Publicado em: 20 de outubro de 2026

8 min de leitura

Transforme a forma como sua equipe entrega software com agentes de IA

Saiba onde a entrega trava, onde as pessoas mantêm o controle e o que verificar. Um guia prático de engenharia nativa em IA, feito por quem entende na prática.

Os agentes de IA estão enviando cada vez mais código para filas de revisão que foram pensadas para o ritmo de trabalho humano. Um assistente de código até pode acelerar a escrita de código, mas não mostra se a revisão, as verificações de segurança e as aprovações de release conseguem acompanhar todo esse código a mais. A engenharia nativa em IA — a prática de desenhar o processo de engenharia de forma deliberada, para que pessoas e agentes façam, cada um, aquilo em que são melhores — começa pela identificação dos gargalos da entrega. Depois, é preciso decidir quanta autonomia os agentes devem ter e como manter o controle à medida que a operação cresce.

O AI-Native Engineering Playbook, lançado nesta semana, ajuda as equipes a transformar programação mais rápida em entrega mais rápida, redesenhando a forma como entregam software com agentes. Cada prática do playbook se baseia em insights de líderes de engenharia do GitLab, de nossos clientes e de membros da nossa comunidade Software Engineering Leadership Forum (SELF). Também fizemos uma parceria com a IT Revolution para incorporar as conclusões de um grupo diversificado de profissionais que analisam o desenvolvimento de software nativo em IA por diferentes ângulos, da revisão de código à autonomia dos agentes.

A seguir, algumas das perguntas que buscamos responder ao criar o playbook.

Para onde vai o gargalo quando a programação fica mais rápida?

A programação costumava ser a parte mais lenta e mais cara do desenvolvimento de software. Os agentes eliminaram esse gargalo, e a restrição migrou para tudo o que está ao redor do código: a espera por esclarecimentos, por ambientes, por aprovações e por outras equipes. O Relatório de Responsabilidade em IA de 2026 do GitLab, baseado em uma pesquisa feita em abril de 2026 com 1.528 profissionais de DevSecOps, mostrou que 79% dos participantes concordam que a produtividade individual dos desenvolvedores melhorou com a IA, mas que o processo de entrega de software como um todo não acelerou no mesmo ritmo.

Em grandes empresas, o lead time de entrega de software costuma ultrapassar bastante os 200 dias, e o desenvolvimento propriamente dito ocupa só de 10% a 20% desse tempo. Os números explicam por que acelerar a etapa de programação costuma decepcionar no longo prazo. Imagine, por exemplo, um ciclo de entrega de 281 dias, dos quais cerca de 32 são dedicados à programação. Com a programação 50% mais rápida, a economia é de cerca de 16 dias, uma melhoria de 6%. E, mesmo que o tempo de programação chegasse a zero, cerca de 88% do lead time continuaria intocado. [1]

A pesquisa do GitLab chegou a um resultado parecido: os profissionais de DevSecOps disseram dedicar só 16% do tempo à escrita de código novo, e 85% concordam que a IA deslocou o gargalo da escrita de código para a revisão e a validação.

Por isso, a primeira tarefa é o diagnóstico. Escolha uma mudança pequena e real e acompanhe o caminho dela do pedido até a produção, marcando cada espera e cada passagem de bastão. As esperas mais longas mostram onde está a próxima melhoria, e raramente ela está no código. Observe também onde um agente trava em uma tarefa pequena. Esse travamento costuma apontar para um padrão que não foi documentado, um ambiente difícil de subir ou um contexto que só existia na cabeça de uma pessoa.

O que parece lento no ciclo de entrega e o que de fato atrasa a equipe.

Quanta autonomia os agentes devem ter?

A autonomia de um agente deve depender da capacidade de verificar o que ele produz. Imagine uma escada de quatro degraus: de um extremo, em que uma pessoa aprova cada etapa, ao outro, em que o fluxo de trabalho é totalmente autônomo, sem nenhuma intervenção humana (zero-touch). Nesse modelo, as regras para subir a escada são claras: nenhum degrau pode ser pulado, e cada subida precisa ser sustentada por evidências do degrau anterior. [2]

  1. Estágio 1: as pessoas estão no loop (human-in-the-loop) em todas as etapas
  2. Estágio 2: as pessoas continuam no loop, mas o agente executa dentro de parâmetros definidos
  3. Estágio 3: as pessoas saem do loop na operação normal e cuidam só das exceções
  4. Estágio 4: um fluxo de trabalho sem intervenção humana, em que o agente se gerencia de ponta a ponta e só chama uma pessoa quando limites predefinidos são atingidos [2]

Também é importante que cada fluxo de trabalho com IA tenha uma pessoa responsável, com nome e sobrenome, e que a diferença entre uma pessoa que revisa e uma pessoa que monitora seja definida de forma explícita, já que definições vagas ou arbitrárias tendem a se perder quando estão sob pressão de um prazo. [3]

E esse desgaste é a armadilha. Uma pessoa que está no loop só no papel, mas aprova tudo, dá a aparência de controle sem os benefícios, e o hábito e o volume podem facilmente transformar a revisão em aprovação no automático. Por outro lado, um ponto de controle que ninguém de fato usa é pior do que nenhum, porque gera confiança justamente onde o sistema precisa de análise rigorosa.

