O Claude Code mudou a unidade de trabalho de um desenvolvedor. A pergunta deixou de ser "como escrevo esta função" e passou a ser "como descrevo esta mudança, e como verifico que ela está certa". A primeira parte ficou muito mais barata. A segunda continua tão cara quanto sempre foi, e é nela que times bons e times medianos se separam.
O que é, na prática
O Claude Code é um agente de programação da Anthropic que roda no terminal. Foi lançado como prévia em fevereiro de 2025 (Anthropic, 2025) e ficou disponível para todos em maio do mesmo ano (Anthropic, 2025). Ele lê o repositório, edita arquivos, executa comandos e testes, faz commits e usa as ferramentas de linha de comando que o desenvolvedor já usa.
A diferença para um assistente de chat é de posição. No chat, você copia um trecho, cola, recebe outro trecho e adapta. No terminal, o agente lê o tsconfig, entende a estrutura de pastas, percebe que o projeto usa um alias para src e escreve código que encaixa no que já existe. Depois roda o build para ver se quebrou alguma coisa.
Dois recursos mudam o uso em equipe. O arquivo CLAUDE.md guarda instruções persistentes do projeto (convenções, comandos, o que não fazer) e é carregado no início de cada sessão. E a própria documentação avisa que essas instruções são contexto, não trava: para bloquear uma ação independentemente do que o modelo decidir, o caminho são os hooks, scripts que rodam antes ou depois de cada ferramenta (Claude Code Docs). É uma distinção que todo CTO deveria conhecer antes de liberar a ferramenta para o time.
O que os estudos mostram, e o que não mostram
A adoção já é majoritária. Na pesquisa de 2025 do Stack Overflow, com mais de 49 mil respondentes, 84% dos desenvolvedores disseram usar ou planejar usar ferramentas de IA, contra 76% no ano anterior. No mesmo levantamento, 46% disseram não confiar na precisão do que essas ferramentas produzem, contra 31% em 2024 (Stack Overflow, 2025). Uso subindo e confiança caindo ao mesmo tempo é um retrato fiel do momento.
O estudo mais citado sobre produtividade vai na contramão do entusiasmo. Em julho de 2025, o METR publicou um experimento controlado com 16 desenvolvedores experientes de projetos open source, trabalhando em 246 tarefas reais nos próprios repositórios. Com ferramentas de IA, levaram 19% mais tempo. Antes do experimento, esperavam ganhar 24%. Depois dele, ainda achavam que tinham ganhado 20% (METR, 2025).
O próprio METR voltou ao tema em fevereiro de 2026. Um novo experimento indicou ganho de velocidade, mas o instituto classificou o resultado como pouco confiável: muitos desenvolvedores se recusaram a participar se tivessem de trabalhar sem IA, e parte deles evitou submeter tarefas que achava que a IA resolveria rápido (METR, 2026). A leitura honesta é que o ganho provavelmente existe, é difícil de medir, e a percepção de quem usa não serve como régua.
O relatório DORA de 2025, do Google, com quase 5 mil profissionais de tecnologia, oferece o enquadramento mais útil para gestores: a IA funciona como amplificador. Ela aumenta as forças de times com boa plataforma interna e fluxo de trabalho claro, e aumenta os problemas de times que já estavam desorganizados (DORA, 2025).
Onde o ganho aparece
Pela nossa experiência, em três tipos de trabalho.
Mudanças amplas e mecânicas. Renomear um padrão em dezenas de arquivos, migrar de uma biblioteca para outra, atualizar uma interface em todos os componentes que a usam. É o tipo de tarefa que uma pessoa faz mal por tédio.
Código repetitivo com contexto. Não o boilerplate genérico, e sim o que segue o sistema de tipos, as convenções e os componentes do projeto. Gerar um componente é trivial. Gerar o componente certo para este projeto é o que economiza tempo.
Leitura ampla para depurar. O agente lê vários arquivos, segue a cadeia de chamadas e encontra inconsistências que ninguém estava procurando.
