Por muito tempo, aplicar inteligência artificial ao desenvolvimento de software significou abrir um copiloto, melhorar prompts e gerar código mais rápido. Esse foi também o caminho inicial da Vibbra. O ponto de virada veio quando a empresa começou a experimentar desenvolvimento agêntico e percebeu que ganhos locais de codificação não eram suficientes: para gerar impacto real, era preciso redesenhar o processo inteiro.
Esse é o tema central do novo episódio do Vibbracast, em que Leandro Oliveira, CEO e cofundador da Vibbra, conversa com Everton Bernardes, CTO da empresa, sobre os bastidores dos Squads Cognitivos. A tese é simples, mas muda bastante a lógica da engenharia: IA não deve ser apenas mais uma ferramenta encaixada em um fluxo antigo. Ela passa a ser um novo ator do sistema de trabalho, operando ao lado de pessoas, dentro de uma esteira desenhada para contexto, validação, qualidade e decisão humana.
Confira o episódio completo onde Leandro Oliveira e Everton Bernardes contam os bastidores da implantação de squads cognitivos em empresas que estão reformulando seus processos de desenvolvimento de software para operar com humanos e agentes de IA trabalhando no mesmo fluxo:
Usar IA para codificar mais rápido não é transformação
Um dos aprendizados mais importantes relatados por Everton surgiu quando a IA começou a economizar tempo na codificação, mas essa economia não chegava ao cliente. O código precisava passar por revisão, testes, correções e outras etapas que continuavam funcionando do jeito antigo.
É aí que mora uma armadilha comum: otimizar uma etapa sem melhorar o sistema. No exemplo relatado no episódio, um ganho de aproximadamente 20% na codificação não necessariamente se convertia em entrega mais rápida porque outros gargalos permaneciam ativos.
No modelo descrito pela Vibbra, testes automatizados deixam de ser uma atividade “para depois” e passam a nascer junto com a funcionalidade. Code review, critérios de aceite e documentação também entram na orquestração. O objetivo não é simplesmente produzir mais código. É reduzir o tempo entre uma necessidade de negócio e uma entrega validada em produção.
“Não é um update do processo. Não é uma IA como uma ferramenta adicional.” – Leandro Oliveira
O que muda no desenvolvimento agêntico
Desenvolvimento agêntico é menos sobre conversar melhor com uma IA e mais sobre estruturar um ambiente em que agentes especializados consigam trabalhar com contexto, regras e objetivos claros. Nos Squads Cognitivos apresentados no episódio, humanos e agentes de IA dividem responsabilidades. A IA assume volume, execução e parte das tarefas repetitivas. Pessoas continuam responsáveis por direção, julgamento, arquitetura, validação e decisões que envolvem risco ou impacto de negócio.
Everton resume um princípio central do modelo:
“As decisões dentro do processo são do humano.”
Essa distinção também ajuda a separar o desenvolvimento agêntico do vibe coding. No episódio, Everton posiciona o vibe coding como uma abordagem útil para prototipação e validação rápida de ideias. Quando o desafio envolve sistemas legados, segurança, integrações, governança e múltiplas equipes, porém, a engenharia precisa de um processo capaz de preservar padrões e estabelecer controles.
Outro ponto importante é a documentação. Em um fluxo tradicional, ela costuma ser escrita principalmente para que outra pessoa compreenda o sistema. Em uma operação com agentes, a documentação também passa a alimentar a IA. Critérios de aceite, padrões arquiteturais, convenções, decisões anteriores e restrições do negócio passam a compor o contexto de execução.
Contexto transforma legado em memória operacional
Sistemas antigos costumam ser vistos apenas como dívida técnica. No desenvolvimento agêntico, o legado também pode ser tratado como fonte de conhecimento institucional.
No episódio, Everton chama atenção para o Git: o histórico do repositório contém decisões, padrões e diferentes formas pelas quais o sistema foi construído ao longo dos anos. Sem contexto, um agente pode encontrar diversas maneiras de resolver o mesmo problema e selecionar uma abordagem que já não representa o padrão atual. Com uma camada estruturada de contexto, a IA passa a trabalhar com referências mais relevantes para aquele projeto específico.
É por isso que a engenharia de contexto ganha importância. O desafio deixa de ser apenas perguntar corretamente e passa a incluir e disponibilizar as informações adequadas para que o agente trabalhe dentro das regras reais da aplicação.