O caminho para subir é conquistar cada degrau com evidências. Defina um limite explícito de precisão ou de sucesso antes de subir um degrau e, depois, passe as pessoas da revisão de cada etapa para o monitoramento do todo. Um agente que interrompe o trabalho com mais frequência para pedir ajuda é um bom sinal: mostra que o sistema se recusa a ir além do que as próprias evidências sustentam. [2]

Processo em várias etapas em que os agentes ganham autonomia aos poucos, com critérios específicos a cumprir entre um degrau e outro.

Como revisar código no volume gerado por agentes?

Dar mais autonomia aos agentes depende de detectar erros, e isso coloca pressão sobre a revisão de código. A revisão no momento do merge foi criada para o ritmo de produção humano. Os agentes aumentam a frequência das mudanças, e a revisão manual de cada conjunto de mudanças se tornou insustentável. A pesquisa do GitLab também evidenciou essa pressão: 78% dos participantes concordam que os processos atuais de revisão de código não foram pensados para a escala de código que as ferramentas de IA possibilitam, e 80% concordam que a organização adotou ferramentas de programação com IA mais rápido do que desenvolveu políticas de governança para elas.

A resposta é um sistema de verificação em camadas, em que cada camada faz a parte que faz melhor. As pessoas só saem do loop quando o nível de risco e as evidências justificam essa escolha de design — isso nunca é o padrão. [4]

  1. Leve as verificações objetivas, como formatação, tipos e política de dependências, para o mais perto possível da autoria do código.
  2. Mantenha as mudanças pequenas, para que cada camada seguinte trabalhe mais rápido.
  3. Defina o comportamento esperado logo no início, para que haja algo concreto a verificar.
  4. Use um revisor independente.
  5. Ajuste a profundidade da revisão ao risco da mudança.
  6. Registre cada decisão de revisão agêntica em um formato que alguém possa inspecionar depois.

As organizações mais bem-sucedidas nesse ponto já tinham investido pesado em testes automatizados, análise estática e conjuntos de mudanças pequenos. Ou seja, as camadas funcionam melhor sobre uma base que a equipe já tem. [4]

Sistema de revisão em níveis que diferencia mudanças de baixo risco, que exigem só uma revisão leve, de mudanças de alto risco, que exigem análise completa.

Conheça o playbook ou contribua com seus próprios insights

Tornar-se nativo em IA é uma prática que líderes vão continuar refinando com suas equipes à medida que as ferramentas e o entendimento evoluem. Para dar o primeiro passo, leia o playbook completo ou comece pela parte que corresponde ao ponto em que sua equipe encontra mais atrito:

  • Redesenhar o trabalho, para que os agentes façam parte do fluxo de entrega, em vez de serem acoplados a etapas pensadas só para pessoas
  • Trabalhar com agentes, decidindo onde o julgamento e a responsabilidade humanos permanecem e como os profissionais de engenharia continuam a crescer à medida que a programação muda
  • Governar e escalar de um fluxo de trabalho para muitos, com o contexto, a verificação e a medição que permitem avançar mais rápido sem perder o controle da qualidade ou do risco

Se você lidera uma equipe de engenharia e quer contribuir com seus insights para o playbook, participe do SELF, a comunidade de líderes de engenharia que estão navegando pela era da IA.

Artigos citados neste texto

  1. Cochran, Timothy, and Bryan Finster, Tim Ottersburg, Scott Prugh, and Amy Willard. "When Coding Is Free, Where Is the Bottleneck? A Guide for Leaders Building Agent-Ready Delivery Systems." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/when-coding-is-free/.
  2. Cockcroft, Adrian, and Jeremy Eder, Joseph Enochs, Jenn Spykerman, and Brian Wald. "When Agents Decide: Continuous Decision Intelligence and the Substrate Beneath It." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/when-agents-decide/.
  3. Eslick, Ian, and Collin Fox, Amanda Graham, Suzette Johnson, Chuck Lafferty, Tom Kilcommons, Rosalind Radcliffe, Cat Swetel, Annie Vella, Sam Yeats, and Robin Yeman. "The Sociotechnical Architecture of AI-Enabled Enterprises: Principles, Patterns, and Practices for Human-Governed AI." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/sociotechnical-architecture-of-ai-enabled-enterprises/.
  4. Davis, Zach, and Michelle Gill, Elisabeth Hendrickson, Angie Jones, Sha Ma, Randy Shoup, and James Wickett. "Agentic AI and Code Reviews: Toward a Pattern Language for Code Reviews in the Age of Agentic AI." Enterprise Technology Leadership Journal 3, no. 2 (Fall 2026). https://itrevolution.com/product/agentic-ai-and-code-reviews/.
Ainda não há artigos relacionados. Volte em breve: novos conteúdos estão a caminho!

Queremos saber sua opinião

Gostou deste artigo, ficou com alguma dúvida ou quer deixar um feedback? Compartilhe suas ideias criando um novo tópico no fórum da comunidade GitLab.

Compartilhe seu feedback

Comece a desenvolver mais rápido hoje

Veja o que sua equipe pode fazer com a plataforma de orquestração inteligente para DevSecOps.