Muitas pessoas experimentaram ferramentas de IA e não ficaram impressionadas. Entendi – muitas demos prometem mágica, mas, na prática, os resultados podem parecer desanimadores. É por isso que quero escrever isto não como uma previsão futurista, mas a partir da experiência vivida. Nos últimos seis meses, coloquei minha organização de engenharia em primeiro lugar na IA. Já compartilhei antes sobre o sistema por trás dessa transformação – como construímos os fluxos de trabalho, as métricas e as proteções. Hoje, quero me afastar da mecânica e falar sobre o que fiz aprendido dessa experiência – sobre o rumo que nossa profissão está tomando quando o próprio desenvolvimento de software vira do avesso. Antes de fazer isso, alguns números para ilustrar a escala da mudança. Subjetivamente, parece que estamos nos movendo duas vezes mais rápido. Objetivamente, veja como o rendimento evoluiu. O número total de funcionários da nossa equipe de engenharia oscilou de 36 no início do ano para 30. Portanto, você obtém aproximadamente 170% de produtividade em aproximadamente 80% do número de funcionários, o que corresponde ao subjetivo ~ 2x. Ampliando, escolhi alguns de nossos engenheiros seniores que começaram o ano em um processo de engenharia de software mais tradicional e terminaram com a IA em primeiro lugar. (As quedas correspondem a férias e fora do local): Observe que nossos PRs estão vinculados a tickets do JIRA, e o escopo médio desses tickets não mudou muito ao longo do ano, portanto, é um proxy tão bom quanto os dados podem nos fornecer. Qualitativamente, olhando para o valor do negócio, vejo um aumento ainda maior. Um dos motivos é que, quando começamos no ano passado, nossa equipe de garantia de qualidade (QA) não conseguiu acompanhar a velocidade de nossos engenheiros. Como líder da empresa, não fiquei satisfeito com a qualidade de alguns dos nossos primeiros lançamentos. À medida que progredimos ao longo do ano e preparamos nossos fluxos de trabalho de IA para incluir a escrita de testes unitários e de ponta a ponta, nossa cobertura melhorou, o número de bugs diminuiu, os usuários se tornaram fãs e o valor comercial do trabalho de engenharia se multiplicou. Do grande design à experimentação rápida Antes da IA, passávamos semanas aperfeiçoando os fluxos dos usuários antes de escrever o código. Fazia sentido quando a mudança era cara. O Agile ajudou, mas mesmo assim testar várias ideias de produtos era muito caro. Assim que priorizamos a IA, essa compensação desapareceu. O custo de experimentação entrou em colapso. Uma ideia pode passar de um quadro branco a um protótipo funcional em um dia: da ideia ao documento de requisitos de produto (PRD) gerado por IA, às especificações técnicas geradas por IA, à implementação assistida por IA. Ela se manifestou em algumas transformações surpreendentes. Nosso site – central para nossa aquisição e demanda de entrada – é agora um sistema em escala de produto com centenas de componentes personalizados, todos projetados, desenvolvidos e mantidos diretamente em código por nosso diretor criativo. Agora, em vez de validar com slides ou protótipos estáticos, validamos com produtos funcionais. Testamos ideias ao vivo, aprendemos mais rápido e lançamos atualizações importantes a cada dois meses, um ritmo que eu não poderia imaginar há três anos. Por exemplo, Zen CLI foi escrito primeiro em Kotlin, mas depois mudamos de ideia e o movemos para TypeScript sem perda de velocidade de lançamento. EUEm vez de zombar dos recursos, nossos designers de UX e gerentes de projeto os codificam. E quando a crise no tempo de lançamento atingiu a todos, eles entraram em ação e consertaram dezenas de pequenos detalhes com PRs prontos para produção para nos ajudar a lançar um ótimo produto. Isso incluiu uma mudança noturna no layout da IU. Da codificação à validação A próxima mudança veio onde eu menos esperava: Validação. Em uma organização tradicional, a maioria das pessoas escreve código e um grupo menor o testa. Mas quando a IA gera grande parte da implementação, o ponto de alavancagem muda. O verdadeiro valor reside em definir o que é “bom” – em tornar explícita a correção. Nós suporta mais de 70 linguagens de programação e inúmeras integrações. Nossos engenheiros de controle de qualidade evoluíram para arquitetos de sistemas. Eles constroem agentes de IA que geram e mantêm testes de aceitação diretamente dos requisitos. E esses agentes são incorporados aos fluxos de trabalho codificados de IA que nos permitem alcançar resultados de engenharia previsíveis usando um sistema. Isto é o que “deslocamento para a esquerda” realmente significa. A validação não é uma função independente, é parte integrante do processo de produção. Se o agente não puder validar seu trabalho, não será confiável para gerar código de produção. Para os profissionais de QA, este é um momento de reinvenção, onde, com a qualificação adequada, o seu trabalho se torna um facilitador e acelerador crítico da adoção da IA. Gerentes de produto, líderes de tecnologia e engenheiros de dados agora também compartilham essa responsabilidade, porque definir a correção tornou-se uma habilidade multifuncional, e não uma função confinada ao controle de qualidade. Do diamante ao funil duplo Durante décadas, o desenvolvimento de software seguiu um formato de “diamante”: uma pequena equipe de produto foi transferida para uma grande equipe de engenharia e depois reduzida novamente por meio do controle de qualidade. Hoje, essa geometria está mudando. Os seres humanos envolvem-se mais profundamente no início – definindo a intenção, explorando opções – e novamente no final, validando os resultados. O meio, onde a IA é executada, é mais rápido e mais estreito. Não é apenas um novo fluxo de trabalho; é uma inversão estrutural. O modelo se parece menos com uma linha de montagem e mais com uma torre de controle. Os humanos definem direções e restrições, a IA lida com a execução com rapidez e as pessoas recuam para validar os resultados antes que as decisões cheguem à produção. Engenharia em um nível mais alto de abstração Cada grande salto no software elevou nosso nível de abstração — de cartões perfurados a linguagens

Processar 200.000 tokens por meio de um grande modelo de linguagem é caro e lento: quanto mais longo o contexto, mais rápida será

A Intercom está fazendo uma aposta incomum para uma empresa de software legado: construir seu próprio modelo de IA. A enorme plataforma de

À medida que os Large Language Models (LLMs) expandem suas janelas de contexto para processar documentos massivos e conversas complexas, eles se deparam

A OpenAI está fechando o Sora, seu aplicativo independente de geração de vídeo de IA e rede social, e a disponibilidade para os

Look, we've spent the last 18 months building production AI systems, and we'll tell you what keeps us up at night — and

Não muito tempo atrás, a ideia de ser um “generalista” no local de trabalho tinha uma reputação mista. O estereótipo era o “pau

A IA de voz está se movendo mais rápido do que as ferramentas que usamos para medi-la. Todos os principais laboratórios de IA

Os grandes modelos de linguagem estão a atingir limites em domínios que exigem uma compreensão do mundo físico – desde a robótica à