22 postagens marcadas com "AI"

Imagine um engenheiro revisando um pull request gerado por um agente. Ele altera o cliente de pagamentos, a configuração de novas tentativas, os testes e a documentação de implantação. O engenheiro aprendeu a trabalhar de outra forma: acompanhar a solicitação que falhou pelos logs, reproduzir o problema, editar cada arquivo e construir confiança um passo deliberado de cada vez. Agora a solução proposta já está na tela.

A primeira reação não é necessariamente entusiasmo nem desconfiança. Pode ser simplesmente: "Não era assim que eu costumava fazer essa tarefa". Nesta cena ilustrativa, o desconforto não tem a ver com a capacidade do engenheiro de ler o código. Tem a ver com não ter vivido a experiência de construí-lo. Um caminho conhecido até a compreensão foi encurtado, mas compreender continua sendo necessário.

Essa tensão vai muito além do software. Quando uma ferramenta produz o trabalho que antes demonstrava nossa competência, precisamos separar o método da responsabilidade. A mudança útil não é "faça tudo você mesmo" nem "deixe o agente cuidar de tudo". É um princípio mais exigente e duradouro: aproveite o ganho de capacidade, assuma a responsabilidade pela verificação.

Agentes não eliminam a fricção da entrega​

Agentes de IA podem ler um repositório, escrever código, executar testes e abrir um pull request. Essa é uma capacidade impressionante, mas não torna o sistema de engenharia ao redor mais fácil de navegar. Ela torna cada inconsistência desse sistema mais fácil de reproduzir em alta velocidade.

Um agente com acesso a um ambiente grande e sem documentação enfrenta as mesmas perguntas que um novo engenheiro: qual modelo é aprovado? Como um serviço é implantado? De onde vêm os segredos? Quais verificações são obrigatórias? Quem é responsável por esta dependência? O que é seguro alterar? Um modelo capaz pode inferir algumas respostas, mas inferência não é um modelo operacional confiável para software de produção.

Na sexta-feira, 17 de julho de 2026, apresentei um webinar no canal do YouTube da Microsoft Reactor chamado Agentic DevOps Meets Accessibility: Inclusive Delivery with AI & Agents. A gravação já está disponível para você assistir quando quiser. A sessão é em inglês.

A verdadeira mudança não é aprender menos, é aprender de forma diferente​

Toda vez que uma nova tecnologia torna a informação mais fácil de alcançar, a mesma preocupação ressurge: as pessoas vão parar de aprender por completo? Supostamente as calculadoras tornariam a aritmética desnecessária. Supostamente os mecanismos de busca tornariam desnecessário memorizar fatos. A IA agora levanta a mesma pergunta, em uma escala muito maior, porque consegue explicar um conceito, redigir um ensaio e realizar tarefas de vários passos por conta própria.

A preocupação interpreta mal o que realmente está mudando. A IA está transformando a rapidez com que as pessoas conseguem acessar informações e produzir um primeiro rascunho de resposta. Ela não está transformando o processo subjacente pelo qual um ser humano constrói compreensão real, desenvolve julgamento ou se torna capaz de resolver problemas que nunca viu antes. Esse processo continua lento, exige esforço e continua profundamente humano.

Por que entender ainda importa quando a IA pode escrever o código​

Nunca foi tão fácil transformar uma ideia em software funcional. Descreva o que você quer em linguagem simples, e uma ferramenta de IA pode gerar uma página web, um script, uma integração com API ou até um agente de múltiplas etapas que executa ações em seu nome. Para quem já se sentiu excluído do software por não saber programar, essa mudança é real e bem-vinda.

Mas existe uma diferença entre software que funciona e software que você entende. A IA pode produzir o primeiro em segundos. Só você pode produzir o segundo, e apenas se souber o suficiente sobre como o software realmente funciona para ler o que a IA te entregou, questioná-lo e corrigi-lo quando estiver errado.

Por que o próximo capítulo do FinOps não é sobre encontrar um modelo mais barato. É sobre projetar sistemas que não desperdicem os tokens que já pagam.

Um líder financeiro abre a fatura mensal da plataforma de IA da empresa e encontra um número que não corresponde a nenhuma história que alguém consiga contar. O uso cresceu de forma moderada. A fatura cresceu de forma acentuada. Ninguém trocou para um modelo mais caro. Ninguém aprovou uma nova integração que alguém se lembre. O item simplesmente cresceu por conta própria, da mesma maneira que as faturas de nuvem costumavam crescer antes de alguém construir uma disciplina para acompanhá-las.

Pergunte à equipe de engenharia o que aconteceu e a resposta raramente tem uma única causa. São cem pequenas decisões: um prompt de sistema que cresceu toda vez que alguém incluiu uma nova regra, uma etapa de recuperação que busca dez documentos quando dois bastariam, um agente que tenta de novo uma chamada de ferramenta com falha cinco vezes antes de desistir, um fluxo de trabalho que passa uma conversa entre três agentes especializados e reenvia todo o histórico a cada transferência. Nenhuma dessas decisões parecia cara isoladamente. Juntas, elas são a fatura.

O gargalo se moveu e a maioria das equipes não percebeu​

Por décadas, escrever código foi a parte cara. Lê-lo era quase de graça em comparação. Um desenvolvedor passava horas produzindo uma alteração e um revisor passava minutos confirmando-a. Essa proporção moldou tudo: nossas ferramentas, nossos processos e nossa noção de quem estava ocupado e quem estava esperando.

Os agentes inverteram essa proporção. Um agente capaz agora produz uma branch completa com código, testes e documentação no tempo que leva para escrever uma boa descrição da tarefa. Escrever ficou barato. Ler não.

Oito blocos de construção que transformam um modelo capaz em um sistema que entrega trabalho real: agentes, subagentes, habilidades, contexto, memória, prompts, notebooks e projetos.

A maioria acredita que está usando IA generativa quando abre uma janela de chat e digita uma pergunta. Está usando a parte menos interessante de tudo isso. O chat é a porta de entrada, não a casa.

Na sexta-feira, 12 de junho de 2026, apresentei um webinar no canal do YouTube da Microsoft Reactor chamado DevOps Foundations for the AI Agentic Era. A gravação já está disponível para você assistir quando quiser. A sessão é em inglês.

Decidir como construir um app móvel ou de dispositivo costumava ser uma decisão contida. Escolher as plataformas, pesar nativo contra multiplataforma, considerar as habilidades da equipe e escolher um framework. Os trade-offs eram principalmente sobre desempenho em tempo de execução, contratação e quanto código realmente dava para compartilhar.

Duas coisas mudaram esse cenário. Primeiro, o cenário de plataformas amadureceu: SwiftUI, Jetpack Compose, WinUI 3, .NET MAUI, a New Architecture do React Native, Flutter com Impeller e Kotlin Multiplatform atingiram um nível de estabilidade que permite uma comparação limpa. Segundo, os agentes de IA agora fazem parte da rotina diária da maioria das equipes. Eles não apenas completam código; eles leem repositórios, resumem APIs desconhecidas, geram scaffolding e encurtam o caminho entre "nunca usei esse framework" e "já entreguei algo com ele". Isso muda como a decisão de framework deve ser feita.

Este guia percorre as opções realistas para iOS, Android, Windows e Xbox, os principais frameworks multiplataforma e os prós e contras de cada um em 2026.