Faça a IA acelerar a entrega, não só a digitação

Em um piloto de três meses eu construo um AI SDLC com um dos seus times. Os agentes entram em como o trabalho é especificado, escrito, revisado e entregue. Medimos o que mudou em velocidade e qualidade e preparamos o processo para os demais times.

Conversar sobre um piloto

Como funciona o piloto

A IA escreve código mais rápido. A entrega quase não anda.

Seus engenheiros já usam Cursor, Claude Code ou Codex e fecham tickets isolados mais rápido. O time como um todo entrega quase no mesmo ritmo.

Cada engenheiro tem seu próprio setup de IA

Prompts, ferramentas e truques vivem em configurações pessoais. O que funciona para um nunca chega ao próximo time.

O gargalo desce a esteira

O código aparece mais rápido, então especificação, revisão, testes, retrabalho, aprovações e release ocupam uma fatia maior de cada ticket.

Os agentes trabalham às cegas

Os requisitos estão no Jira, as decisões no Confluence e na cabeça das pessoas, as convenções em revisões antigas. O agente não vê nada disso.

Ninguém sabe dizer se funcionou

Mais pull requests, mais linhas. Mas o lead time caiu? Há menos rollbacks, menos retrabalho? Sem uma linha de base, ninguém sabe.

Digitar mais rápido não basta. É preciso refazer todo o caminho de uma tarefa, do requisito à produção.

Quatro níveis de adoção de IA. A maioria dos times está no primeiro.

Todos começam com ferramentas pessoais, e a maioria trava no passo seguinte. Ir do nível um ao três muda como o trabalho é especificado e aceito. Um modelo mais forte não faz isso por você.

  1. Nível 1 · Assistente de IA

    A IA ajuda o engenheiro

    Autocomplete, chat, scripts e testes pontuais no Cursor ou no Claude Code. Uma pessoa fica mais rápida.

    Engenheiro mais rápido

  2. Nível 2 · Desenvolvimento com agentes

    O engenheiro dirige agentes

    Um agente recebe uma tarefa com contexto e faz a maior parte da mudança. O engenheiro define a tarefa e aceita o resultado, escrevendo bem menos código à mão.

    O agente escreve o código

  3. Nível 3 · AI SDLC

    Agentes em todo o ciclo

    Especificações, agentes especializados e quality gates formam um único processo do requisito à produção. Pessoas conferem o trabalho em pontos de controle definidos. Todo o caminho até o release fica mais rápido.

    Time mais rápidoMeta do piloto

  4. Nível 4 · Organização AI-native

    Um processo para toda a engenharia

    Os times compartilham conhecimento, regras, agentes, gates e métricas. Um time novo começa já em um processo que funciona.

    Base de engenharia comum

O diagnóstico mostra onde você está e qual passo compensa neste ano. Pular um nível não funciona.

O harness: onde seu time e os agentes trabalham juntos

A especificação vira o artefato principal de uma tarefa. Os agentes escrevem código a partir dela; as pessoas definem os limites e aceitam o resultado. O trabalho de um agente é verificado por outro. Se uma verificação falhar três vezes seguidas, uma pessoa assume.

Quality gatesci / review
Especificaçõesspecs
Base de conhecimentodocs / adr
Regras e limitesagent rules
Seu repositóriogit
Quatro camadas sobre o seu código
Quality gates
Mudanças rotineiras são verificadas automaticamente. Onde um erro custa caro, uma pessoa revisa o código.
Especificações
Os critérios de aceite estão ligados a testes, então o agente não inventa requisitos.
Base de conhecimento
Mapa de arquitetura, contratos e registro de decisões, versionados no git ao lado do código.
Regras e limites
Instruções para os agentes sob medida para sua stack e seu código. Configurações de linters e CI são caminhos protegidos que os agentes não podem alterar.

Cinco passos: do diagnóstico à entrega do processo ao seu time

  1. Diagnóstico

    Mapeio como sua entrega funciona de verdade. Repositórios, arquitetura e onde as tarefas são definidas — num Jira do qual não dá para sair ou em especificações markdown no repositório.

    Registramos métricas de partida para que, em três meses, o resultado seja um número e não uma impressão.

    2 semanas

  2. Primeira versão do harness

    Regras, base de conhecimento, especificações e quality gates para a sua stack.

    O harness em si leva dias. O resto é combinar papéis — quem é o dono dele depois do piloto.

    2 semanas

  3. Lançamento

    O time piloto passa duas ou três tarefas reais do backlog pelo ciclo completo — especificação, código do agente, revisão, release. Depois do workshop o time só trabalha do jeito novo.

    Durante o piloto os KPIs de defeitos ficam pausados para que ninguém tenha medo de tentar.

    Workshop

  4. Acompanhamento

    Estou no chat do seu time. O git mostra onde o agente trabalhou e onde uma pessoa corrigiu código à mão. Cada correção é analisada e vira uma regra do harness.

    Uma correção à mão traz o mesmo erro de volta na próxima tarefa. Corrija a regra ou a verificação que deixou o erro passar.

    2–3 meses

  5. Resultados e passagem

    Comparamos métricas DORA e de IA com a linha de base — quantas decisões os agentes tomam e como isso afeta a qualidade.

    De um a três engenheiros seus aprendem desde o primeiro dia como time interno do harness. Eles mesmos lançam o próximo time.

    Revisão

O que fica com você

Tudo vive no seu repositório como parte do código e continua funcionando depois do piloto.

