O que mudou na rotina de quem desenvolve com IA
A chegada dos grandes modelos de linguagem (LLMs) virou de cabeça para baixo a forma como engenheiros de software organizam o próprio trabalho. Antes, a distribuição de tempo de um desenvolvedor em um projeto técnico era algo como 70% escrevendo código, 15% em reuniões e 15% testando. Agora, quem trabalha com agentes de IA — como Claude Code e Codex — relata que o tempo de escrita de código praticamente zerou: no lugar, entrou o trabalho de instruir agentes.
Um artigo recente do Towards Data Science, escrito pelo engenheiro Eivind Kjosbakken, detalha essa nova distribuição: cerca de 30% do tempo instruindo agentes, 10% em reuniões, 30% testando e outros 30% “livres” para explorar novas ideias, ler sobre novos temas ou simplesmente disparar mais agentes em paralelo. A conclusão prática é direta: como aquilo em que gastamos tempo mudou, a forma de gerenciar projetos também precisa mudar.
Mapear o trabalho antes de acionar o agente
O primeiro conselho do artigo é investir mais tempo em mapear a tarefa antes de delegá-la. Quando uma tarefa chega com ambiguidades não resolvidas — seja um bug reportado no Slack ou uma feature nova — o agente tende a parar várias vezes no meio do caminho para perguntar o que fazer. Cada parada exige a sua intervenção e quebra a autonomia.
O autor sugere um fluxo em duas etapas: primeiro, pensar (ou debater com um próprio LLM) quais ambiguidades precisam ser esclarecidas; depois, pedir que o agente liste todas essas ambiguidades em um relatório HTML e revisar cada uma, registrando suas preferências. Com isso, o agente consegue trabalhar de forma autônoma por períodos longos — normalmente até o código chegar à branch de desenvolvimento.
O comando /goal como “gancho” de conclusão
Um segundo ponto é o uso do comando /goal, disponível em ferramentas como o Claude Code. Ele funciona como um gancho que dispara toda vez que o agente declara que terminou o trabalho, forçando-o a refletir se realmente concluiu tudo o que foi pedido. Se não concluiu, o agente continua trabalhando até resolver.
O autor relata que, sem o /goal, modelos recentes às vezes “entregam” o trabalho incompleto — comportamento que ele classifica como certa “preguiça” em comparação com versões anteriores. O comando é, na prática, uma forma barata de manter o agente no trilho em tarefas longas.
Testar se tornou o novo gargalo
Como há muito mais código sendo gerado, testar virou o novo gargalo. A recomendação é automatizar ao máximo essa etapa — e a técnica que o autor descreve é expor o Playwright MCP aos agentes de código. Isso permite que o próprio agente suba um servidor local, acesse o navegador e teste a aplicação de ponta a ponta: clicar em um botão e verificar se cai em uma página 404, ou conferir se o comportamento esperado realmente acontece.
Para isso funcionar, é essencial definir com clareza, antes de delegar, o que conta como tarefa concluída com sucesso — senão o agente não tem critério objetivo para saber se acertou.
O que levar para o seu dia a dia
Para equipes brasileiras que estão começando a adotar agentes de IA no desenvolvimento, o artigo oferece um roteiro concreto: (1) gaste mais tempo no planejamento prévio da tarefa; (2) resolva ambiguidades antes de acionar o agente; (3) use ganchos de conclusão como o /goal para evitar entregas incompletas; e (4) automatize os testes com ferramentas de interação com o navegador. O ponto central é não ficar preso à gestão de projetos do “mundo pré-LLM” — quem repensa o fluxo inteiro captura mais produtividade.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
