QCon AI New York 2026 reúne padrões de produção para agentes, evals e custo de LLM

Quando o hype vira operação

Depois que um agente 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 → sai do protótipo e entra em produção, o problema muda de figura. Código gerado chega mais rápido do que a revisão consegue acompanhar, o custo em tokens sobe, os evals precisam ser confiáveis o suficiente para decidir um deploy e o agente precisa de permissões e guardrails como qualquer outro sistema que toca produção. A QCon AI New York 2026 confirmou sessões de engenheiros seniores que já passaram por essas decisões em sistemas que eles próprios mantêm rodando, segundo o InfoQ.

O evento acontece em 15 e 16 de dezembro de 2026 no The Westin Jersey City Newport, a cerca de cinco minutos de trem PATH do World Trade Center, e é voltado a engenheiros seniores e líderes técnicos que tomam decisão sobre IA em produção. A proposta, segundo a cobertura, não é o discurso de keynote genérico: é o relato de quem já rodou a decisão e tem o número por trás dela para outra equipe comparar com sua própria realidade.

Identidade e autorização: dar acesso de produção a um agente

A keynote de abertura, de Nancy Wang (fundadora da área de 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 → Data Protection), parte de um dilema concreto: dar ao agente uma conta de serviço de longa duração e torcer para que nada dê errado, ou restringir tanto o acesso que ele não consegue terminar a tarefa. A palestra When Software Becomes a User: Identity and Authorization for Agents in Production propõe alternativas a esses dois extremos.

Quem quer ver esse modelo funcionando numa plataforma real tem a sessão de Ronak Nathani, que liderou a migração do LinkedIn para Kubernetes. Em Inside LinkedIn's Kubernetes Ops Agent: Skills, Tools, and Guardrails, ele detalha um agente de operações que atua sobre mais de 500 mil nós e 5 milhões de pods, com guardrails aplicados no servidor: limite de taxa de chamadas e aprovação por um par humano antes de qualquer mudança em produção. As duas palestras juntas entregam um modelo de autorização e um conjunto de guardrails já testado para comparar com o que a equipe tem hoje.

Evals que decidem se um agente vai ao ar, e quanto custa rodá-lo

Um eval só serve de fato quando o time confia o suficiente no placar para decidir publicar ou segurar uma mudança com base nele. Fabio Flores, que lidera o desenvolvimento de base do Agentic Ordering na DoorDash, vai defender nessa linha que o mesmo juiz avalie sessões simuladas e sessões em produção, para que uma melhora medida antes do lançamento continue valendo depois dele. A palestra se chama From Signal To Impact: The Eval Loop Behind DoorDash's Agentic Ordering System.

O outro lado da conta é o custo. Workloads de agente que funcionavam como protótipo ficam caros demais em produção conforme o contexto cresce. Tejas Chopra, que trabalhou com infraestrutura de cache distribuído na Netflix, vai mostrar em Make Each Token Count: Compression, Caching, and Retrieval for Production LLM Context como compressão e ordenação de prompt aumentam os acertos de cache do provedor, além de armazenamento em camadas para histórico de conversa e os modos de falha que o time dele encontrou no caminho.

Quando a IA escreve código mais rápido do que a equipe consegue revisar

A revisão humana vira o gargalo conforme as ferramentas de IA geram mais código. Min Chen, que lidera a adoção de engenharia de software nativa em IA no LinkedIn, vai defender que o time filtre achados de baixa confiança antes que cheguem ao desenvolvedor. Sua sessão, High-Signal AI Code Review That Adapts to Your Codebase at Scale, descreve um sistema que revisa dezenas de milhares de pull requests por semana em cerca de 10 mil repositórios, e como o time mede se as sugestões realmente entram no código que vai para produção.

Mais código mais rápido não ajuda toda organização do mesmo jeito. Nathen Harvey, que lidera a pesquisa DORA na Google Cloud, propõe em Building in the AI-First World: Scale Brilliance, Not Bottlenecks avaliar a maturidade com IA além de métricas de adoção, identificando qual problema que já existia a IA tende a piorar. A tese central dele, segundo o InfoQ, é que a IA amplifica tanto o que a organização já faz bem quanto o que ela já faz mal.

O que muda pra quem constrói isso no dia a dia

Para uma equipe de engenharia que já roda ou está prestes a rodar agentes em produção, inclusive no Brasil, essas cinco sessões cobrem decisões que normalmente são resolvidas no improviso: qual modelo de identidade o agente usa em vez de uma conta de serviço genérica, se o eval que valida um protótipo é o mesmo que valida produção, como o custo em tokens entra como variável de engenharia desde o design e como triar o volume de sugestões de IA antes que ele vire ruído para quem revisa.

O Comitê de Programa da QCon AI convida profissionais seniores com algo que outras equipes possam aprender, e as palestras são vendor-neutral, sem pitch de produto escondido: cada uma é o relato de o que um time construiu e por quê. Com a proporção de um palestrante para cada onze participantes, ainda sobra espaço para a pergunta de acompanhamento a quem de fato construiu o sistema. Todas as sessões confirmadas estão listadas na página de programação da QCon AI New York 2026.

Fonte: InfoQ