1. O que mudou na indústria de tecnologia em 2026 [8]

thumbnail A indústria de tecnologia passou por mudanças significativas nos últimos 12 meses, impulsionadas principalmente pela ascensão da Inteligência Artificial (IA), que transformou a forma como o código é escrito, as equipes trabalham e as migrações de software são realizadas.

1.1. A IA transformou o desenvolvimento de software [9]

  1. A escrita de código manual está se tornando rara, com a IA gerando quase todo o código [9]
    1. Em janeiro, modelos como Opus 4.5 e GPT 5.2 demonstraram grande capacidade com bases de código, levando a uma rápida adoção. [11]
    2. Em muitas startups, a porcentagem de código gerado por IA, solicitado por engenheiros, está se aproximando de 100%. [12]
  2. Trabalhar com múltiplos agentes de IA é uma prática comum para engenheiros de alto nível [13]
    1. Engenheiros como Boris Cherny da Anthropic e Dima Zatschew da Linear gerenciam de cinco a dez sessões de agentes de IA simultaneamente. [14]
    2. Dima Zatschew descreveu a mudança: "Costumava ser um mundo simples, um mouse, um teclado, uma tela. Você fisicamente não conseguia trabalhar em mais de uma coisa ao mesmo tempo. Mas não, não temos mais essa limitação." [18]
    3. Peter Mattis, cofundador da Cockroach Labs, também realiza tarefas em paralelo com múltiplos agentes. [23]
  3. As IDEs (Ambientes de Desenvolvimento Integrado) tradicionais estão desaparecendo, sendo substituídas por interfaces agênticas [30]
    1. A tendência de uso de IDEs pesadas está em declínio, com ferramentas como Antigravity (rebrand do Windsurf) e Cursor (o maior fork do VS Code) pivotando para interfaces agênticas. [31]
    2. A OpenAI considerou fazer um fork do VS Code para o Codex, mas percebeu que construir o Codex sem uma IDE foi a decisão certa. [34]
    3. A JetBrains, uma marca popular de IDE, está pivotando para o Air, uma estrutura agêntica similar ao Codex. [36]
    4. Kent Beck observou que o contexto para decisões humanas mudou, o que pode explicar o desaparecimento das IDEs. [42]
  4. Empresas de todos os portes estão construindo suas próprias estruturas e plataformas de agentes de IA [44]
    1. Startups, grandes empresas de tecnologia e empresas de médio porte estão desenvolvendo suas próprias estruturas de codificação por IA. [44]
    2. Empresas como Ramp, Stripe, Uber, Google e Meta construíram suas próprias estruturas, muitas vezes para conectar fontes de dados internas. [46]
    3. Algumas dessas estruturas são construídas sobre modelos existentes como Codex, Claude Code e open code. [49]
  5. O trabalho dos desenvolvedores agora começa no Slack, com bots de IA integrados [50]
    1. Na OpenAI, os engenheiros marcam o Codex no Slack para implementar tarefas, pois ele está conectado a todos os sistemas. [51]
    2. A Anthropic faz o mesmo com o Claude, e startups como a Linear estão construindo suas próprias integrações de agentes e bots de IA no Slack. [53]
  6. Fábricas de software agênticas estão se tornando uma realidade, automatizando o desenvolvimento [56]
    1. A OpenAI possui uma fábrica de software agêntica onde agentes atuam com base em entradas e geram pull requests (PRs). [59]
    2. Humanos geralmente revisam os PRs para casos críticos, mas a OpenAI também tem uma fábrica de performance gerenciada por agentes que monitoram a produção e criam PRs para melhorias. [60]
    3. Embora não seja totalmente automatizado, esse modelo representa uma grande mudança na forma como o software é desenvolvido. [62]

