A Factory acabou de levantar US$ 150 milhões com uma avaliação de US$ 1,5 bilhão. O dinheiro da Khosla Ventures vai para construir agentes de IA que escrevem código para times de engenharia de empresas como Morgan Stanley e Ernst & Young. O mercado comemora a automação do desenvolvimento com a convicção de quem acha que o problema de engenharia de software se resume a digitar texto mais rápido na IDE.
Mas no exato mesmo dia do anúncio financeiro, um grupo de pesquisadores submeteu ao arXiv o paper Agentic Microphysics: A Manifesto for Generative AI Safety. O estudo investiga o que acontece na camada microscópica dos sistemas multiagentes, especificamente quando o output de uma IA vira o input direto de outra. E é aqui que a avaliação bilionária encontra a realidade amarga da produção.
Quando você tem um agente lendo requisitos operacionais e passando a instrução para outro agente gerar um banco de dados, o erro não apenas acontece. Ele acumula e entra em cascata. Isso muda completamente o trabalho de quem está sentado na cadeira do programador. A habilidade técnica mais cara hoje não é escrever o código final, mas sim conseguir manipular o raciocínio interno do agente antes que ele gere o primeiro token de saída.
Muita gente me pergunta se é realmente possível "promptar" o raciocínio interno de uma máquina. A resposta é sim, mas não com pedidos educados. Você faz isso injetando heurísticas de controle e enumerando passos determinísticos. É a transição do prompt descritivo para o procedural, algo que exploro a fundo no livro Engenharia de Prompt para Devs.
Vou dar um exemplo prático. Um desenvolvedor iniciante pede: "Crie uma API de login em Python". O modelo vai vomitar um código genérico que provavelmente falha na integração com o banco de dados da empresa. O desenvolvedor que sabe manipular o estado latente escreve diferente. Ele exige um comportamento processual: "Passo 1: Leia as restrições de segurança no documento X. Passo 2: Extraia apenas os métodos de autenticação permitidos. Passo 3: Avalie se o JWT atende a essa regra. Passo 4: Apenas se a avaliação for verdadeira, escreva os handlers em Python. Se for falsa, pare a execução e me devolva o log do erro."
Você está forçando a máquina a pensar em voz alta e expor sua lógica antes de executar a ação. É a única forma de evitar que a alucinação de um agente envenene o banco de dados gerado pelo próximo, como o paper do arXiv alerta ao tratar do que chamam de "segurança generativa". O desafio agora é garantir essa coordenação, o que nos leva a uma realidade em que o desenvolvedor sênior virou um gerente de orquestra, não mais um digitador de sintaxe.
E como ensinamos isso para as equipes? Meus alunos na Fatec frequentemente travam nessa mudança de mentalidade. Eles querem decorar comandos de IA. Eu exijo que eles desenhem árvores de decisão. O ensino de engenharia de prompt para o "cérebro" da máquina exige muita prática com casos de falha. Exatamente como o ensino de qualquer outra habilidade de engenharia. O desenvolvedor precisa ver o agente alucinar, entender em qual passo da heurística a lógica quebrou e refatorar a instrução em linguagem natural.
O futuro imediato do desenvolvimento de software será uma mistura esquizofrênica de linguagem natural com verificação simbólica. Acredito fortemente nisso. A IA propõe o raciocínio estatístico através da linguagem, mas a validação precisa acontecer através de compiladores, linters e regras de negócio codificadas de forma clássica.
Na T2S, quando alocamos nosso IA & Machine Learning Squad em operações complexas, a regra arquitetural é inflexível: nenhum agente escreve direto no banco sem passar por um validador determinístico. O LLM propõe a query baseado na sua heurística de interpretação, mas o pipeline simbólico verifica a sintaxe e a permissão de execução.
Ferramentas de IA avaliadas em bilhões são fascinantes para o mercado financeiro. Mas na trincheira do código, a máquina só vai entregar produtividade real quando quem a opera souber forçá-la a raciocinar dentro de restrições geométricas, e não apenas gerar textos longos e convincentes.
Para acompanhar mais reflexões práticas sobre desenvolvimento e IA, conecte-se comigo: https://linktr.ee/ricardo.pup