Velocidade Importa?
Introdução
TL;DR: Python é mais lento que linguagens compiladas. Mas em 2025, essa diferença ainda é relevante na prática?
Todo programador iniciante precisa escolher uma linguagem para começar. Apesar do discurso de que linguagem não importa — e de que um bom profissional resolve problemas em qualquer stack —, na prática, é inviável aprender múltiplas linguagens do zero ao mesmo tempo. A escolha inicial direciona o estilo, os conceitos e até o tipo de projeto que você vai construir.
Hoje, JavaScript é quase obrigatório. Mesmo para quem não trabalha com frontend, entender JS é útil para criar portfólios, manter sistemas legados ou lidar com stacks fullstack. Agora, para quem foca em backend, entra a segunda escolha: PHP, Java, Python, Go, etc. — E sim, colocar JS no backend e no frontend ainda é uma ideia discutível.
No meu caso, fui “escolhido” pelo Python. Mas essa decisão sempre esbarrava em um comentário recorrente:
“Python é lento. Linguagem X executa o mesmo código 10x mais rápido.”
A frase é tecnicamente verdadeira, mas quase sempre descontextualizada. Python é interpretado, dinamicamente tipado e possui limitações como o GIL. Mas, com o hardware atual e o tipo de aplicações modernas, essa “lentidão” realmente importa?
Por que Python é mais lento?
1. Execução interpretada
Python — especificamente o CPython — é interpretado. Isso significa que o código é lido e executado linha por linha, em tempo real. Já linguagens como C++ ou Rust são compiladas para código nativo antes da execução, o que elimina o overhead de interpretação e gera binários otimizados.
2. Tipagem dinâmica
Em Python, uma variável pode ser um int em uma linha e um str na próxima. Isso exige verificações constantes em tempo de execução. Linguagens de tipagem estática — C++ e Java — resolvem isso em tempo de compilação. Tipar variáveis com type hints reduz esse overhead e melhora ferramentas de análise estática.
3. GIL (Global Interpreter Lock)
O GIL impede que múltiplas threads executem bytecode Python simultaneamente. Isso limita o paralelismo em tarefas CPU-bound, mesmo em máquinas com múltiplos núcleos. Ele existe por motivos históricos — simplificar o gerenciamento de memória —, mas vem sendo substituído gradualmente. A partir do Python 3.14, o GIL será desativável experimentalmente.
Benchmarks: Python é de fato mais lento
No The Computer Language Benchmarks Game, tarefas como n-body e fasta são de 10x a 100x mais rápidas em linguagens compiladas. Isso acontece porque:
- São algoritmos puramente computacionais.
- Usam apenas Python puro (sem C extensions).
Ou seja: é o pior cenário possível para o Python. Não representa o uso real em aplicações modernas, que envolvem I/O, redes, banco de dados e bibliotecas externas.
Faster CPython: performance real evoluindo
Desde o Python 3.11, há um projeto ativo para otimizar o interpretador padrão:
- Python 3.11: ~25% mais rápido que o 3.10.
- Python 3.12: mais 5% de ganho.
- Python 3.13/3.14: foco em JIT (Just-in-Time Compiler), desativação do GIL e otimizações em bytecode.
Essas melhorias são tangíveis. Foram implementadas otimizações como caching adaptativo, especialização de bytecode e coleta de métricas em tempo real para melhorar o desempenho do interpretador.
Referências:
Em 2025, a “lentidão” importa?
Não, na maioria dos casos.
1. A maioria das aplicações são I/O-bound
Aplicações web e sistemas distribuídos passam mais tempo esperando do que computando. Espera por rede, banco de dados, leitura de disco, etc. Nessas situações, linguagens com bom suporte a concorrência assíncrona têm vantagem.
Python tem isso.
asyncio, FastAPI, aiohttp, uvicorn e outros frameworks exploram bem a natureza assíncrona do Python.
2. Custo de desenvolvimento supera custo de execução
Tempo de entrega, clareza de código, facilidade de manutenção e curva de aprendizado importam mais. Um backend em Flask ou FastAPI pode ser entregue em dias. Reescrever isso em C++ pode levar semanas. A diferença de custo/hora do desenvolvedor é mais relevante do que o uso de CPU.
3. Python não faz tudo sozinho (nem precisa)
Quando a performance realmente importa — ciência de dados, machine learning, análise numérica — o trabalho pesado é feito por C, C++ ou Fortran via bindings. NumPy, Pandas, TensorFlow, scikit-learn, OpenCV e PyTorch são wrappers Python sobre código nativo otimizado.
Você orquestra em Python. O processamento acontece fora do interpretador.
Conclusão
Sim, Python é mais lento. Sim, há casos em que isso importa.
Mas na maioria dos projetos reais, a performance bruta do interpretador é irrelevante. O diferencial do Python é produtividade, legibilidade e um ecossistema maduro com soluções prontas para quase qualquer tipo de problema.
Criticar o Python por ser “lento” em 2025 é como reclamar que um ônibus não corre como um Porsche 911 GT3RS. Não é o propósito dele — mas ele entrega muita gente, com segurança, eficiência e previsibilidade.