A Agentic AI é agora uma parte essencial do processo de engenharia, impulsionando uma enorme alavancagem de execução e nos ajudando a gerar mais código do que nunca. No entanto, uma pergunta difícil que ouço cada vez mais dos líderes empresariais é: se estamos enviando códigos mais rápido do que nunca, por que nossos produtos não estão melhorando na mesma proporção? A razão é que escrever código nunca foi o limitador de taxa. Definir os requisitos corretos, integrar sistemas complexos e manter o software em condições reais sempre foi a parte difícil. E quando os agentes inundam uma organização com muitos códigos novos, a parte difícil fica ainda mais difícil. Os agentes comprimem o tempo de execução. Eles não comprimem a ambiguidade, a responsabilidade ou a complexidade operacional. À medida que o código gerado pela IA aumenta, a revisão humana está se tornando um novo gargalo enorme e os engenheiros estão perdendo o contexto necessário para detectar erros dos agentes. As empresas que compreenderem isso avançarão deliberadamente e até mesmo criar novas funções por causa da IA. Aqueles que não o fizerem chegarão a uma conclusão mais simples e muito mais destrutiva: reduzir o número de funcionários e aumentar os gastos com IA. O manual Decisões estruturais irreversíveis exigem cautela, precisamente porque a tecnologia está a evoluir muito rapidamente. Os líderes de engenharia empresarial precisam de um manual deliberado para navegar no caos. Veja como começar: Fase 1: Governança financeira e de risco Proteja o lado negativo – proteja a infraestrutura e limite o sangramento financeiro. Trate a governança como um risco de primeiro nível: A pressão para integrar a IA é real, mas dar às equipes a liberdade de experimentar sem uma estrutura centralizada cria processos fragmentados, trabalho duplicado e custos excessivos. As organizações precisarão estabelecer padrões compartilhados e, ao mesmo tempo, permitir que as equipes se adaptem e explorem dentro dos limites definidos. Isso significa tratar a configuração do agente como uma infraestrutura de produção: versionamento, revisão e teste de prompts e habilidades antes de implementá-los gradualmente. Aplicar o menor privilégio para atores não humanos: Nunca permita que um agente simplesmente herde todas as permissões de seu operador humano. Os engenheiros humanos têm amplo acesso porque possuem julgamento contextual e têm responsabilidade final. A implantação de agentes com acesso de nível humano sem consideração cuidadosa introduz uma lacuna de responsabilidade em seus sistemas. Implementar uma separação estrita entre ler e escrever/executar acesso e exigir portas de aprovação humanas para ações destrutivas ou que alterem a produção. À medida que os agentes passam da sugestão de código para a execução autônoma de tarefas, eles devem ser rigorosamente incorporados ao seu modelo de segurança. Cuidado com sua carteira: Proteja seu orçamento geral de IA aplicando cotas e limites de taxas para engenharia e produção. Histórias de advertência são cada vez mais comuns: a Uber limitou seus gastos com IA depois queimando seu orçamento de 2026 até abrile, de acordo com Axios, uma empresa não identificada incorreu em uma conta antrópica surpreendente de US$ 500 milhões em um único mês devido a loops de agentes descontrolados. Fase 2: Estratégia técnica Construa o motor: escolha os modelos certos e avalie seu sucesso. Torne-se multimodelo e multifornecedor: Nenhum modelo único se destaca em todas as tarefas. É importante caracterizar com precisão os limites de comportamento e desempenho entre os modelos para entender onde cada um se destaca, encaminhando tarefas específicas para os sistemas mais bem equipados para lidar com elas. A padronização em um único fornecedor ou modelo sacrifica recursos e introduz um ponto único e crítico de falha. Nenhuma organização deve absorver esse nível de risco de concentração na sua função central de engenharia. Pague pela fronteira: Trate a IA como uma alavancagem de engenharia, não apenas mais uma despesa de SaaS. Pague por modelos de ponta premium que oferecem resultados da mais alta qualidade e reduzem o retrabalho dispendioso. Em última análise, o modelo mais barato não é aquele com o preço simbólico mais baixo – é aquele que maximiza a eficiência e minimiza o risco posterior. Meça o que realmente importa: Implantações, linhas de código e solicitações pull nunca foram boas métricas de produtividade e, com a IA, são ativamente enganosas. Em vez disso, busque métricas associadas aos resultados de negócios (adoção de recursos, retenção) e durabilidade da engenharia (taxa de falhas de alterações, defeitos escapados, sobrevivência do código ao longo do tempo). Para eficiência da IA, meça o sucesso da tarefa por dólar e tempo de retrabalho. A contagem de tokens é conveniente para tabelas de classificação, mas não pode dizer se os tokens foram bem gastos. Fase 3: Talento e organização Realinhe seu capital humano para gerenciar o novo gargalo. Mude os engenheiros da sintaxe para os sistemas: À medida que os agentes lidam com a maior parte da geração de código, a revisão humana e o alinhamento arquitetônico são os novos gargalos. As organizações devem deliberadamente melhorar as competências da sua força de trabalho para fazer a transição de escritores de sintaxe para pensadores de sistemas e gestores de agentes. Os engenheiros precisam de treinamento e mandato para orientar os processos dos agentes, gerenciar integrações complexas entre sistemas e manter a visão arquitetônica abrangente que os agentes podem ter dificuldade para manter. Redefinir o desempenho e os incentivos: Quando um engenheiro individual pode gerar o resultado de uma equipe anterior, as métricas tradicionais, como pontos de história ou velocidade de sprint, podem se tornar uma sobrecarga ineficaz. Considere realinhar suas estruturas de avaliação para recompensar melhor o impacto expandido nos negócios, a confiabilidade entre sistemas e a orquestração eficaz dos agentes. Se quisermos pensadores sistémicos que cubram uma área de superfície mais estratégica, estejam dispostos a explorar e a assumir riscos, e a construir produtos de uma forma durável, deve recompensá-los pelo impacto de nível mais elevado, e não pelo grande volume de produção. Não reduza o número de funcionários antes que sua estratégia se adapte: Se você não integrou fluxos de trabalho de agente, mediu

For three years, Microsoft's artificial intelligence story has been inseparable from OpenAI. The partnership — cemented by a cumulative investment exceeding $13 billion

O cofundador e CEO da Anthropic, Dario Amodei, disse que isso estava chegando, mas ainda parece um marco: mais de 80% do código

Embora muitos fornecedores de modelos de código aberto de IA busquem modelos maiores e mais poderosos, o Google ainda está prestando atenção ao

A Alibaba lançou esta semana o Qwen3.7-Plus, o mais recente modelo de IA em linguagem grande (LLM) em sua família Qwen, globalmente amada

Os agentes corporativos de IA têm um novo modo de falha de produção, e esse não é o modelo. À medida que as

Apresentado por Floco de Neve Muitas vezes, a história da segurança empresarial tem sido uma história de tornar as coisas mais difíceis de

Permitir que os LLMs adquiram novos conhecimentos após a formação continua a ser um grande obstáculo para a IA empresarial – as soluções

Os agentes de IA empresarial estão paralisados ​​– não por causa do desempenho do modelo, mas por causa do licenciamento. Todo fluxo de