#
O novo gargalo: se a IA desenvolve mais rápido, o teste precisa acompanhar
Date 13 Nov 2026

A discussão sobre inteligência artificial no desenvolvimento de software mudou rapidamente. Há pouco tempo, a pergunta era se ferramentas de IA conseguiriam compreender sistemas legados, explicar código ou gerar COBOL com qualidade suficiente para serem úteis no dia a dia.

Essa etapa já começou a ficar para trás.

Desde 2025, o IBM watsonx Code Assistant for Z permite criar e modificar código COBOL utilizando IA generativa. 

A própria documentação da IBM, porém, faz uma ressalva importante: a saída dos modelos deve apoiar (e não substituir) a decisão humana e o código gerado ainda precisa ser avaliado pelos desenvolvedores. Nem toda sugestão necessariamente compila ou funciona sem ajustes.

A questão, portanto, já não é apenas se a IA consegue produzir código para o mainframe. É o que acontece quando ela começa a produzir mudanças em uma velocidade maior do que os mecanismos utilizados para revisá-las, validá-las e testá-las.

O relatório State of AI-Assisted Software Development 2025, do DORA, ajuda a dimensionar esse problema. Baseado em respostas de quase 5 mil profissionais de tecnologia, o estudo trata a adoção de IA como um problema de sistema, e não simplesmente de ferramenta. 

O DORA observou relação positiva entre adoção de IA e throughput de software, mas a relação com estabilidade da entrega continuou negativa. 

A conclusão é particularmente relevante: quando aumenta o volume de mudanças sem controles robustos, testes automatizados, versionamento maduro e feedback rápido, a aceleração local pode apenas deslocar o gargalo para etapas posteriores.

No mainframe, onde uma alteração pode participar de processos que movimentam milhões de transações e atravessam décadas de lógica de negócio, esse downstream merece tanta atenção quanto a geração.

Produzir código ficou mais fácil, aceitá-lo continua sendo outra história

IA generativa altera uma variável importante da engenharia de software: o custo de produzir uma primeira versão.

Um desenvolvedor pode pedir a geração de uma rotina, receber sugestões durante a programação, modificar um trecho existente ou usar a IA para compreender mais rapidamente uma aplicação antes de realizar uma mudança. 

No watsonx Code Assistant for Z, por exemplo, a IBM já oferece geração de COBOL por linguagem natural e sugestões contextualizadas durante o desenvolvimento.

Isso pode aumentar a produtividade, especialmente em tarefas que antes consumiam tempo de pesquisa, escrita inicial ou compreensão, mas código produzido mais rapidamente não é automaticamente código pronto para avançar.

Ele ainda precisa seguir os padrões definidos pela organização. Precisa utilizar adequadamente recursos do ambiente. Consultas SQL precisam respeitar critérios técnicos. A mudança precisa ser testada no contexto em que será executada. Dependências precisam ser exercitadas. Regressões precisam ser identificadas.

Quanto maior o volume de código produzido, maior também pode ser o volume que chega a essas etapas.

Esse é o efeito sistêmico destacado pelo DORA: uma melhoria localizada pode simplesmente aumentar a pressão sobre o restante do fluxo quando as capacidades downstream não evoluem na mesma velocidade.

Não é um argumento contra IA. É um argumento contra automatizar a produção sem automatizar suficientemente os controles que vêm depois dela.

Revisar manualmente tudo o que a IA acelera não escala

Imagine que uma equipe passe a produzir significativamente mais alterações sem aumentar na mesma proporção sua capacidade de revisão.

Existem algumas consequências possíveis. O code review vira fila. Especialistas passam mais tempo verificando questões recorrentes. Mudanças avançam com análise superficial para preservar o ritmo de entrega. Ou a produtividade conquistada durante a codificação desaparece enquanto o código espera pelas etapas seguintes.

Nenhum desses cenários aproveita completamente o ganho oferecido pela IA.

Uma parte dessa pressão pode ser reduzida transformando critérios conhecidos em verificações sistemáticas.

É nesse ponto que entra o Eccox Application Quality Control (EQC).

No caso de COBOL, o EQC analisa o programa-fonte utilizando regras alinhadas aos padrões definidos pela própria organização. Entre os critérios previstos estão padrões de codificação, estabilidade, utilização de recursos e práticas que podem gerar retrabalho. 

A análise acontece durante o ciclo de desenvolvimento, permitindo identificar violações antes que elas avancem para etapas posteriores.

Para Db2, a lógica é semelhante, aplicada ao SQL. O EQC DB2 pode ser incorporado aos procedimentos de compilação e promoção, integrado a ferramentas como Endevor e Changeman, identificando SQLs que violam regras estabelecidas e orientando o desenvolvedor antes da promoção.

Isso não significa entregar ao EQC a responsabilidade de decidir se uma mudança é funcionalmente correta.

O papel é mais específico: transformar critérios técnicos conhecidos em um filtro consistente antes da promoção.

A distinção importa especialmente quando a IA entra no fluxo. Se produzir uma nova versão de um programa passa a levar menos tempo, não faz sentido obrigar um especialista a reaplicar manualmente, em cada versão gerada, todas as regras que a organização já conhece e pode verificar automaticamente.

