão alcançando ROI significativo com iniciativas de IA.
A leitura possível, com base nos dados do briefing, é que adoção não equivale a captura de valor. Comprar software com IA ficou mais fácil. Transformar isso em produtividade, receita e vantagem operacional continua dependendo de aderência ao processo e de governança.
O debate deixou de ser “construir ou comprar” e virou arquitetura de valor
A decisão entre software sob medida e produto genérico não é binária. O próprio material de referência aponta um espectro de possibilidades: fine-tuning de modelos open-source, customização de plataformas configuráveis e construção sobre serviços de infraestrutura de IA.
Esse ponto é decisivo para evitar um erro comum: tratar software sob medida como sinônimo 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;
- customização sobre dados e fluxos internos;
- integração com sistemas legados;
- regras de negócio próprias;
- governança específica da operação.
Essa abordagem importa porque o mercado de low-code/no-code ultrapassou US$ 37 bilhões 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 controle, integração, sustentação e custo total de propriedade.
No framework da Sprinklenet, soluções customizadas exigem investimento inicial maior em engenharia de dados, desenvolvimento de modelo e infraestrutura. Em contrapartida, podem entregar melhor custo total de propriedade em um 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 sob medida resolveria com mais eficiência?”.
Velocidade sem controle amplia o risco — e reforça a necessidade de desenho sob medida
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 treinamento;
- divulgação de informações sensíveis;
- riscos na cadeia de fornecimento.
Esse ponto reposiciona a discussão sobre software sob medida. A personalização não serve apenas para adaptar interface ou fluxo. Em contextos críticos, ela permite incorporar controles, validações e governança compatíveis com o risco real da operação.
Quando a empresa depende de requisitos específicos de transparência, controle 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 esse movimento de forma direta ao apontar a necessidade de operar “dentro de sistemas críticos, sob regras de negócio específicas, com previsibilidade e controle”.
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 geração, revisão e execução, o valor do time técnico migra para supervisão, arquitetura e qualidade. Em software sob medida, isso significa usar IA para reduzir esforço mecânico sem abrir mão de critérios próprios de segurança, integração e sustentação.
O mercado já trata software sob 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 orçamento, operação e 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 sob medida em contexto empresarial. O IEL Ceará desenvolveu uma solução tecnológica sob 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 customização, não padronização.
Esse movimento não invalida o SaaS. Ele redefine seu papel. Produtos genéricos continuam adequados para necessidades horizontais, implantação rápida e casos de uso não estratégicos. Mas, quando a IA passa a tocar processo crítico, dado proprietário e regra de negócio específica, a discussão muda de categoria.
O que vem a seguir para líderes de TI e operações
Os próximos marcos dessa agenda já estão colocados no mercado.
Primeiro, a maturidade da engenharia agêntica deve continuar sendo 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 controle sobre modelos e dados — justamente um dos fatores que favorecem arquiteturas sob medida em casos críticos.
Terceiro, o balanço entre low-code/no-code, plataformas SaaS e desenvolvimento customizado deve ficar mais sensível ao custo total de propriedade. Com o mercado de low-code/no-code acima de US$ 37 bilhões e a IA reduzindo parte do esforço de desenvolvimento, a comparação deixa de ser apenas CAPEX versus assinatura e passa a incluir sustentação, integração e governança.
Por fim, o mercado deve continuar separando adoção de resultado. O dado de que só 29% dos executivos alcançam ROI significativo com IA sugere que a próxima fase não será sobre experimentar mais ferramentas, mas sobre alinhar arquitetura de software, metas de receita e governança.
Software genérico não desaparece na era da IA. Mas já não basta onde a operação depende de inteligência integrada, controle e aderência real ao processo. À medida que a IA reduz o custo de construir e aumenta o custo de improvisar, software sob medida deixa de ser exceção técnica e passa a ser decisão estratégica.
