IA generativa no onboarding de devs: o que já funciona

Onboarding de novos engenheiros é o caso de uso de IA generativa com melhor relação risco/benefício em times de engenharia hoje. O contexto é bem delimitado, os erros têm baixo custo e o ganho é mensurável em semanas.

Dados do DX (plataforma de métricas de engenharia) mostram que, em seis grandes empresas monitoradas entre julho e setembro de 2025, novos devs que usaram ferramentas de IA diariamente chegaram ao seu 10º pull request em 49 dias, contra 91 dias para quem não usava IA. Isso é quase o dobro da velocidade. E os números continuaram melhorando: em abril de 2026, a média caiu para 33 dias.

O 10º PR importa porque, segundo pesquisa interna da Microsoft citada pelo mesmo relatório, ele é um preditor forte do padrão de output do dev nos dois anos seguintes. Chegar lá mais rápido tem efeito composto.

Por que onboarding é o ambiente ideal para IA?

A maioria das aplicações de IA em engenharia envolve alguma troca entre velocidade e risco. Usar LLMs para tomar decisões de arquitetura ou revisar PRs críticos exige governança cuidadosa (tema do post sobre arquitetura de IA com governança). No onboarding, esse trade-off é mais favorável.

O recém-chegado ainda não tem permissão de merge em produção. As perguntas que ele faz são de baixo risco mas alto custo de atenção para o time sênior: “O que faz essa função?”, “Por que esse padrão aqui?”, “Qual é o fluxo de autenticação?”. Redirecionar essas perguntas para uma ferramenta de IA libera os sêniores sem comprometer qualidade.

Outra vantagem: o contexto do novo dev é genuinamente limitado. Ele não sabe o que não sabe. IA não julga perguntas “óbvias” e responde com a mesma atenção na décima pergunta do dia.

Como usar IA para explicar o codebase?

A aplicação mais direta é usar um assistente com RAG (retrieval-augmented generation) sobre o repositório, para que o dev possa fazer perguntas sobre código real, não sobre documentação desatualizada.

Três ferramentas se destacam nesse uso:

Sourcegraph Cody usa a API de busca do Sourcegraph para indexar o repositório e citar os arquivos fonte que embasaram cada resposta. Para times com monorepos grandes ou múltiplos repositórios, é a opção com cobertura de contexto mais ampla. Um dev novo pode perguntar “como funciona o fluxo de autenticação aqui?” e receber uma resposta fundamentada em arquivos reais do projeto, com as fontes indicadas.

GitHub Copilot (plano Enterprise) oferece o recurso Spaces (evolução das antigas knowledge bases), onde é possível indexar documentação interna, ADRs e partes selecionadas do codebase. Times que usaram esse recurso relataram conseguir integrar contratados sem precisar de sessões de walkthrough presenciais.

Cursor funciona bem quando o dev já está num repositório clonado localmente. O contexto de workspace permite perguntas sobre o código aberto no editor, sem configuração adicional, o que reduz a fricção inicial.

A escolha entre eles depende mais da infraestrutura existente do que de superioridade técnica absoluta. Se o time já usa GitHub Enterprise, Copilot Spaces é o caminho de menor atrito. Se o time tem monorepo ou múltiplos repos, Cody tende a ter contexto mais completo.

O que um setup prático de onboarding com IA inclui?

Um ponto importante é não tratar IA como acessório. Incluir o acesso às ferramentas como parte do onboarding desde o dia 1 faz diferença na adoção.

Um setup razoável para times que começam agora:

• Escolher uma ferramenta com contexto de codebase (Cody, Copilot Enterprise ou Cursor) e configurar o acesso antes da chegada do novo dev, não depois.
• Criar um prompt de “primeiro contato” que orienta o novo dev a perguntar ao assistente sobre a arquitetura antes de abrir chamadas com o time.
• Definir quais partes do repositório podem ser indexadas. Em geral, repositórios internos de produto não têm restrição, mas integrações com dados de clientes podem exigir cuidado. A maioria das ferramentas permite filtrar por diretório ou repositório.
• Pedir ao dev que registre perguntas que a IA respondeu mal. Esse log vira insumo para melhorar documentação real e calibrar quando escalar para um humano.

Segurança é um ponto de atenção real. Ferramentas com RAG local (Cursor com contexto de workspace, Cody com instância self-hosted) não enviam código para APIs externas no modo padrão. Para times com requisitos de compliance mais rígidos, a versão self-hosted do Cody ou o Copilot Business com políticas de retenção configuradas são os caminhos mais comuns.

Onde IA não substitui o humano no onboarding?

IA explica código. Não explica cultura de time.

Feedback sobre senioridade, calibração de carreira, clareza sobre o que o time valoriza num PR além do código em si, esses elementos dependem de interação humana. O par de onboarding (buddy) continua sendo necessário, mas o papel muda: em vez de responder perguntas técnicas de nível 1, ele pode focar em contexto de produto, histórico de decisões e dinâmica do time.

Também há um risco real de o novo dev confiar demais nas respostas do assistente em domínios onde o modelo não tem contexto suficiente. IA sobre codebase não substitui revisão de PR por alguém que conhece os trade-offs que levaram ao design atual. A prática de exigir revisão de ao menos um dev sênior nos primeiros PRs continua válida, independente de quantas perguntas foram respondidas pela ferramenta.

Para uma discussão mais ampla sobre como IA se encaixa no fluxo diário de desenvolvimento, o post sobre LLMs no fluxo de dev cobre padrões táticos além do onboarding.

Como medir se está funcionando?

Três métricas são suficientes para validar o impacto:

Métrica	O que mede	Como coletar
Time-to-first-PR	Velocidade inicial de contribuição	Dado do próprio repositório (GitHub/GitLab)
Time-to-10th-PR	Produtividade sustentada no primeiro mês	Mesmo dado, com janela maior
NPS do onboarding	Percepção do novo dev sobre o processo	Pesquisa curta na semana 4

A comparação mais útil é entre coortes: devs que integraram com acesso às ferramentas de IA versus os que chegaram antes da adoção. Em times pequenos, a amostra é limitada, mas mesmo dados qualitativos (entrevista estruturada com os últimos 3-4 contratados) já permitem ajustes.

O onboarding de engenheiros é um dos raros contextos onde a IA generativa reduz fricção sem adicionar risco significativo. O custo de não experimentar é alto, pois são semanas de produtividade perdida a cada contratação, além da atenção do time sênior que poderia estar em outro lugar.