--- title: "Toda empresa de software vai virar uma empresa de ferramentas para desenvolvedores, aponta nova tendência" author: "Ignácio Afonso" date: "2026-08-06 07:15:00-03" category: "Tecnologia & Desenvolvimento" url: "http://desbugados.scale.press/portal/desbugados/post/2026/08/06/toda-empresa-de-software-vai-virar-uma-empresa-de-ferramentas-para-desenvolvedores-aponta-nova-tendencia/md" --- ## Resumo - A fórmula Agente = Modelo + Arnês, definida por Mitchell Hashimoto e formalizada pela OpenAI, redefine o que é um agente de IA para código, enfatizando a infraestrutura de controle. - Harness engineering é a disciplina de projetar guias (controles preeditivos como prompts e arquivos AGENTS.md) e sensores (controles corretivos como validações e testes) para agentes de IA. - Empresas como Stripe, Shopify e Airbnb já implementam arneses em larga escala, com resultados como 1.000+ pull requests por semana na Stripe e pipelines automatizados de migração de código na Airbnb. - A escala industrial é real: projetos como OpenClaw registram 6.600+ commits por mês com agentes, e a OpenAI relatou cinco meses de produção com zero linhas escritas manualmente. - Desafios persistem, incluindo alta taxa de falha em projetos de agentes (88% nunca chegam à produção) e riscos de segurança, com código de IA introduzindo 10.000+ vulnerabilidades por mês em alguns casos. - A transição redefine o papel do engenheiro, que agora projeta e mantém os arneses, uma mudança análoga à automação industrial do século XX. - O futuro aponta para platform engineering com uma camada de IA, onde a construção de ferramentas internas se torna o centro da estratégia de desenvolvimento de software. --- Há uma revolução silenciosa acontecendo nos bastidores da indústria de software. Enquanto muitos discutem se a inteligência artificial substituirá os programadores, uma transformação mais profunda já está em andamento: cada empresa que produz software está, na prática, se tornando uma empresa de ferramentas para desenvolvedores. Essa mudança não é sobre vender IDEs ou editores de código, mas sobre redirecionar esforços e recursos para construir as infraestruturas internas que permitem que agentes de IA gerem código de forma segura e eficiente. O novo foco se chama platform engineering, e sua evolução mais recente recebe um nome específico: **harness engineering**. ## A fórmula que redefine o desenvolvimento: Agente é modelo mais arnês Para entender essa revolução, precisamos decompor o que é um agente de IA que escreve código. Segundo uma definição que ganhou tração em 2026, atribuída a **Mitchell Hashimoto** e formalizada em uma publicação da **OpenAI** por **Ryan Lopopolo**, um agente de IA não é apenas o modelo de linguagem. A fórmula é clara: **Agente = Modelo + Arnês**. O modelo é a inteligência, o "cérebro" que gera texto e código. O arnês (harness, em inglês) é todo o restante: a infraestrutura de controle, contexto e ferramentas que envolve o modelo e dita como ele deve se comportar. É o arnês que garante que o código gerado seja útil, seguro e alinhado com as regras do projeto. Sem um arnês bem construído, o agente é como um estagiário brilhante, mas sem orientação nenhuma, solto em um repositório de código gigante com a liberdade de alterar o que quiser. O resultado, como mostram as estatísticas, é frequentemente caótico: um guia da **Atlan** publicado em abril de 2026 cita que **88% dos projetos de agentes de IA nunca chegam à produção**, e **27% das falhas** estão ligadas diretamente à qualidade dos dados fornecidos ao agente. ## Guilhotinas e sensores: os dois pilares do controle O arnês não é um monólito. Uma análise publicada por **Birgitta Böckeler** no site de **Martin Fowler** em abril de 2026 detalha sua arquitetura em dois componentes principais: guias (guides) e sensores (sensors). Os guias são controles do tipo "feedforward", ou seja, eles antecipam e direcionam o agente antes que ele aja. Pense neles como as instruções de voo dadas a um piloto antes da decolagem. Eles incluem prompts de sistema detalhados, arquivos de convenção como **AGENTS.md** (usado pelo **OpenAI Codex** com 88 arquivos, pelo **Claude** com o arquivo **CLAUDE.md**, e por ferramentas como **Cursor** e **GitHub Copilot** com seus respectivos arquivos de regras), e documentos de restrição arquitetural. Os sensores, por outro lado, são controles de "feedback". Eles observam o que o agente produz e corrigem erros antes que cheguem a um humano. São pipelines de validação, testes automatizados, verificadores de sintaxe e semântica, e detectores de "drift" (desvios do comportamento esperado). A combinação desses dois pilares cria um ciclo de autocorreção, onde o agente tenta, falha, recebe um sinal estruturado de erro, e tenta