Devs confiam nos agentes, porém revisam tudo antes do merge

Devs já entregaram boa parte da escrita e do teste de código para agentes de IA↳Agentes de IA42 conteúdosOpera passa a integrar ChatGPT, Claude e outros agentes de IADev (Back & Front) · mar 2026Operações mais inteligentes, decisões mais rápidas: o impacto da IA agêntica na rotina de TIAI · abr 2026Adobe aposta em orquestração de agentes de IA: o que muda para devsDev (Back & Front) · abr 2026Ver tudo em AI →. Entretanto, esses agentes rodam todos os dias. Ainda assim, quase nada chega em produção sem revisão humana.

Essa é a leitura central do State of Development 2026, relatório da Temporal. A pesquisa ouviu 554 engenheiros e líderes técnicos que já operam agentes. Portanto, os números vêm de quem convive com o problema na prática.

Devs já tratam agente como parte da entrega

49,1% dos entrevistados afirmam que os agentes estão em produção ou são essenciais para a forma como entregam. Além disso, o uso diário ou mais frequente saltou de 47,3% para 80,8% em um ano.

O relatório separa os respondentes em dois grupos. Então, de um lado, os times que avaliam o próprio uso como acima da média. Do outro, todos os demais.

Entre os primeiros, 85,5% rodam agentes diariamente. Já entre os demais, o número cai para 55,8%. No uso contínuo, a distância cresce ainda mais: 23,9% contra 10,4%.

A mediana é de cinco agentes por respondente. A média, porém, sobe para 10,7. Inclusive, um participante citou 256 agentes ativos.

Testar e depurar sustentam a fila de trabalho

Cinco tarefas concentram o uso: escrever código, testar código, pesquisar, gerar ideias e depurar. Ainda assim, nenhum outro caso ficou abaixo de 14,8%. Ou seja, a distribuição é mais horizontal do que o topo da lista sugere.

Duas frentes separam os times de alta performance:

• Design técnico: 28,0% contra 10,5%, uma diferença de 2,7 vezes.
• Segurança: 33,5% contra 12,8%, ou 2,6 vezes.
• Suporte ao cliente: 28,0% contra 12,8%.
• Escrita de código: 66,7% contra 40,7%.
• Pesquisa em bases de conhecimento: 45,9% contra 31,4%.

Outro dado chama atenção. O uso desejado praticamente coincide com o uso atual. Assim, o relatório conclui que os times já sabem para que servem os agentes hoje.

Devs confiam nos agentes e revisam mesmo assim

91,1% dizem que a produtividade melhorou ou disparou. Apenas 4% relatam impacto nulo. Outros 1,8% apontam queda.

A confiança segue o mesmo desenho. 85,5% confiam ao menos parcialmente na saída dos agentes. Desses, 24,7% confiam totalmente e 60,8% confiam em parte. Somente 4,0% desconfiam por completo.

Essa confiança, entretanto, para na porta da autonomia total. 39,5% apontam segurança como o principal bloqueio. O relatório compara a situação a um problema antigo de terceirização. Afinal, alguém precisa garantir que o trabalho delegado saiu correto.

Sem provas matemáticas ou baterias longas de teste, resta a checagem manual. Por isso, existe uma diferença entre confiar para seguir adiante e confiar para assinar o commit.

Vale um alerta de leitura. 84,5% acreditam que o próprio time usa agentes melhor que a concorrência. Estatisticamente, essa distribuição não fecha.

Do protótipo à produção em horas, com o QA atrás

51,3% saem de um protótipo gerado por IA para código pronto em horas ou menos. Em seguida, 77,1% chegam lá dentro de alguns dias.

Esse ritmo aparece também nas empresas grandes. 33,4% da amostra trabalha em companhias com mais de mil funcionários. A maioria delas entrega no mesmo passo das pequenas.

Entre as maiores, 18,5% ainda levam meses. No entanto, o restante da amostra, essa fatia cai para 5,5%.

Curiosamente, a vantagem dos times de alta performance aqui é pequena: 78,9% contra 67,4%. Vários engenheiros citaram tempo para pensar como principal restrição. Logo, a aceleração chega para todos, e o resultado depende do uso desse tempo.

Devs travam mais em rastrear estado que em depurar

Rastrear estado lidera a lista de bloqueios, com 35,7%. Depurar vem em segundo. Controlar custo de token e de computação fecha o pódio.

A frequência dos problemas surpreende. 41,1% enfrentam falhas diariamente ou mais. Além disso, 16,4% batem nelas de hora em hora.

O volume de agentes, porém, não explica a frequência. Times com dezenas de agentes relatam a mesma dor de quem roda cinco.

Quando algo quebra, o YouTube aparece como primeiro destino de socorro. Ele fica à frente do GitHub e do Stack Overflow. O relatório lê isso como preferência por ver alguém resolvendo o problema na tela.

Times de alta performance pesquisam mais fundo. Eles consultam 4,1 fontes em média, contra 3,5 dos demais. Também recorrem duas vezes mais a uma ferramenta de IA: 40,4% contra 19,8%.

Custo de token virou decisão de arquitetura

79,8% afirmam que custo de token e de computação limita o avanço com agentes. No entanto, entre os times de alta performance, esse peso sobe para 83,1%.

No ranking de ferramentas, o ChatGPT lidera. Depois vêm Microsoft Copilot, Google Gemini e Claude. Visto que o relatório atribui esse desenho à vantagem de quem chegou primeiro e à distribuição dentro de ferramentas já usadas.

A média é de 3,5 ferramentas por time. Entre os destaques, alguns números pulam:

• AWS↳AWS20 conteúdosE-mails de verificação com AWS SES + Lambda (Node.js) e Terraform: do zero ao envioDevSecOps · out 2025Codex na AWS: chegada do agente da OpenAI à nuvem da AmazonDevSecOps · abr 2026Salesforce e AWS ampliam colaboração em IA, CRM e marketplaceDevSecOps · nov 2023Ver tudo em DevSecOps → Bedrock: 23,1% contra 8,1%.
• Azure OpenAI Service: 30,3% contra 18,6%.
• GitHub Copilot: 32,7% contra 15,1%.
• Gemini ou Vertex AI: 44,2% contra 29,1%.
• LangChain ou LangGraph: 7,3% contra 2,3%.

Na orquestração, o movimento é discreto. O interesse cai em AWS Step Functions, LangGraph e Airflow. Enquanto isso, Camunda, Inngest e Prefect sobem. Temporal, Dagster e Orkes seguem estáveis.

Times passaram a construir o que antes comprariam

92,3% já tentaram construir internamente uma aplicação que o time compraria pronta. Desses, 25,6% classificam a tentativa como sucesso de grande impacto.

A diferença entre os grupos é a maior da pesquisa. Entre os times de alta performance, 29,7% registram esse sucesso. No restante, o índice fica em 3,5%.

Fica uma pergunta em aberto no relatório. Entretanto, cmo manter um parque crescente de ferramentas internas geradas por agentes, sem integração automática entre elas?

Devs saem daqui com três leituras práticas

Primeiro, a revisão humana continua no caminho crítico. Vale desenhar o pipeline assumindo isso, com gates claros de teste e de segurança.

Segundo, o gargalo mudou de lugar. Rastrear estado e depurar execuções pesam mais que gerar código. Observabilidade de agente, portanto, entra na conta da arquitetura.

Terceiro, o custo por token virou variável de projeto. Portanto, vale medir consumo por tarefa antes de escalar o número de agentes.

Acompanhe nosso perfil no Instagram!