IA gera 25% de pull requests ruins no código aberto

Uma pesquisa da Linux Foundation publicada nesta terça-feira (20), durante a conferência All Things Open, em Raleigh, nos Estados Unidos, estima que um em cada quatro pull requests recebidos por projetos de código aberto é considerado conteúdo de baixa qualidade gerado por inteligência artificial. Em projetos maiores, a proporção chega a 31%, enquanto os próprios mantenedores dizem que a IA reduziu pela metade o tempo necessário para escrever código.

O estudo, patrocinado pela Red Hat e apoiado por Futurewei, OpenSSF e LF AI & Data, ouviu 234 contribuidores e mantenedores. O retrato é menos simples do que uma disputa entre quem aprova ou rejeita a tecnologia: ferramentas generativas aceleram tarefas, mas também aumentam o volume de material que alguém precisa verificar.

Mais contribuições chegam, mas nem todas ajudam

O relatório, intitulado Navigating Open Source Software Development in the Generative AI Era, aponta que 59% dos mantenedores notaram crescimento no número de contribuições desde que a IA generativa se popularizou. Entre projetos de maior porte, o índice alcança 69%.

Esse aumento amplia a possibilidade de participação, mas também impõe mais trabalho de triagem. Segundo os entrevistados, 25% dos pull requests recebidos têm qualidade baixa; nos projetos maiores, a estimativa sobe para 31%.

Os números ajudam a entender por que o termo “AI slop” ganhou espaço nas discussões sobre desenvolvimento: ele descreve material produzido em quantidade, mas que pode chegar sem contexto, testes suficientes ou revisão cuidadosa. No caso dos pull requests, o problema não é apenas o código estar errado; uma contribuição também pode ser difícil de avaliar, mal explicada ou desalinhada às necessidades do projeto.

Ao mesmo tempo, 71% dos mantenedores concordam que a IA reduziu as barreiras para participar de projetos abertos. A abertura, porém, não se converte automaticamente em confiança: 53% discordam que o uso dessas ferramentas tenha fortalecido a confiança dentro das comunidades.

O ganho de velocidade tem um custo de revisão

Os participantes relataram redução de tempo em todas as seis atividades avaliadas. A maior diferença aparece na escrita de código, com uma economia estimada de 52%; discussões sobre propostas tiveram a menor redução, de 19%.

Mantenedores também estimam economizar entre 25% e 40% em discussões técnicas e na revisão de propostas. O resultado varia conforme a tarefa: em atividades de alta complexidade, 21% dos respondentes disseram que a IA fez o trabalho demorar mais, um sinal de que gerar uma primeira versão não elimina a necessidade de compreender sistemas intricados e suas dependências.

Parte do tempo economizado retorna às próprias equipes. Entre os entrevistados, 66% afirmaram usar a folga para reduzir dívida técnica, 63% para desenvolver novas funções e 58% para estudar.

Esse dado importa porque projetos de código aberto costumam depender de pessoas que conciliam manutenção com outras responsabilidades. Uma ferramenta que acelera tarefas pode liberar espaço para melhorias que ficariam adiadas; se, porém, a enxurrada de contribuições exigir inspeção manual, a economia individual pode ser parcialmente anulada pelo trabalho coletivo de revisão.

Regras para o uso de IA ainda são minoria

Apenas 35% dos projetos consultados possuem uma política formal que permite o uso de IA generativa. Outros 32% não têm regras e não planejam criá-las, deixando contribuidores e revisores sem um padrão comum para declarar, testar ou atribuir o código produzido com auxílio automatizado.

Do lado de quem envia contribuições, 61% dizem revisar em detalhe e testar o código gerado antes de submetê-lo. Ainda assim, a declaração sobre o uso de IA é inconsistente, o que dificulta distinguir uma ferramenta usada como apoio de uma contribuição cujo conteúdo foi produzido sem validação adequada.

“Projetos open source precisam se preparar para contribuidores movidos a IA, não só reagir a eles.”

Hilary Carter, vice-presidente sênior de pesquisa da Linux Foundation

Carter defende que os projetos estabeleçam expectativas claras, atribuam a responsabilidade por testes e declarações a quem envia o código e ofereçam ferramentas melhores para ajudar mantenedores a filtrar o que recebem. O relatório também registra uma divisão sobre mentoria: 46% acreditam que a IA aumentou a necessidade de orientar novatos, enquanto 32% discordam.

Na prática, uma política pode especificar se o uso de IA precisa ser informado, quais testes são exigidos e como documentar a origem de uma contribuição. Isso não significa necessariamente proibir ferramentas generativas; significa permitir que quem revisa saiba o que está avaliando e possa aplicar critérios consistentes.

Do alerta de Torvalds às regras do curl

A preocupação já aparecia em comunidades conhecidas antes da divulgação da pesquisa. Em maio, Linus Torvalds criticou a presença de relatos de bugs gerados por IA no desenvolvimento do kernel Linux.

O projeto curl, liderado por Daniel Stenberg, passou a pedir que quem reporta uma falha declare se utilizou IA, depois de receber relatos inventados. Episódios como esses mostram que a discussão ultrapassa a qualidade do código: informações falsas também desviam tempo de quem investiga problemas reais.

As recomendações da Linux Foundation acompanham essa experiência: regras escritas para contribuições assistidas por IA, transparência sobre o uso, documentação e testes antes do envio, além de padrões claros de atribuição. A proposta é tratar governança, verificação e confiança como parte da infraestrutura do projeto, e não como uma etapa improvisada depois que surgem problemas.

O estudo completo está disponível em PDF no site da Linux Foundation. O relatório oferece um retrato das percepções de 234 participantes, mas não deve ser lido como uma contagem automatizada de todos os pull requests do ecossistema: os percentuais refletem a avaliação de mantenedores e contribuidores ouvidos.

O trabalho invisível por trás de cada contribuição

O desequilíbrio central é econômico e humano: a IA barateia a produção de código, mas o tempo necessário para avaliar uma proposta continua recaindo sobre pessoas. Em muitos projetos abertos, esse trabalho é voluntário, e cada contribuição confusa pode consumir minutos que seriam usados para corrigir falhas, responder a usuários ou planejar melhorias.

Para Mark Collier, gerente-geral de IA e infraestrutura da fundação, investimentos em ferramentas de IA precisam vir acompanhados de apoio aos mantenedores, mentoria e medidas para preservar a confiança. Essa relação é especialmente importante em projetos que sustentam serviços e produtos usados diariamente, mas que não dispõem necessariamente de equipes grandes e remuneradas para revisar cada envio.

A pesquisa não mede quantos mantenedores abandonaram projetos por causa do aumento de contribuições difíceis de avaliar. Essa lacuna não reduz a importância do problema: se a revisão se torna uma obrigação maior sem recursos ou ferramentas proporcionais, a promessa de produtividade pode transferir o custo para quem já mantém o software funcionando.

O desafio das comunidades não é escolher entre aceitar toda contribuição assistida por IA ou fechar as portas para novos participantes. É criar condições para que a velocidade de geração venha acompanhada de responsabilidade, testes e transparência — sem transformar a revisão em um segundo turno não remunerado para os mantenedores.

Se a IA reduz o tempo para escrever código, mas aumenta o esforço de quem precisa validá-lo, quem deveria pagar a conta dessa produtividade?