novamente, tudo isso de forma autônoma e em questão de segundos. ## Casos reais: como gigantes da tecnologia constroem seus arneses Essa teoria já se materializa em resultados concretos nas maiores empresas de tecnologia. Um relatório detalhado do **MindStudio** de março de 2026 revela como **Stripe**, **Shopify** e **Airbnb** implementaram seus próprios sistemas de arnês. Na **Stripe**, a abordagem é a "documentação como contrato". Cada agente recebe, como contexto, a documentação técnica oficial da API como um conjunto de regras invioláveis. A geração de código segue uma lógica de "validação primeiro": o agente primeiro define os critérios de sucesso e só então gera o código, recebendo feedback estruturado se falhar. O escopo de cada agente é propositalmente estreito para reduzir complexidade. Na **Shopify**, o sistema **Sidekick**, voltado a lojistas, utiliza agentes especializados. Para desenvolvedores que usam o framework **Hydrogen**, a empresa injeta o contexto específico do projeto diretamente no agente e mantém pipelines de avaliação que comparam a saída do agente com "ground truth" (a resposta considerada correta) e testes de regressão. A **Airbnb**, por sua vez, construiu um pipeline notável para migrar código de **JavaScript** para **TypeScript**. O processo é dividido em etapas automatizadas: classificação do código, extração de contexto, transformação e validação final usando o compilador e os testes existentes. Quando a validação falha, o sistema gera um erro estruturado, tenta uma nova abordagem e, só após múltiplas tentativas, escala para um revisor humano. ## A escala industrial da geração de código Os números dessa operação em escala são impressionantes e mostram que o volume de código gerado por IA já atingiu proporções industriais. O guia da **Atlan** cita exemplos como o projeto **OpenClaw**, que registrou mais de **6.600 commits por mês** utilizando entre 5 e 10 agentes, e o sistema **Minions** da **Stripe**, que processa mais de **1.000 pull requests por semana**. A própria **OpenAI** relatou em sua publicação de fevereiro de 2026 ter enviado para produção uma aplicação com **zero linhas de código escritas manualmente** ao longo de cinco meses. Esses números não significam que os engenheiros humanos ficaram ociosos. Significa que seu trabalho mudou de natureza. Em vez de escrever cada linha, eles agora projetam, mantêm e iteram sobre os arneses que guiam os agentes. É uma transição análoga à que aconteceu nas fábricas no século XX: o operário que antes apertava parafusos agora projeta e supervisiona os robôs que apertam parafusos. ## O desafio da legibilidade e a nova segurança Nem tudo são flores nessa transição. A análise da **Augment Code** de abril de 2026 aponta um paradoxo preocupante: embora a adoção de IA esteja correlacionada com maior velocidade de entrega (throughput), ela também se correlaciona com maior instabilidade, conforme o relatório **DORA**. A segurança é uma área crítica. Uma análise da **Apiiro** de meados de 2025 revelou que o código gerado por IA estava introduzindo mais de **10.000 novas vulnerabilidades de segurança por mês** em projetos analisados. Isso reforça a importância dos "sensores" no arnês, especialmente as validações semânticas e as portas de segurança (quality gates) que todo código gerado deve atravessar antes de ser integrado. Além disso, a "harnessability" — a facilidade de se construir um arnês eficaz — varia drasticamente dependendo do estado do código. Projetos novos (greenfield) são muito mais fáceis de instrumentar do que sistemas legados (legacy) com décadas de código espaguete e dependências obscuras, um desafio que qualquer um que já trabalhou com **COBOL** em mainframes conhece bem. ## O futuro é platform engineering com camada de IA A conclusão do artigo do **New Stack** de agosto de 2026 é categórica: a engenharia de arnês, ou loop engineering, nada mais é do que platform engineering — a disciplina de construir ferramentas e fluxos de trabalho compartilhados para que as equipes de engenharia se sirvam — só que com uma camada específica para IA. Isso significa que a construção de ferramentas internas deixa de ser um "nice to have" ou um time de suporte para se tornar o centro nevrálgico da estratégia de desenvolvimento de qualquer empresa de software. A pergunta não é mais "se", mas "como" e "quão rápido" sua empresa vai construir seus próprios arneses. Aqueles que dominarem essa arte não apenas gerarão código mais rápido; eles terão a capacidade de escalar a inteligência de seus melhores engenheiros, encapsulando-a em sistemas de controle que podem operar 24 horas por dia, sete dias por semana, com um nível de consistência que equipes humanas, por maiores que sejam, jamais conseguiriam replicar.