O conhecimento humano continua necessário. Mas pode ser usado para definir as regras e analisar exceções, em vez de gastar capacidade repetindo verificações previsíveis.

Depois da qualidade do código vem a capacidade de testá-lo

Passar por um quality gate também não significa que o software esteja validado.

Um programa pode cumprir os padrões de COBOL. Uma consulta SQL pode respeitar os critérios definidos pela empresa. Ainda assim, a mudança precisa ser executada, integrada e testada no contexto real da aplicação.

É aqui que EQC e APT têm papéis diferentes.

O EQC atua sobre a qualidade do código antes da promoção. O Eccox Application for Parallel Testing (APT) atua na infraestrutura necessária para testar mudanças em z/OS.

O APT automatiza a preparação de pistas isoladas de teste e permite selecionar componentes que precisam ter uma condição específica para determinado projeto. 

Programas, tabelas Db2, arquivos e outros elementos podem ser isolados enquanto o restante da aplicação continua utilizando recursos reais da infraestrutura mainframe. Com isso, diferentes projetos podem executar testes paralelamente sem disputar exatamente a mesma configuração.

Essa capacidade ganha outra dimensão quando a produção de mudanças aumenta.

Se uma equipe consegue gerar mais código, mas só consegue testar uma quantidade limitada de alterações porque existe uma fila por ambiente, a IA não eliminou o gargalo. Apenas fez com que ele aparecesse mais rápido.

O mesmo vale para conflitos entre projetos. Se dez mudanças podem ser desenvolvidas simultaneamente, mas precisam aguardar umas às outras para utilizar determinada condição de teste, o throughput do desenvolvimento cresceu, mas o throughput da validação não.

O APT não verifica se o COBOL segue uma regra e não analisa a qualidade de uma SQL. Da mesma forma, o EQC não cria ambientes isolados nem executa testes funcionais.

Os dois produtos entram em momentos diferentes justamente porque o problema também é diferente.

Primeiro, impedir que violações conhecidas avancem desnecessariamente. Depois, garantir capacidade operacional para colocar as mudanças aprovadas sob teste.

O novo gargalo da IA pode estar depois do código

Há uma tendência natural de medir os ganhos da IA olhando para o desenvolvedor.

Quanto tempo ele economizou? Quantas sugestões aceitou? Quantos programas conseguiu modificar? Quanto mais rapidamente conseguiu compreender uma aplicação?

São indicadores importantes, mas incompletos.

Para uma organização, produtividade só se materializa quando a mudança consegue atravessar o sistema de entrega.

O DORA 2025 chama atenção exatamente para essa diferença entre produtividade local e desempenho sistêmico. IA funciona como um amplificador: equipes e organizações com boas capacidades de engenharia conseguem aproveitar melhor a aceleração; sistemas frágeis podem ver seus problemas existentes se intensificarem.

No mainframe, isso significa que a estratégia de IA não pode terminar no assistente de código.

Precisa alcançar a capacidade de revisar, controlar, testar e entregar aquilo que esses assistentes ajudam a produzir.

Uma organização que adote geração de COBOL por IA, por exemplo, deveria perguntar também se possui mecanismos para aplicar suas próprias regras de qualidade automaticamente, se os especialistas continuarão sendo necessários para verificações repetitivas, quanto tempo uma alteração espera por uma condição de teste e quantos projetos conseguem validar mudanças simultaneamente.

Essas perguntas deslocam a discussão da ferramenta para o sistema.

IA no desenvolvimento aumenta o valor dos controles, não diminui

Existe, ainda, uma aparente contradição nessa evolução. Quanto mais inteligente fica a ferramenta que ajuda a criar código, menos deveria ser necessário controlar o resultado. Na prática, ocorre o contrário.

O aumento da capacidade de produzir software torna mais importante definir quais mudanças podem avançar automaticamente, quais precisam ser inspecionadas e como disponibilizar capacidade suficiente para testá-las.

Automação de qualidade e automação de testes não servem para frear a IA. Servem para impedir que os ganhos conquistados na codificação sejam perdidos nas etapas seguintes.

É nesse desenho que EQC e APT podem funcionar como capacidades complementares dentro do DevOps no IBM z/OS.

O EQC ajuda a evitar que violações conhecidas de COBOL e SQL avancem pelo ciclo de desenvolvimento. O APT permite que as mudanças que precisam ser exercitadas encontrem pistas de teste isoladas e possam ser validadas em paralelo no ambiente mainframe.

Nenhum dos dois substitui a decisão humana. Nenhum deles garante sozinho a qualidade de uma aplicação, mas ambos ajudam a responder a uma pergunta que tende a se tornar cada vez mais importante conforme IA generativa entra definitivamente no desenvolvimento de software:

Se agora conseguimos produzir mudanças muito mais rápido, nossa capacidade de validá-las consegue acompanhar?

Converse com a Eccox e conheça como EQC e APT podem apoiar diferentes etapas de um ciclo de desenvolvimento preparado para um volume maior de mudanças, incorporando controles de qualidade e capacidade de testes paralelos ao DevOps no IBM z/OS.


Quantidade de publicações: 126
.