stamatios
← Voltar ao feed
Caneta sobre caderno enquanto mão robótica digita código em tela brilhante, metáfora da equipe que delega código a agentes
Dev & Engenharia · Trabalho & Gestão

Equipe da Intento deixa de escrever código à mão e delega a agentes

resumo de ~3 min

O autor, cientista de dados e pesquisador de ML que dirige a Intento, faz um balanço de cerca de um ano de uso intensivo de IA em código, empresa, pesquisa, contabilidade, leitura e agenda. Ele afirma que, há uma década, previu que a IA automatizaria primeiro os programadores e os cientistas de dados, e não apenas motoristas e atendentes. Segundo ele, a previsão se confirmou, "dando ou tirando alguns anos" no cronograma.

Da tentativa frustrada ao código por agentes

O autor diz que os primeiros projetos completos começaram a funcionar por volta do fim de 2024 e do início de 2025. Ele atribui essa virada mais à capacidade dos modelos do que à sua própria disposição. Em um projeto de interpretabilidade, em janeiro de 2025, ele afirma não ter escrito o código à mão. Um servidor MCP de tradução, criado na primavera de 2025, seguiu a mesma regra. Em março de 2026, ele e o filho construíram um jogo de navegador de cerca de 15 mil linhas de JavaScript em poucas noites, com o Claude escrevendo o código. Segundo o autor, o melhor conselho que ele tem para prompts é "dizer o que está errado, não como corrigir".

A parte mais difícil foi o código legado. Em 2025, os modelos tiveram mau desempenho na base antiga da Intento, com pouco entendimento das dependências entre serviços e repositórios. O autor atribuía isso ao tipo de código, mas depois concluiu que o problema era o contexto, que estava na cabeça das pessoas e não em lugares acessíveis aos modelos.

O que a empresa mudou

Segundo o texto, seis meses atrás uma parte muito grande, provavelmente a maior, do código da Intento era escrita à mão. Hoje, os modelos escrevem o código. As pessoas distribuem tarefas e revisam especificações, planos, testes e código. Para isso, a equipe precisou tornar acessíveis e consultáveis os artefatos que um modelo pode precisar: documentação, ADRs, tarefas no Jira e depois no Linear, logs de produção via MCP e o histórico do Slack. O autor observa que essa lista é a mesma que um desenvolvedor novo precisaria ao entrar em um projeto. Ele ainda descreve esse trabalho como inacabado.

O gargalo, segundo ele, mudou de lugar. A leitura e a revisão final continuam humanas, e é isso que, nas palavras dele, está "rangendo". Muitos laços internos, como revisão, documentação, notas de versão, testes e investigação de bugs, já são fechados por agentes. Em alguns repositórios experimentais, o ciclo de engenharia já roda de forma autônoma, e uma pessoa entra apenas em pontos de aprovação.

Escolha de linguagem

A IA também abriu possibilidades que, segundo o autor, não existiam no modo de programação manual. Um exemplo é a escolha da linguagem pela tarefa, e não pelo que a equipe já conhece. A Intento testou Rust em um serviço auxiliar que emula APIs de provedores, com comportamentos de falha. A versão em Rust manteve cerca de 8.900 conexões abertas em um pod de 100 MiB, contra cerca de 3.400 da versão em Python, e ficou ociosa em 1 MiB, contra 33 MiB. O autor ressalva que os números vêm de um ambiente local. Em Go, a melhora sobre o Python foi de cerca de 11%, e apenas depois de trocar o net/http pelo fasthttp.

Contabilidade, correspondência e revisão

O autor relata que, no fechamento anual, o Claude revisou o trabalho de seus contadores e encontrou erros que ele mesmo costumava achar. Ele também identificou um cálculo errado do ano anterior, que gerou imposto extra, e uma restituição não recebida. O autor diz que checou as referências citadas e que elas se sustentaram. Ele afirma que o Claude "já pagou a assinatura muitas vezes", mas não sabe se o mesmo vale para os contadores. A correspondência de rotina também passou a ser feita por modelos, e ele diz que só não fecha esse laço por cautela e pela vontade de manter as travas de qualidade.

Pesquisa e o problema do arXiv

O volume de artigos cresceu a ponto de a leitura manual não ser mais viável. Desde 1º de outubro, o arXiv limita autores a duas submissões por mês, depois que as submissões dobraram em dois anos e passaram de 40 mil em setembro. Para lidar com isso, o autor criou o ArxivIQ, um pipeline de agentes que gera análises de artigos selecionados por ele. Ele diz que o pipeline evoluiu de três agentes para uma pequena fábrica, com verificação de citações e revisões críticas. Mesmo assim, ele lê tudo antes da publicação, "porque se interessa pelo artigo", e não porque o pipeline exija. Ele afirma que não precisou corrigir um erro há algum tempo.

No trabalho de pesquisa, ele conta que um experimento que levaria meses de noites e fins de semana foi feito em uma noite, com o resultado negativo no dia seguinte. Ele cita uma estimativa da Anthropic, segundo a qual o Claude "lidera" 26% do trabalho de P&D de modelos da empresa, contra menos de 1% em fevereiro. O autor compara a mudança à chegada dos MOOCs, mas diz que agora a mudança vai além do aprendizado.

Onde o humano permanece

O autor diz não saber como será o próximo ano. Ele acredita que muitos empregos vão mudar muito, e que o humano continuará definindo tarefas novas, operando as travas de qualidade e fazendo o que gosta. Ele aponta, porém, um custo: a vida ficou mais rápida, com menos trabalho profundo e mais multitarefa. O desafio, segundo ele, é decidir o que automatizar e onde colocar as travas.

A matemática aparece como caso mais intenso. O autor afirma que a transformação é mais aguda entre matemáticos do que entre programadores, e que entre os matemáticos que acompanhou houve mais pânico. Para a engenharia de software, ele menciona a preocupação com demissões, como o programa de desligamento voluntário da Microsoft, mas diz que o cenário parece mais calmo.