1.2. Migrações de software e o papel dos engenheiros [63]

  1. Migrações de software que antes levariam anos agora são concluídas em meses ou semanas com a ajuda da IA [63]
    1. A Anthropic migrou de Zig para Rust com um único engenheiro, um processo que normalmente levaria anos. [63]
    2. A OpenAI está migrando sua API de Python para Rust, com 90% de conclusão em 4-5 meses, esperando terminar em mais alguns meses. [64]
    3. O Airbnb migrou sua biblioteca de testes Enzyme para React Testing Library em seis semanas com assistência de IA. [68]
    4. A Asana fez uma migração similar em cerca de duas semanas, e o Uber migrou do JUnit 4 para o 5 (milhões de linhas de código) em quatro meses. [70]
  2. O número de problemas e pull requests gerados por agentes de IA está em ascensão [78]
    1. Dados da Linear mostram que, pela primeira vez, mais tickets (problemas) são criados por agentes do que por humanos em sua plataforma. [79]
    2. Pull requests feitos apenas por agentes e pull requests revisados apenas por agentes (sem revisão humana) estão aumentando. [82]
    3. Dados do GitHub indicam um aumento de quase 10 vezes nos pull requests gerados por agentes de janeiro a agosto. [85]
  3. O uso de habilidades de IA está se tornando convencional entre os usuários [90]
    1. Dados da Factory AI mostram que mais de 80% de seus usuários utilizam habilidades de IA, um aumento significativo em relação a fevereiro. [91]
  4. Os custos da IA são uma preocupação, mas as grandes empresas estão controlando os gastos [94]
    1. Em maio, empresas como Uber estavam estourando seus orçamentos de IA, e o custo por token estava aumentando. [96]
    2. Em setembro, muitas grandes empresas conseguiram reduzir os gastos por token em cerca de 50% investindo em modelos abertos e roteamento inteligente. [99]
  5. As especializações em engenharia estão desaparecendo, e equipes menores estão se tornando a norma [100]
    1. Solomon Chachary, chefe de engenharia do ChatGPT na OpenAI, observou que a necessidade de engenheiros especializados (como iOS e Android) diminuiu, pois os LLMs permitem que qualquer um faça o trabalho. [101]
    2. Engenheiros de front-end agora podem realizar mais trabalho de back-end. [104]
    3. Projetos são cada vez mais realizados por um ou dois engenheiros, pois eles já gerenciam múltiplos agentes. [106]
    4. As equipes estão ficando menores em toda a indústria, e a contratação de juniores está diminuindo drasticamente. [112]
  6. A infraestrutura de agentes se tornou uma disciplina própria [117]

2. O que não mudou e o que quebrou na indústria de tecnologia [124]

thumbnail

Apesar das rápidas mudanças impulsionadas pela IA, alguns aspectos fundamentais da engenharia de software e da indústria de tecnologia permaneceram os mesmos, enquanto outros foram severamente impactados, levando a novos desafios.

2.1. Aspectos que permaneceram inalterados [124]

  1. As equipes continuam sendo a unidade fundamental de trabalho [126]
    1. Caitlin Less, chefe de engenharia da plataforma Claude na Anthropic, enfatizou que as equipes ainda são importantes para possuir software, estar de plantão e manter altos padrões. [127]
    2. Embora os humanos sejam "superpotencializados" pela IA, o tamanho e o formato das equipes permanecem similares, como as "equipes de duas pizzas". [129]
    3. Equipes promovem energia, inspiração, exigência e responsabilidade mútua, o que não pode ser substituído por "duas pessoas e um monte de agentes". [132]
  2. O planejamento continua crucial para trabalhos complexos [140]
    1. Para produtos de infraestrutura mais complexos na Anthropic, o planejamento não mudou significativamente. [141]
    2. Construir a coisa errada ainda é um desperdício, mesmo que a construção seja mais rápida com a IA. [142]
    3. O planejamento é vital para a complexidade da infraestrutura, alinhamento de equipes e comunicação com clientes. [143]
  3. A validação de testes permanece essencial para a confiança no código [144]
    1. Jared Summer, da equipe Bun na Anthropic, afirmou que, embora a IA escreva quase todo o código, ela também precisa escrever quase todos os testes. [145]
    2. O tempo gasto escrevendo testes para software de produção continua sendo quase o mesmo que o tempo gasto escrevendo código. [147]
    3. Testes são a melhor maneira de confiar no código produzido, e diferentes camadas de testes, incluindo verificação formal, estão se tornando mais populares. [149]
  4. Não engenheiros ainda não estão enviando código para produção [151]
    1. Embora não engenheiros possam criar sites ou alertar equipes sobre bugs via Slack, eles não estão enviando código pronto para produção em nenhuma empresa ou startup. [153]
    2. O palestrante expressou dúvidas se isso realmente acontecerá no futuro. [159]
  5. Padrões antigos de engenharia de software estão sendo redescobertos e aplicados à IA [160]
    1. Matt Pocock, educador conhecido, descobriu que termos como "tracer bullets" e filosofias de design de software (módulos profundos e superficiais) melhoram a qualidade do código gerado pela IA. [162]
    2. Isso ocorre porque a IA foi treinada com esses conceitos e eles funcionam para guiar seu trabalho. [165]

