O que mudou de verdade em 12 meses de agentes de IA no meu trabalho
Não é hype — é a rotina. O que ficou, o que falhou, e o que ninguém estava esperando que acontecesse quando agentes de IA viraram parte do trabalho diário de plataforma.
Doze meses atrás, eu testava agentes de IA como curiosidade. Hoje eles são parte da minha rotina de trabalho em plataforma. Não como substituto — como colaborador. E a diferença entre o que eu esperava e o que aconteceu de verdade merece ser dita com clareza.
O primeiro grande ajuste foi de expectativa de velocidade. Eu achava que o ganho seria proporcional: mais IA, mais rápido em tudo. Não é assim. O ganho é assimétrico. Tarefas que eu levaria 40 minutos fazendo com atenção cheia — escrever um Terraform module do zero, gerar boilerplate de uma nova integração, criar um diagrama de sequência de um fluxo de autenticação — ficaram com 8 minutos. Tarefas de julgamento profundo — revisar uma decisão de arquitetura, diagnosticar um incidente de resiliência, calibrar um SLO com o time — continuam levando o mesmo tempo. Às vezes mais, porque agora tenho mais espaço mental para pensar com mais rigor.
O segundo ajuste foi entender onde agentes falham. Eles falham em contexto implícito. Quando o problema exige conhecimento de como o nosso sistema específico foi construído, quais são os trade-offs que fizemos há dois anos, quais são as restrições não escritas que existem por razões históricas — eles erram. Erram com confiança, o que é o pior tipo de erro. Aprendi a checar o output não na velocidade que a resposta chega, mas na velocidade que eu conseguiria verificar. Se eu não tenho como checar, não uso agente para aquela parte.
Isso levou a uma prática que adotei: separar tarefas em "verificáveis em 2 minutos" e "verificáveis em 2 horas". A primeira categoria virou terreno natural para agentes. A segunda continua sendo minha.
A terceira mudança foi cultural, e essa eu não esperava. Quando você trabalha com agentes no dia a dia, você começa a pensar diferente sobre documentação. O que antes era um artefato de onboarding — README, ADR, runbook — virou contexto de trabalho para os agentes. A qualidade da documentação passou a afetar diretamente a qualidade do output que eu consigo. Isso criou um incentivo que nenhuma política de "escreva mais docs" conseguiu criar antes: escrever bem passa a ser instrumentalmente útil no imediato, não só no longo prazo.
No time de plataforma, isso se traduziu em uma coisa concreta: ADRs ficaram melhores, porque os engineers viram que ADRs claros produzem melhores sugestões de IA. É estranho como o incentivo certo surgiu de um lugar inesperado.
O que não mudou é mais revelador do que o que mudou. Revisões de design continuam sendo conversas entre pessoas. Decisões de priorização continuam sendo julgamento humano. Incidentes de produção continuam exigindo alguém que conhece o sistema e assume a responsabilidade. Nenhum agente assume accountability — e essa é uma propriedade essencial, não uma limitação temporária.
Depois de 12 meses, o que eu diria para alguém começando agora: não tente usar IA em tudo de uma vez. Escolha uma categoria de tarefa. Aprenda o limite dela naquela categoria. Depois expanda. O erro mais comum que vi no time foi tentar usar agentes para decisões que precisam de julgamento, e depois concluir que "IA não serve pra isso" — quando o problema era aplicação errada, não a ferramenta.
A ferramenta serve. O julgamento de onde usá-la continua sendo seu.
Essa semana: Escolha uma tarefa recorrente que você faz toda semana. Delegue para um agente de IA por 3 tentativas seguidas. Anote o que ficou bom, o que precisou de correção e o que você preferiu fazer sozinho. Esse mapa pessoal é mais útil do que qualquer guia geral.