Quanto mais rápido uma equipe produz código com IA, mais urgente fica uma pergunta: para onde isso está indo? Três palestras recentes no canal AI Engineer abordam o problema de ângulos diferentes e chegam a um diagnóstico parecido. A velocidade subiu, a coordenação não acompanhou, e sobra uma conta para pagar depois.
Quando a velocidade vira problema
Matt Dailey, CEO da Ref, batizou um sintoma: a “doença da velocidade”. O cenário é a equipe inteira de engenharia acelerando 10x com IA e, no caminho, produzindo sem impacto. Ele mapeia quatro dores concretas: fluxo de PRs que afoga os revisores, decisões de produto e arquitetura tomadas por agentes sem ninguém prestando atenção, conflito de direção entre pessoas usando ferramentas parecidas, e o que ele chama de “falência de agente” (criar e descartar agentes todo dia, queimando tokens e gerando retrabalho).
A leitura dele é direta: acelerar individualmente não escala para a equipe. Pior, quando agentes de IA operam sem supervisão, o risco real não é a velocidade em si, mas a perda de controle sobre decisões que importam. Dailey propõe alinhar a equipe e recuperar o comando do código antes de continuar pisando no acelerador.
Velocity Sickness: What Happens When Your Whole Team Gets 10x Faster · AI Engineer (Matt Dailey, Ref) · 20min37s
A dívida que ninguém estava contando
Anirban Chatterjee, da Sonar, parte de um número incômodo. Um estudo da Carnegie Mellon aponta que o ganho de produtividade com ferramentas como Cursor dura cerca de três meses. Depois vem o crescimento persistente de alertas de análise estática e de complexidade no código.
Ele dá nome a isso: “dívida de verificação”. A diferença entre o código que a IA gera e o que aplicações críticas exigem. A conclusão é que ferramentas de análise estática, como o SonarQube, viram a ponte entre experimentação e algo confiável, medindo essa dívida antes que ela vire incidente em produção. O ponto é que a IA não elimina a necessidade de supervisão humana em sistemas críticos. Pode adiar.
Guide, Verify, Solve · AI Engineer (Anirban Chatterjee, Sonar) · 22min31s
Agentes que trabalham juntos, não sozinhos
Arjun Singh, cofundador da Gradescope, aborda o problema por outro lado: como integrar agentes de IA em fluxos colaborativos sem virar um caos de iniciativas isoladas. A palestra defende dois princípios. Primeiro, ser agnóstico em relação a modelos e ferramentas, porque o melhor modelo pode mudar semana a semana, e depender de um só fornecedor quebra o ritmo. Segundo, transformar interfaces que já existem (como o Slack) em interfaces para agentes, em vez de inventar do zero.
Singh aposta em modelos de peso aberto, como o GLM 5.2, pela combinação de custo baixo e controle maior. E faz uma observação que vale registrar: quem cobra por token tem incentivos que nem sempre conversam com o que o usuário precisa, que é eficiência e qualidade. A estratégia para manter o controle passa por entender esse desalinhamento.
Multiplayer agentic engineering · AI Engineer (Arjun Singh, Superconductor) · 18min44s
As três palestras partem de lugares diferentes, mas a mensagem converge: a IA acelerou a parte fácil, e agora o desafio é descobrir se alguém está dirigindo.