A IA terminou o trabalho. Agora começa o trabalho.

No theGarage IA temos feito algumas pesquisas informais e complementado essas observações com diversas conversas com executivos e líderes de tecnologia. Não podemos considerar isso uma amostra estatística do mercado, mas os dados apresentam um padrão recorrente.

O que vemos? Existe uma distância relevante entre as expectativas criadas em torno da IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → no desenvolvimento de software e o impacto que muitas organizações estão conseguindo observar no fluxo completo de engenharia.

A primeira geração de copilotos tornou muito mais fácil escrever, explicar e modificar código. Agora ferramentas agênticas avançam vários passos. Elas já conseguem explorar repositórios, alterar múltiplos arquivos, executar comandos, rodar testes, interpretar resultados, depurar problemas e corrigir o próprio código em ciclos sucessivos.

Portanto, a discussão já não pode ser reduzida à ideia de que a IA acelera a geração de código e simplesmente transfere o gargalo para revisão e testes. Os agentes também estão avançando sobre essas etapas.

A questão mais interessante passou a ser outra. A capacidade de produzir, testar e modificar software está crescendo rapidamente. O sistema de engenharia consegue absorver essa nova capacidade mantendo qualidade, segurança, manutenibilidade e confiabilidade?

É aí que aparece o principal desafio. Produzir mais mudanças não significa necessariamente colocar mais funcionalidades úteis em produção. Pull requests podem crescer em quantidade e complexidade. Revisões podem se tornar mais difíceis. Testes automatizados↳Testes automatizados4 conteúdosComo migrei meus testes automatizados de Java para Ruby… Será que fiz bem?Dev (Back & Front) · jun 2019TDD em Nodejs: conhecendo o JestDev (Back & Front) · mar 2019Arquitetura Hexagonal na prática com exemplos em PythonDev (Back & Front) · mai 2025Ver tudo em Dev (Back & Front) → podem não cobrir adequadamente as alterações. Dependências e regras de negócio nem sempre estão explícitas no código ou disponíveis no contexto do agente.

O agente pode executar os testes existentes e corrigir aquilo que eles identificam. Mas isso não significa que os testes existentes sejam suficientes.

Passar nos testes demonstra conformidade com aquilo que foi testado. Não demonstra ausência de problemas que ninguém pensou em testar.

Esse ponto é especialmente importante em sistemas grandes e legados. Um agente pode compreender muito bem uma parte do repositório e ainda não ter acesso a todo o conhecimento necessário sobre integrações, decisões arquiteturais, comportamento em produção e dependências externas.

Por isso, não é correto afirmar que código produzido por IA seja inerentemente pior. Também não é defensável concluir que, como os agentes estão ficando melhores, o problema da engenharia está desaparecendo. O que está acontecendo é que o gargalo está mudando de nível.

À medida que agentes assumem geração, testes, debugging e parte da integração, aumenta a importância da capacidade da organização de verificar e governar mudanças produzidas em velocidade crescente.

Isso explica por que agentes de desenvolvimento tornam ainda mais relevantes práticas que já conhecemos há décadas. Testes automatizados abrangentes e rápidos, ambientes reproduzíveis, CI/CD↳CI/CD23 conteúdosCI/CD Mobile: o caos invisível que separa times comuns de times de alta performanceDev (Back & Front) · abr 2026Lambda: implementando com GitLab CI/CD e Terraform para Integração SFTP, S3 e Databricks em GoDev (Back & Front) · nov 2023Publicando sua aplicação Web Python no WebApp do Azure e configurando o CI/CD da sua aplicaçãoDevSecOps · abr 2019Ver tudo em DevSecOps → confiável, APIs e contratos claros, controle de acesso, isolamento de ambientes, Rollback, gestão de dependências, documentação acessível e critérios objetivos para promover código para produção, todos continuam essenciais.

A qualidade do ambiente para um agente está diretamente relacionada à qualidade da própria plataforma de engenharia.  Uma base de código mal documentada, com testes frágeis, pipelines inconsistentes e dependências pouco compreendidas já era problemática para desenvolvedores humanos. Agentes não eliminam automaticamente essas fragilidades. Em alguns casos, sua velocidade simplesmente faz com que elas apareçam mais rapidamente.

Por isso, medir produtividade de desenvolvimento apenas por linhas de código, commits, sugestões aceitas ou volume produzido perdeu ainda mais sentido. Precisamos observar o fluxo completo.

Também precisamos observar um efeito menos evidente. Se a produção de mudanças se torna muito barata, podemos simplesmente produzir mais mudanças. Nesse cenário, a produtividade local do desenvolvedor aumenta, mas a complexidade total do sistema também pode crescer.

Código barato de produzir não é necessariamente software barato de possuir. É por isso que a chegada dos agentes de programação deve ser vista menos como o fim da engenharia de software e mais como uma mudança naquilo que passa a ser escasso.

Escrever código está deixando de ser uma das principais restrições. Testar, verificar, integrar, compreender consequências, controlar mudanças e operar software confiável ganham importância relativa.

Os agentes continuarão melhorando e provavelmente assumirão partes crescentes dessas atividades. Isso não elimina a necessidade de engenharia. Eleva o nível em que ela precisa ser praticada.

No final, as organizações que extraírem mais valor dessas ferramentas não serão necessariamente aquelas que produzirem mais código ou utilizarem mais agentes. Serão aquelas capazes de transformar capacidade de geração em velocidade de entrega, velocidade em software confiável e software em resultado para o negócio.