OpenAI · fev. 2026
Um produto em beta construído por agentes
Agentes geraram aplicação, testes, documentação, infraestrutura e ferramentas. O trabalho humano se concentrou em preparar o ambiente, especificar intenção e construir feedback. [F06]
O que as evidências já permitem afirmar
Capacidade, produtividade e resultado são três perguntas diferentes. Aprenda a separá-las.
⏱ 5 minCapítulo 2 / 18
2.1A reorganização já acontece
Dois relatos da linha de frente
São relatos de fornecedores sobre experiências específicas — não previsões para a sua organização. Seu valor é mostrar que dirigir agentes e redesenhar o sistema de produção já são trabalho de engenharia.
Anthropic · out. 2026
Mudanças integradas por dia
Maio~2,500
Setembro30,000+
O gargalo passou à infraestrutura de desenvolvimento, e o controle de versões foi redesenhado. A lição transferível é investigar o seu gargalo efetivo — não substituir o Git. [F39]
2.2Três perguntas que precisam ficar separadas
Capacidade ≠ produtividade ≠ resultado
Uma demonstração responde se um agente consegue fazer algo. Não diz se seu processo ficou mais eficiente — nem se algo importante melhorou. Classifique cada afirmação pela pergunta que ela realmente responde.
Três perguntas que precisam ficar separadas
1 / 7 · Pontuação 0Um agente corrige um bug de ponta a ponta numa demonstração ao vivo.
2.3O que a pesquisa sustenta
Cinco estudos, cinco tipos de evidência
Cada estudo responde a uma pergunta mais estreita do que a manchete sugere. Abra cada um para ver o que ele sustenta — e onde estão seus limites.
4.867
desenvolvedores em três experimentos de campo randomizados (2025)
26,08%
mais tarefas concluídas (estimativa combinada, erro-padrão de 10,3 p.p.)
~400.000
sessões de programação com agentes analisadas pela Anthropic (out. 2025–abr. 2026)
260
configurações de sistemas de agentes testadas em seis benchmarks
2.4A implicação para a carreira
Onde investir sua competência
As evidências convergem para alguns pontos onde a competência humana faz a IA render. Este curso transforma essa convergência em currículo — sem atribuir a qualquer estudo a validação de todo ele.
- Domínio do problema
- Contexto acessível
- Boas interfaces
- Verificação
- Organização do trabalho
Pontos-chave
- 1
Equipes reais já se reorganizam em torno de agentes; a lição transferível é encontrar o seu gargalo efetivo, não copiar as ferramentas delas.
- 2
Mantenha três perguntas separadas: consegue? (capacidade), ficou mais eficiente? (processo), melhorou o que importa? (resultado).
- 3
Todo estudo tem um escopo: leia os limites com o mesmo cuidado que os números da manchete.
- 4
As evidências apontam para investir em domínio, contexto, interfaces, verificação e organização do trabalho.
Verifique seu entendimento
Pergunta 1 de 3
Um fornecedor mostra um agente concluindo uma migração complexa numa demonstração. Que pergunta isso responde?
Ler a seção completa do relatório originalO texto integral — com todas as fontes e nuances.
2.1. Há experiências presentes de reorganização profunda
Em fevereiro de 2026, a OpenAI descreveu uma equipe que construiu um produto em beta usando agentes para gerar aplicação, testes, documentação, infraestrutura e ferramentas. O trabalho humano se concentrou em preparar o ambiente, especificar intenção e construir feedback. É um relato técnico do fornecedor sobre uma experiência específica; seus ganhos estimados não constituem uma previsão para qualquer organização. F06
Em outubro de 2026, a Anthropic relatou que seu volume de mudanças integradas cresceu de aproximadamente 2.500 por dia, em maio, para mais de 30.000, em setembro. O gargalo passou à infraestrutura de desenvolvimento, e a empresa redesenhou seu controle de versões. Os autores ressaltam a excepcionalidade da carga. A lição transferível é investigar o gargalo efetivo; a experiência não implica que outras equipes devam substituir Git. F39
Esses casos tornam concreto o ponto do manifesto: dirigir agentes e redesenhar o sistema de produção já são atividades de engenharia. O resultado depende da capacidade de transformar velocidade local em um processo confiável.
2.2. A pesquisa distingue capacidade, produtividade e resultado
| Evidência | O que foi estudado | O que ela sustenta | Limite relevante |
|---|---|---|---|
| DORA 2025 | Quase 5.000 respondentes e mais de 100 horas de investigação qualitativa | IA amplifica capacidades e dificuldades organizacionais; o ambiente de trabalho importa | Pesquisa observacional e relatos; não fornece um multiplicador causal universal. F03 |
| Três experimentos de campo, 2025 | 4.867 desenvolvedores em três empresas; acesso aleatório a assistente de código | A análise combinada estimou 26,08% mais tarefas concluídas, com erro-padrão de 10,3 pontos percentuais | Ferramentas e tarefas da época; tarefas concluídas não medem todo o valor ou a qualidade de um produto. F09 |
| DORA, março de 2026 | Análise de 1.110 respostas abertas de engenheiros Google sobre o terceiro trimestre de 2025 | A aceleração da geração pode deslocar esforço para auditoria e verificação | Um contexto organizacional e dados qualitativos; não é medição causal do fluxo completo. F05 |
| Anthropic, junho de 2026 | Cerca de 400 mil sessões de aproximadamente 235 mil pessoas, de outubro de 2025 a abril de 2026 | Expertise de domínio se associa a maior sucesso; decisões humanas se concentram mais no planejamento que na execução | Estudo do fornecedor, com classificação de sessões; sucesso local não comprova qualidade longitudinal em produção. F08 |
| Kim e colaboradores, revisão de abril de 2026 | 260 configurações em seis benchmarks de agentes | A estrutura das tarefas e a coordenação afetam o benefício do uso de múltiplos agentes | Preprint experimental; seus percentuais não são estimativas de produtividade de equipes. F21 |
É necessário manter separadas três perguntas: o agente consegue fazer a tarefa?; o processo ficou mais eficiente?; o resultado melhorou algo importante? Uma demonstração de capacidade responde à primeira. Para responder às outras, precisamos observar custo, tempo, qualidade, retrabalho e efeito no usuário.
2.3. A implicação para a carreira
O resultado mais útil dessa literatura para o engenheiro é a identificação de onde investir competência. As evidências apontam para domínio do problema, contexto acessível, boas interfaces, verificação e organização do trabalho. Este relatório transforma essa convergência em um currículo prático, sem atribuir a qualquer estudo a validação de todo o currículo.
Também precisamos atualizar a maneira de medir. Em fevereiro de 2026, a METR explicou que seleção de participantes e tarefas, mudanças na remuneração e uso simultâneo de agentes dificultavam interpretar sua nova rodada de experimentos. Esse caso mostra por que tempo humano, duração de uma execução e trabalho concorrente precisam ser distinguidos. Um resultado de uma geração anterior de ferramentas não deve funcionar como retrato permanente da profissão. F10
O horizonte de ação, portanto, é o trabalho atual: experimentar em tarefas reais, medir consequências e modificar o processo. A pesquisa serve para tornar essa adaptação mais competente.