Você escolheu sua ferramenta de código com IA do mesmo jeito que escolhe editor de texto. Testou algumas, ficou com a que fluía melhor, assumiu que poderia trocar no próximo trimestre quando algo superior aparecesse. É assim que escolhas de software costumam funcionar.

Agentes de código com IA quebraram essa lógica. E os dados do JetBrains de abril de 2026 tornam a quebra visível.

O JetBrains AI Pulse, publicado em 7 de abril de 2026, entrevistou mais de 10.000 desenvolvedores profissionais em oito linguagens. Todo analista e sua newsletter já dissecaram os números de adoção — quem lidera, quem estagnou. Mas por baixo do placar existe algo mais consequente que ninguém está medindo: o acúmulo de contexto.

O autocomplete de código tradicional — aquela função que sugere a próxima linha enquanto você digita — é stateless. Ele lê o arquivo em que você está, talvez alguns arquivos vizinhos, e chuta. Você troca em cinco minutos. A nova geração de agentes de código com IA funciona diferente. Claude Code — o assistente de terminal da Anthropic — lê o repositório inteiro. Cursor — um editor de código com IA embutida — indexa a estrutura do seu projeto. GitHub Copilot Workspace — a camada de agente do GitHub, distinta do autocomplete básico do Copilot — rastreia seu histórico de pull requests e contexto de issues.

Cada uma dessas ferramentas constrói um modelo do SEU codebase. Não um modelo genérico de "código" — uma compreensão específica das suas convenções de nomenclatura, dos seus padrões de arquitetura, das preferências de teste do seu time, das peculiaridades do seu deploy. Cada pull request revisado, cada bug corrigido, cada refatoração guiada adiciona sinal. Depois de três meses, as sugestões da ferramenta não são mais genéricas. Estão calibradas.

Essa calibragem é o lock-in.

O custo de troca de um agente de código com IA não é o preço da assinatura — US$ 10 a US$ 20 por mês, irrelevante para uma empresa. O custo de troca são as semanas de produtividade degradada enquanto a ferramenta substituta reaprende o que a primeira já sabia. Para um dev solo, é irritante. Para um time de cinquenta, é uma cratera de produtividade que ninguém orçou.

Os dados do JetBrains oferecem evidência indireta. O Claude Code tem a maior satisfação de toda a pesquisa: NPS de 54 (Net Promoter Score — o quanto os usuários recomendariam; qualquer coisa acima de 50 é considerada excelente). Mesmo assim, a adoção corporativa está em 18%. Se trocar fosse simples, esse abismo entre amor e uso teria fechado rápido. Não fechou. Entre as pesquisas do JetBrains de meados de 2025 e abril de 2026, a awareness do Claude Code quase dobrou — de 31% para 57% — e a adoção cresceu de cerca de 3% para 18%, um salto de 6x impulsionado quase inteiramente por boca a boca. Mas 18% para o líder de satisfação sugere que algo freia a adoção além do reconhecimento de marca. Esse algo é o custo de arrancar o que já está embutido. ⚙️

O Cursor demonstra como é romper essa barreira quando a qualidade é dramática o bastante. Como a Bloomberg reportou em 2 de março de 2026, o Cursor bateu US$ 2 bilhões em receita recorrente anual (receita de assinaturas anualizadas), dobrando em apenas três meses, com mais da metade das Fortune 500 como clientes. Mas a estratégia do Cursor é reveladora: ele não pede para você encaixar um plugin de IA no seu editor existente. Ele substitui o editor inteiro. É uma tomada total de contexto — contornando custos de troca ao ser dono de todo o ambiente desde o primeiro dia.

Agora, o que estreita ainda mais a janela de decisão. Agentes de código com IA estão caminhando para memória persistente — históricos de sessão, preferências aprendidas por projeto, workflows acumulados do time. A cada trimestre que isso se aprofunda, o custo de troca se compõe. Uma ferramenta que você escolheu casualmente no Q1 vira infraestrutura que você não consegue remover no Q4. ⚙️

Se o seu time está avaliando ferramentas de código com IA agora, trate a decisão menos como escolher uma assinatura SaaS e mais como escolher um banco de dados. O custo de migração é baixo no dia um e cresce a cada sprint. Rode seu piloto por 90 dias, meça contra o seu codebase real — não um repo de demonstração — e comprometa-se. Porque daqui a seis meses, a decisão já vai ter sido tomada por você, pelo contexto acumulado, não por um score de benchmark.

As guerras de modelo perguntavam "qual IA é mais inteligente?". As guerras de distribuição perguntavam "qual IA já está instalada?". A próxima pergunta é mais silenciosa e mais difícil: qual IA já conhece o seu código bem o suficiente pra que sair pareça começar do zero? Esse é o lock-in que ninguém mediu. E quando você percebe, já está construído. 🫶