Um caso real, neste site
Este trecho foi acrescentado em setembro de 2026. O repositório deste site tem commits feitos em sessões com o Claude Code, e dois episódios mostram bem onde o agente ajuda e onde a pessoa continua necessária.
No primeiro, depois de um bug de idioma já corrigido no blog, uma sessão dedicada a outra tarefa encontrou o mesmo padrão em outras quatro páginas: ofertas, lista e detalhe de cases e a página da RÜNARA estavam presas ao conteúdo em português, qualquer que fosse o idioma da URL. Ninguém tinha pedido essa busca. Meses depois, ao adicionar páginas novas, encontrou uma cópia desatualizada da árvore de rotas no código de pré-renderização, que fazia essas páginas devolverem 404 justamente para os crawlers, embora funcionassem no navegador.
No segundo, ao corrigir o rastreamento do Google Analytics, o agente validou o que conseguia validar (script carregando só depois do consentimento, ID correto, evento disparando a cada troca de página) e registrou por escrito o que não conseguia: a requisição final ao Google não era observável no ambiente de teste, e a confirmação dependia do relatório em tempo real do GA4 depois do deploy. Quem conferiu foi uma pessoa. É o comportamento que se quer de um agente: dizer onde termina a própria verificação.
O que ainda não mudou
Arquitetura continua humana. O agente executa bem dentro de uma estrutura definida. Escolher as abstrações, aceitar os trade-offs e recusar uma dependência continua sendo trabalho de quem vai responder por isso daqui a dois anos. Um agente rápido sobre uma arquitetura ruim só produz dívida técnica mais depressa.
Revisão continua obrigatória. Funcionar não é o mesmo que estar certo. Regra de negócio sutil, caso de borda e efeito colateral em outra parte do sistema passam pelo build e pelos testes sem aviso.
Instruir bem é uma habilidade. Quem pede "faz isso" recebe resultado mediano. Quem pede "faz isso, seguindo este padrão, sem tocar naquele módulo, e rode estes testes no fim" recebe outro nível. É uma competência nova, e não é trivial.
Dados, LGPD e código de cliente
Para empresas brasileiras, a pergunta de segurança vem antes da de produtividade. Segundo a documentação da Anthropic, nos planos comerciais (Team, Enterprise e API) a empresa não treina modelos com o código ou os prompts enviados pelo Claude Code, e a retenção padrão é de 30 dias. Nos planos individuais, o uso para treinamento depende de uma configuração do próprio usuário (Claude Code Docs). A ferramenta também pode rodar via Amazon Bedrock ou Google Cloud, o que ajuda quem já tem contrato e controles nesses provedores.
A consequência prática é direta: código de cliente, dado pessoal e segredo de negócio não devem passar por conta pessoal de desenvolvedor. E se o repositório tem dados pessoais reais em arquivos de teste, eles estão sob a LGPD como qualquer outro tratamento.
Como introduzir no time
- Comece com contas corporativas e uma política de uma página sobre o que pode e o que não pode entrar numa sessão.
- Escreva um CLAUDE.md por repositório, com comandos de build e teste, convenções e áreas em que o agente não deve mexer.
- Use hooks e permissões para o que precisa ser bloqueado de fato, como comandos destrutivos ou leitura de arquivos de credenciais.
- Mantenha revisão de código obrigatória para tudo que o agente produz, com a mesma régua de um pull request humano.
- Meça antes e depois com métricas de entrega, como tempo de ciclo e taxa de falha de mudanças, e não pela sensação do time.
- Escolha um tipo de tarefa para começar, como migrações ou testes, e amplie a partir do que funcionar.
O que está sendo automatizado não é ser desenvolvedor. É a parte do trabalho que menos precisava de um: transformar especificação clara em código previsível. Ganha valor o oposto: fazer as perguntas certas antes da primeira linha e julgar qualidade, não só funcionamento.
Se a sua empresa quer adotar agentes de código sem abrir mão de controle, o Advisor As a Service é o formato em que acompanhamos times técnicos nessas decisões semana a semana. Para capacitar o time, veja os nossos treinamentos.