Spotify não encontra ligação direta entre código de IA e incidentes

Escala e quatro áreas de pressão

A Spotify publicou uma análise interna sobre o efeito do desenvolvimento assistido por IA na qualidade do seu sistema, que atende 777 milhões de usuários ativos mensais, cerca de 100 milhões de clientes concorrentes, processa 11 a 12 milhões de requisições por segundo e roda quase 3.000 serviços em produção, em mais de 2.000 dispositivos. A empresa afirma que o ponto de pressão não foi o "AI slop" nem código de IA de baixa qualidade, mas o ritmo acelerado de mudança.

Quatro áreas testaram a plataforma. No processamento de conteúdo (mais de 500 mil novas músicas, vídeos, podcasts e audiolivros por dia), dois problemas preexistentes se combinaram em 24 de junho: falhas que podiam ocorrer silenciosamente sem disparar alertas, falta de capacidade para picos de transcodificação de vídeo, um job em lote competindo com episódios novos, uma melhoria de qualidade que aumentou o consumo de compute por episódio e um bug de agendamento que reduziu o throughput em cerca de 10%. Episódios que costumavam publicar em minutos atrasaram horas. As causas foram descritas como "garden variety": alertas de falha incompletos, planejamento de capacidade e lacunas em controles de carga. As correções incluíram monitoramento ponta a ponta, ajuste do scheduler, prioridade reduzida para jobs em lote, aumento de capacidade, reclassificação de serviços por criticidade e supressão de episódios de maus atores.

No gerenciamento de frota (Fleet Management), que há anos executa mudanças em massa com maioria aprovada automaticamente e que há mais de um ano suporta mudanças agênticas - incluindo uma migração Java concluída em três dias -, uma atualização automatizada de dependência passou pelas verificações de segurança, mas falhou em produção e impactou usuários. A resposta foi reforçar salvaguardas, ampliar capacidade de rollback e agendar mudanças automatizadas no horário de trabalho dos times responsáveis.

A escassez de compute foi o único impacto indireto apontado da IA: o salto de demanda da indústria por CPU e GPU reduziu a capacidade sobressalente, e os failovers regionais executados no início do ano, antes triviais, passaram a afetar usuários. A empresa dobrou a capacidade de borda reservada após um incidente em maio, passou a aceitar que níveis inferiores de serviço podem ficar sem capacidade durante failover, e segue testando controle manual de tráfego de borda e spill regional.

No app móvel, a empresa descreve um ciclo decenal: foco em lançar recursos rápido degrada sinais de qualidade, a área corrige e amplia métricas de guarda, e o ciclo se repete. A IA acelerou a frequência do ciclo. Segundo o texto, o problema não é que código assistido por IA seja inerentemente pior, e sim que os sistemas de medição e manutenção da qualidade precisam acompanhar a velocidade de entrega.

O que os dados internos mostram

Citando a pesquisa DORA 2025 do Google Cloud - que associou adoção de IA a maior throughput, mas menor estabilidade de entrega -, a Spotify decidiu verificar com os próprios dados. Em retrospectivas mensais de incidentes graves, passou a perguntar: o código escrito por IA contribuiu diretamente? E o volume de mudança pressionou revisão, testes, rollout ou observabilidade? Até o momento, não identificou código de IA como contribuidor direto material de incidentes. O risco observado foi o segundo: o volume de mudança cresceu mais rápido do que alguns controles de verificação conseguiram se adaptar, levando a reforço de todo o sistema de entrega.

Mudanças mescladas mais que dobraram em agosto na comparação anual, de cerca de 8.100 para 17.000. Trabalho de qualidade e otimização subiu de 27% para 31% da mistura - mais que o dobro em termos absolutos. Manutenção e configuração caíram de 31% para 25%. A taxa de retrabalho, reconstruída para pesar a idade do código alterado e separar refatoração de legado, não mostrou elevação correspondente ao aumento generalizado de code churn descrito no relatório FAROS 2026 - sinal, para a empresa, de que não há acúmulo de dívida de qualidade induzida por IA.

Dois sinais de alerta seguem em observação: complexidade de código e tamanho de PRs estão subindo gradualmente. A empresa não tem convicção sobre a hipótese - um PR maior pode significar que humano e agente entregaram uma unidade maior de trabalho com segurança, e limiares calibrados para uma pessoa podem não mais se aplicar - e optou por não reescrever os limiares. A conclusão: a IA aumentou a capacidade de produzir mudança, e a nova restrição passou a ser a capacidade de verificá-la, o que exige que salvaguardas, rollback, observabilidade, failover e medição operem no mesmo ritmo do desenvolvimento.