2.2. O que quebrou na indústria de tecnologia [168]

  1. A quantidade de código e as suposições sobre ele saíram do controle [169]
    1. Dados do GitHub mostram um aumento de 5 vezes na velocidade de pull requests, commits e novos repositórios nos últimos 3 anos, e um aumento ainda maior nos últimos 6 meses. [170]
    2. Pull requests feitos apenas por agentes aumentaram 10 vezes, e o total de pull requests dobrou nos últimos 2 meses. [172]
  2. As revisões de código se tornaram ineficazes ou "zumbis" [174]
    1. Com o volume de mudanças, muitos engenheiros apenas "encenam o teatro" das revisões, buscando o caminho de menor resistência e aprovando tudo com "Parece bom para mim". [175]
    2. As empresas estão começando a eliminar as revisões de código para partes não críticas do código, confiando nos engenheiros. [179]
  3. A qualidade e a confiabilidade do software estão em declínio [186]
    1. Há uma percepção generalizada de que o software está "quebrando", com muitos pequenos problemas irritantes em sites e aplicativos. [187]
    2. Isso é atribuído ao fato de que as pessoas ou os agentes estão entregando mais, mas com menor qualidade. [192]
  4. Há uma escassez de capacidade de infraestrutura, incluindo CPUs [193]
    1. Além da conhecida escassez de GPUs e memória, há uma crescente escassez de CPUs para empresas de nuvem que executam cargas de trabalho normais. [195]
    2. O tempo de espera para obter uma CPU ou servidor aumentou de 1-2 semanas para até 6 meses. [202]
    3. Clientes de médio porte não conseguem reservar CPUs em certas regiões da nuvem, e algumas empresas estão pagando por capacidade de CPU que só chegará meses depois. [204]
  5. O foco e a produtividade dos engenheiros foram prejudicados pela IA [207]
    1. Dima Zatschew da Linear relatou que há muita troca de contexto e sempre um agente esperando por uma resposta, o que aumenta a carga de trabalho. [210]
    2. Embora a IA inicialmente tenha feito os engenheiros se sentirem mais produtivos, isso se tornou a expectativa básica, resultando em mais trabalho em comparação com o período pré-IA. [213]
  6. A liderança de engenharia está em crise, com muitos líderes saindo ou fazendo pausas na carreira [218]
    1. O trabalho de um líder de engenharia se tornou mais difícil devido a expectativas irreais de fundadores sobre a IA (demitir metade da equipe, dobrar a receita). [224]
    2. É mais difícil conseguir um emprego, e muitas startups estão falindo, tornando o patrimônio dos líderes inútil. [227]
    3. Líderes em organizações de movimento lento que não adotam fluxos de trabalho de IA rápido o suficiente sentem que ficarão para trás na carreira. [230]
    4. Equipes menores significam menos necessidade de líderes e cortes na gerência intermediária. [238]
    5. O trabalho de CTO fracionado (trabalhar para várias empresas em tempo parcial) está se tornando popular, pois os líderes não querem voltar em tempo integral. [242]
    6. Startups de IA pagam muito mais em compensação total, atraindo líderes de grandes empresas. [246]
    7. Muitos líderes estão aproveitando o momento para abrir suas próprias startups, pois o financiamento de capital de risco é mais acessível para quem tem experiência. [250]
    8. Alguns líderes estão simplesmente esgotados e optam por fazer uma pausa na carreira. [253]

3. O que vem a seguir na indústria de tecnologia [255]

thumbnail

O futuro da indústria de tecnologia será moldado por agentes e estruturas em nuvem, uma nova infraestrutura interna, refatorações em massa, a fluência em IA como requisito de contratação e a valorização de engenheiros com profundo conhecimento de domínio.

