Dois levantamentos de 2025 dão um retrato claro de como desenvolvedores usam IA: a pesquisa do Stack Overflow e o Octoverse do GitHub. A conclusão que se repete: o uso sobe e a confiança não acompanha.
Adoção
Na pesquisa do Stack Overflow, 84% dos respondentes usam ou planejam usar ferramentas de IA, contra 76% em 2024. Entre profissionais, 51% usam todo dia. Agentes ainda são nicho: só 14,1% os usam diariamente, e 37,9% dizem não ter planos de adotá-los.
O Octoverse diz que quase 80% dos novos desenvolvedores do GitHub usam o Copilot na primeira semana. Mais de 1,1 milhão de repositórios públicos usam algum SDK de LLM, com 693.867 criados nos últimos 12 meses (+178% em um ano). O GitHub também afirma que um novo desenvolvedor entra na plataforma a cada segundo, em média.
Confiança
Apenas 3,1% dos respondentes confiam muito na precisão da saída da IA, e 45,7% desconfiam ativamente. Entre profissionais, 2,7% confiam muito e 46% desconfiam. O sentimento favorável caiu de mais de 70% em 2023 e 2024 para 60% em 2025.
A maior frustração, citada por 66%, são soluções “quase certas, mas não exatamente”. Código que compila e parece razoável, mas carrega uma premissa errada. A pesquisa não diz se a queda de sentimento tem relação com produtividade real, e eu também não vou inventar essa ligação. Uma explicação plausível é que quem usa muito encontra esse padrão com frequência, mas isso é interpretação, não dado.
TypeScript em primeiro
Segundo o Octoverse, em agosto de 2025 o TypeScript ultrapassou Python e JavaScript e virou a linguagem mais usada do GitHub. O relatório ganhou +1.054.015 contribuidores em um ano (+66,63%). O texto diz que desenvolvedores estão migrando para linguagens tipadas que tornam o código assistido por agentes mais confiável em produção, e que sistemas de tipos “pegam erros de LLM antes de chegarem à produção”. O próprio relatório avisa que são sinais observacionais e não afirmações de causa.
Na prática
Tratar a sugestão da IA como o código de um colega competente e inexperiente continua sendo um bom critério: revisar antes de aceitar, rodar os testes e questionar premissas que o prompt não explicitou. Para quem quer reduzir o “quase certo”, como você organiza o contexto passado ao modelo pesa tanto quanto a ferramenta. Sobre isso, veja o resumo do artigo da Anthropic sobre context engineering.