  • Base de conhecimento e mapa de arquitetura
  • Registro de decisões (ADR) como hábito do time
  • Templates de prompt para tarefas recorrentes
  • Política de code review com IA
  • Checklist de quality gates por tipo de tarefa
  • Time interno do harness: 1–3 pessoas

Como é um processo maduro

Dois sistemas que eu construí e opero. Os dois rodam em produção, e cada mecanismo abaixo existe em código.

Briefly: uma redação sem editor humano

Produto próprio · publicação multilíngue

O Briefly publica resumos sobre IA, software e segurança em inglês, espanhol, russo e português. Nenhuma pessoa aprova um post. Um agente Writer redige, um agente Reviewer confere cada item com as fontes e o Dagu executa cada passo como um job idempotente.

  1. Fontes
  2. Writer
  3. Reviewer
  4. 4 idiomas
  5. Publicação
achados bloqueantes voltam ao Writer — no máximo três reescritas, depois o passo falha

Retentativas vivem fora do serviço

O serviço nunca tenta de novo por conta própria. O Dagu reexecuta um passo que falhou, o que é seguro porque cada passo é idempotente.

As decisões estão no git

Cada decisão de arquitetura é um ADR no repositório. Pessoas e agentes leem os mesmos motivos.

Como um erro virou regra

  1. Sintoma. Uma edição em português precisou de 15 ciclos Writer/Reviewer em quatro execuções.
  2. Dados, não palpite. O log de revisão mostrou o Reviewer rejeitando estrangeirismos comuns como “offline” e “hub”, ao lado de um erro real — um professor virou pesquisador.
  3. Causa. Qualquer comentário de estilo bloqueava a publicação, e uma reescrita completa resolvia uma queixa enquanto quebrava outro item.
  4. Regra no harness. Os achados agora são bloqueantes ou consultivos. Só erros de fato e de fidelidade bloqueiam, e quem decide a aprovação é o código, não o modelo.
  5. Cada edição seguinte. A regra é um ADR e um schema de resposta, então todas as edições posteriores rodam sob ela.

A correção foi para o harness, não para um artigo.

Factory: entram issues do GitHub, saem pull requests revisados

Ferramenta própria · fábrica de software

Uma fábrica de agentes self-hosted sobre o Dagu. Eu abro um objetivo como issue; um agente planejador o divide em tarefas, um agente programador abre um pull request por tarefa, e agentes separados revisam, testam e julgam. O GitHub é a única fonte de verdade sobre o estado. A fábrica também desenvolve a si mesma.

  1. Planner
  2. Revisão do dono
  3. Coder
  4. Review · QA · Judge
  5. Revisão do dono
achados voltam ao programador como uma rodada de retrabalho

O autor nunca confere o próprio trabalho

Review, QA e o merge gate são papéis separados. Os vereditos ficam presos ao commit head do pull request, e os gates são verificados pelo código, não pela palavra de um agente.

Agentes não afrouxam as regras

Configurações de linters e CI são caminhos protegidos. Qualquer edição de um agente nelas é revertida antes do push.

Como um erro vira lição

  1. Sintoma. Quatro pull requests seguidos falharam no QA, embora a verificação do projeto passasse.
  2. Causa. O planejador escrevia comandos de validação com sintaxe de shell que quebra sob sh -c.
  3. Lição. Um agente de retro registrou isso em docs/lessons.md com evidências — a regra, os pull requests e o que observar.
  4. Próximo objetivo. O planejador lê as lições antes de planejar, então o erro não volta.

As lições têm um ciclo de vida: aberta, aplicada, verificada — ou reaberta com novas evidências.

Cinco princípios

Seu time constrói o harness

Não existe uma caixa para instalar. Seus engenheiros constroem os agentes e as regras comigo, para a stack e o código deles. O que um time construiu, ele mantém.

Tudo fica com você

Base de conhecimento, registro de decisões, templates de prompt e políticas vivem no seu repositório e continuam funcionando depois do piloto.

Verificação proporcional ao impacto

Uma mudança dentro de um módulo passa por gates automáticos. Uma mudança que afeta outros times vai para revisão de arquitetura.

Edite instruções, não resultados

A grande mudança para o engenheiro — ele edita as instruções dos agentes e o código sai delas. Corrigir à mão o código de um agente é como corrigir um binário depois do compilador.

Um caminho só, falha rápida

Sem fallbacks silenciosos nem retentativas escondidas. Quando algo quebra, para com um diagnóstico e uma pessoa decide o próximo passo.

O que eu não prometo

  • Agentes totalmente autônomos em um trimestre. A meta do piloto é um processo estável em um time e pessoas que o levem a outros.
  • Decisões de arquitetura e de estrutura de times continuam com você. Eu trago o processo e os números para elas.

Com quem você trabalha

Michael Kozii

Práticas de engenharia, desenho de harness, sistemas de agentes

Engenheiro backend com doze anos em software comercial, baseado na União Europeia. Senior Backend Engineer em uma grande empresa de produto desde 2022, trabalhando com Go. Antes, cinco anos e meio na Spryker como Senior Backend Engineer e depois Technical Lead — módulos de e-commerce, infraestrutura Docker, integrações com ERP, CRM, PIM e meios de pagamento, e consultoria a clientes sobre a infraestrutura da Spryker. Antes disso, ad tech na Lucky Labs, uma rede RTB com um bilhão de impressões por mês. Constrói e opera sistemas de agentes de IA em produção, incluindo o Briefly e o Factory.

Vamos começar com uma conversa sobre o seu time

Na primeira call vemos como as tarefas são especificadas e construídas hoje, onde a IA já é usada e o que dá para medir. Depois dela fica claro qual harness construir e com qual time começar.

Fale comigo [email protected]