3.1. Tendências e desenvolvimentos futuros [256]

  1. Agentes e estruturas em nuvem se tornarão o padrão [256]
    1. Empresas como a Ramp estão construindo estruturas agênticas avançadas na nuvem, que superam o Codex e o Claude Code. [257]
    2. As razões para isso incluem: máquinas locais são mais limitadas que a nuvem, a capacidade de construir melhores ferramentas de front-end na nuvem e o desejo de ter ambientes de desenvolvimento remotos. [259]
    3. Dima da Linear, inicialmente um fã do desenvolvimento local, mudou de ideia, vendo a nuvem como o futuro, pois ela não trava a máquina e é mais rápida. [265]
  2. Pararemos de ler o código [270]
    1. Charity Majors, uma cética da IA, concorda que é uma questão de "quando", não "se", os engenheiros se sentirão confortáveis em publicar código sem lê-lo ou entendê-lo, assim como o pessoal de operações e QA já faz. [271]
  3. Uma nova infraestrutura interna será construída com agentes de IA [276]
    1. Avaliações farão parte do CI/CD, e as fábricas de agentes continuarão a ser aprimoradas. [277]
    2. Agentes serão integrados em implementações, observabilidade e gerenciamento de incidentes. [279]
  4. Haverá uma onda de refatorações, migrações e reescritas de código [281]
    1. Como refatorar se torna mais fácil e barato com a IA, as empresas terão mais incentivo para fazê-lo. [281]
    2. É também um ótimo exercício de baixo risco para usar as habilidades agênticas. [282]
  5. A fluência e a positividade em relação à IA serão requisitos fundamentais para contratação [283]
    1. Diretores de engenharia já estão filtrando candidatos com base em sua positividade em relação à IA, buscando pessoas que ajudem a expandir os limites do que pode ser construído com IA. [284]
  6. As empresas buscarão a maturidade em IA, focando em resultados de negócios [286]
    1. Laura Tacho afirma que organizações que avançam mais rápido começam com um resultado de negócio e constroem um sistema agente que reduz transferências, aumenta o aprendizado e remove atritos. [289]
    2. O caminho errado é fazer automações simples em nível individual; o certo é criar sistemas agentes em nível de equipe ou empresa. [292]
  7. Engenheiros com profundo conhecimento de domínio serão mais requisitados [295]
    1. Titus Winters, autor de "Software Engineering at Google", destacou que o sucesso requer inteligência (saber como fazer), sabedoria (saber o que fazer) e carisma (saber convencer os outros). [296]
    2. Com a IA tornando a "inteligência" (o "como fazer") barata e disseminada, a sabedoria e o carisma se tornam muito mais importantes. [300]

3.2. Como prosperar como líder de engenharia neste novo mundo [303]

  1. Prepare sua carreira para o futuro e mantenha-se prático [303]
    1. Continue envolvido na criação de software e na entrega para produção. [305]
    2. Will Larson, diretor de produtos e tecnologia, colocou mais código em produção nos últimos 15 meses do que nos 5 ou 10 anos anteriores combinados. [307]
  2. Construa sistemas de infraestrutura de IA e use a IA para remover atritos [310]
    1. Ajude sua equipe e empresa a ter sucesso construindo e usando sistemas de infraestrutura de IA. [310]
    2. Use a IA para remover atritos do seu trabalho, do trabalho da sua equipe e da empresa. [312]
  3. Não terceirize seu aprendizado e use a IA para melhorar [313]
    1. Nas coisas importantes, não delegue simplesmente à IA, pois você não progredirá, mas seus colegas que a usarem para melhorar, sim. [314]
  4. Aceite que você provavelmente fará menos gestão de pessoas por enquanto [316]
    1. Este não é o momento para focar na gestão de pessoas, pois os contribuidores individuais não esperam tanto por isso, e a carreira ainda está em evolução. [317]
    2. A principal expectativa vinda de cima não é a gestão de pessoas. [322]
  5. Dedique-se, aprenda mais e use as ferramentas de IA constantemente [324]
    1. Peter Mattis, CTO de uma organização de centenas de pessoas, voltou a ser prático e disse que aprendeu mais no último ano do que nos 5 anos anteriores combinados, usando ferramentas de IA o tempo todo. [325]
    2. Ele se dedicou à engenharia de software porque gosta de construir coisas, e agora pode construir mais rápido e com menos compromissos. [332]