O paradoxo dos US$ 570 mil
A Anthropic paga ate US$ 570 mil em compensacao total para contratar engenheiros de software. Ao mesmo tempo, seu CEO Dario Amodei preve que a IA podera realizar “a maioria, talvez tudo” do que engenheiros fazem em questao de meses. Boris Cherny, criador do Claude Code, diz que nao escreve uma linha de codigo manualmente ha meses — a empresa reporta que 70 a 90% do seu codigo e gerado por IA.
Isso nao e contradicao. E um sinal. A Anthropic nao esta pagando para alguem digitar codigo. Esta pagando pelo julgamento necessario para orquestrar agentes que digitam codigo: decidir o que construir, avaliar se o resultado esta correto, governar o que vai para producao. O CEO da Nvidia, Jensen Huang, reforco o ponto: um engenheiro de US$ 500 mil que nao consome pelo menos US$ 250 mil em tokens de IA por ano e como “um designer de chips que decide usar papel e lapis”.
O problema real: infraestrutura, nao modelos
Uma pesquisa da Microsoft (Cyber Pulse 2026) revelou que 80% das Fortune 500 ja implantaram agentes de IA. Porem, apenas 47% possuem politicas de seguranca especificas para esses agentes. A pesquisa da DigitalOcean com 1.100 lideres de tecnologia complementa: 41% citam confiabilidade como a principal barreira para escalar agentes.
O desenvolvimento de software ja resolveu esses problemas — nao por causa da IA, mas ao longo de decadas de amadurecimento. Branch protection, code review, CI/CD, git blame, testes automatizados: toda essa infraestrutura que desenvolvedores construiram para si mesmos mapeia quase perfeitamente as lacunas que impedem agentes de IA de sair de pilotos internos para producao voltada ao cliente.
As seis lacunas que o ciclo de desenvolvimento ja resolveu
1. Governanca: quem autorizou essa acao?
No desenvolvimento de software, branch protection e code review criam uma cadeia clara de permissao entre rascunho e deploy, seja o autor humano ou agente. Quando um agente de IA em outra area redige uma resposta ao cliente, acessa um prontuario ou modifica um modelo financeiro, a camada equivalente — quem aprovou, que dados o agente podia acessar, que politicas restringem o output — geralmente nao existe ou e ad hoc.
2. Observabilidade: rastro da decisao
Cada linha de codigo gerada por IA tem rastro: git blame mostra quem (ou o que) escreveu, pipelines de CI/CD registram cada build e deploy. Fora da engenharia, decisoes de agentes sao opacas. Um agente que nega uma solicitacao ou escala um chamado nao deixa trilha auditavel — sem isso, nao ha como debugar resultados ruins nem satisfazer reguladores.
3. Avaliacao: medir corretude em escala
Testes unitarios, integracao, linting e QA automatizado dao a engenharia de software algo que nenhuma outra funcao tem: medicao continua e objetiva de se o output esta correto. Essa e a lacuna que mais doi: sem avaliacao automatizada e continua da qualidade do output, organizacoes nao confiam em agentes o suficiente para coloca-los na frente de clientes. Os 41% da pesquisa DigitalOcean que citam confiabilidade estao falando exatamente disso.
4. Memoria: contexto alem da janela
Desenvolvedores tem contexto persistente: versionamento, documentacao, registros de decisoes arquiteturais que sobrevivem entre sessoes, times e anos. A maioria dos agentes empresariais opera sem memoria — cada interacao com o cliente comeca do zero. Usuarios internos toleram repetir contexto; clientes nao.
5. Controle de custos: gerenciar gasto com LLMs
Times maduros de engenharia ja roteiam tarefas por modelo: modelos leves para boilerplate, modelos de raciocinio para decisoes arquiteturais. Medem custo por pull request e custo por feature, nao apenas custo por token. Definem orcamentos por sessao de agente. A maioria das areas de negocio que adota agentes de IA nao tem nem visibilidade sobre o gasto total com tokens, muito menos controle granular.
6. Flexibilidade de deploy: portabilidade multi-provedor
Engenharia de software construiu containers, Kubernetes e infraestrutura como codigo justamente para evitar lock-in. Agentes de IA em outras funcoes frequentemente estao acoplados a um unico provedor de modelo ou plataforma — quando custos mudam ou um modelo melhor surge, a migracao vira projeto de meses.
O que fazer com isso
As seis lacunas nao sao teoricas. Elas explicam por que agentes de IA funcionam bem em help desks internos (onde governanca e avaliacao sao relaxadas) e travam quando colocados na frente de clientes ou em processos regulados.
Para empresas de medio porte avaliando agentes de IA, o checklist pratico e direto: antes de escolher modelo ou plataforma, verificar se a infraestrutura de governanca, observabilidade e avaliacao existe. Se nao existe, construi-la primeiro. Equipes de DevOps e seguranca — que ja operam com pipelines, monitoramento e controle de acesso — estao em posicao privilegiada para liderar essa construcao. O ferramental ja existe; o que falta e aplica-lo fora do ciclo de desenvolvimento de software.
O paradoxo da Anthropic deixa a licao clara: ate a empresa mais avancada em IA do mundo ainda precisa de humanos. Nao para escrever codigo, mas para garantir que a infraestrutura ao redor dos agentes funcione de forma confiavel, auditavel e economicamente sustentavel.