Uber corta custos de infraestrutura e IA sem sacrificar escala

A Uber detalhou como reduziu o consumo de infraestrutura e passou a controlar os gastos com IA no ciclo de desenvolvimento, num relato publicado pela InfoQ. A abordagem, chamada de Zero Growth Stack, busca desacoplar o crescimento de capacidade da demanda do negócio: escalar serviços sem necessariamente ampliar a pegada de hardware físico, priorizando otimização automatizada em tempo de execução.

Ajuste dinâmico do garbage collector do Go

Um dos pilares é a otimização do runtime do Go. Segundo a fonte, o tuning estático do garbage collector (GC) não dava conta de serviços com pegadas de memória muito variadas, de 100MB a 1GB. A resposta foi o GOGCTunner, biblioteca que automatiza o ajuste do valor GOGC, responsável por definir a frequência dos ciclos de GC em relação ao crescimento do heap.

A ferramenta se integra aos limites de memória de cgroup e monitora o uso de objetos vivos para fazer ajustes dinâmicos. Conforme a InfoQ, isso permitiu recuperar 70 mil núcleos de CPU em 30 serviços críticos. O ganho vem com uma troca: no lugar de configurações estáticas, entra um control loop que precisa equilibrar o tamanho do heap (mantido em 1,25x os objetos vivos) contra um limite de 70% de utilização de memória, para evitar eventos de OOM (out of memory).

IA no desenvolvimento e o susto na conta

A Uber também integrou IA generativa ao ciclo de desenvolvimento. A arquitetura descrita tem camadas distintas:

• Platform Layer, com o Michelangelo AI atuando como gateway de modelos;
• Context Layer, com um MCP Gateway para injetar código-fonte interno;
• Specialised Layer, com agentes de background como Minion e Shepherd;
• Review Layer, com ferramentas como uReview e Code Inbox.

Os números de adoção são expressivos: 92% dos engenheiros usam os agentes mensalmente, 31% do código novo é escrito por IA e a ferramenta Autocover gera mais de 5 mil testes unitários por mês, segundo a InfoQ.

O problema apareceu na fatura. Os custos relacionados a IA cresceram seis vezes desde 2024, com modelos de cobrança por token levando ao esgotamento de orçamento. No início de 2026, o custo individual de alguns desenvolvedores chegou a US$ 2.000 por mês.

Da adoção livre à governança de custos

Para conter o gasto, a empresa passou de uma adoção irrestrita para uma governança rígida, implementando um teto de US$ 1.500 por desenvolvedor. Além do limite, a Uber começou a auditar a eficácia do código gerado por IA, buscando quantificar o impacto real do throughput automatizado frente ao overhead de infraestrutura.

Segundo a fonte, a empresa está migrando de métricas agregadas para indicadores mais granulares. Em vez de olhar apenas receita por unidade de trabalho e gasto de computação com IA, a proposta é avaliar:

• Net code quality ratio: compara a frequência de hotfixes pós-lançamento em código escrito por IA versus código humano;
• Compute efficiency per feature: mede se o overhead do código gerado por IA (incluindo testes redundantes de ferramentas como o Autocover) se alinha às metas de sustentabilidade da infraestrutura.

O que muda para quem constrói software no Brasil

O caso da Uber toca dois pontos sensíveis para times brasileiros que operam plataformas de alto tráfego. O primeiro é a otimização de runtime: a lógica do GOGCTunner (trocar tuning estático por um control loop atrelado a limites de cgroup) é replicável por qualquer equipe que rode Go em Kubernetes e queira reduzir consumo de CPU sem reescrever serviços.

O segundo é a governança de IA no desenvolvimento. Com a cotação do dólar pesando no orçamento de ferramentas cobradas por token, o alerta da Uber de gastos crescendo seis vezes e custos individuais de US$ 2.000 mensais é um lembrete concreto de que produtividade com agentes precisa vir acompanhada de tetos de uso e métricas de qualidade. Medir hotfixes de código gerado por IA versus humano é um caminho prático para decidir onde a automação compensa.

Fonte: InfoQ