“O conhecimento está dentro de casa.” – Everton Bernardes
Essa memória também pode acelerar onboarding. Leandro relata no episódio um caso interno em que um desenvolvedor sênior, novo no ambiente da empresa, conseguiu começar a agregar valor em aproximadamente uma semana porque boa parte do contexto do projeto já estava estruturada para a IA. Trata-se de um exemplo operacional da própria Vibbra, e não de um benchmark universal, mas ele ilustra uma mudança importante: o conhecimento crítico pode deixar de depender exclusivamente da disponibilidade de uma pessoa que precisa ensinar o sistema ao novo integrante.
O desenvolvedor muda de papel, não desaparece
Quando agentes passam a escrever, testar e revisar partes do código, é natural surgir a pergunta sobre o futuro do desenvolvedor. O episódio propõe outra leitura: o valor do profissional se desloca da digitação de código para a capacidade de direcionar, validar e conectar tecnologia a resultado de negócio.
Isso não reduz a importância do conhecimento técnico. Pelo contrário. Um desenvolvedor experiente pode transformar seu conhecimento em contexto reutilizável, avaliar soluções propostas pelos agentes, identificar riscos, decidir entre alternativas e garantir que a entrega resolva o problema correto.
Everton descreve no episódio uma operação da Vibbra em que quatro pessoas (dois desenvolvedores e duas pessoas não técnicas) trabalham sobre uma esteira automatizada que chega, no cenário relatado, a cerca de 80 itens por semana. Esse resultado deve ser entendido como relato de uma configuração específica da empresa, e não como promessa de produtividade aplicável a qualquer organização.
A resistência à IA também não deve ser ignorada. Na Stack Overflow Developer Survey 2025, 84% dos respondentes disseram usar ou planejar usar ferramentas de IA no processo de desenvolvimento, enquanto 46% afirmaram não confiar na precisão dos outputs dessas ferramentas. A combinação de alta adoção e confiança limitada reforça a importância de validação, governança e critérios técnicos.
Como saber se a IA está realmente gerando ROI
Um dos trechos mais provocativos do episódio aparece quando Everton argumenta que, se a IA continua sendo apenas custo e a organização ainda não percebe impacto real nos indicadores, vale revisar onde e como ela está sendo aplicada.
A provocação conversa diretamente com um problema de gestão: velocidade de codificação não é, por si só, ROI. No desenvolvimento assistido por IA há a necessidade de conectar métricas de engenharia a impacto financeiro e observa que ganhos de velocidade na execução não se convertem automaticamente em resultado econômico. Na prática, a pergunta mais útil não é “quantas linhas de código a IA gerou?”. É: o que mudou no sistema?
- Tempo de ciclo;
- Retrabalho;
- Bugs;
- Velocidade de onboarding;
- Capacidade liberada do time;
- Previsibilidade;
- Tempo para colocar valor diante do cliente.
Ao longo do episódio, a Vibbra relata otimizações de 70%, 80% e até 85% em determinados ciclos ou etapas de seus cenários de trabalho. Mas o princípio mais importante é outro: estabelecer uma linha de base, transformar o processo e comprovar o efeito com indicadores antes e depois.
Como começar a redesenhar o processo com IA?
A recomendação final de Everton oferece um bom ponto de partida: primeiro, observar os processos internos e identificar onde a IA pode gerar valor. Depois, inverter a pergunta:
“Eu tenho a IA. Como que eu posso organizar o processo aqui em torno dela?”
Essa inversão evita que a organização apenas “cole” um copiloto no fluxo atual.
Um resumo da aplicação do redesenho do processo de IA seria:
- Comece pelo gargalo de negócio, e não pela ferramenta.
- Mapeie onde o ciclo trava e qual resultado precisa melhorar.
- Em seguida, estruture o contexto de que os agentes precisam: repositórios, critérios de aceite, arquitetura, políticas de segurança, histórico e regras de domínio.
Essa abordagem mostra que valor da IA depende de capacidades organizacionais e fundamentos que permitam transformar ganhos individuais em ganhos sistêmicos. Depois, incorpore as validações no próprio fluxo e realize testes automatizados (code review, análise de segurança e checkpoints humanos precisam acompanhar a velocidade de geração). Por fim, meça o efeito do novo desenho sobre o ciclo completo, e não apenas sobre uma etapa isolada.
O desenvolvimento agêntico não elimina a engenharia de software, ele aumenta a importância dela. Quanto maior a capacidade de execução dos agentes, maior a necessidade de contexto, critérios, métricas, responsabilidades e decisões humanas.
A mudança central é deixar de perguntar “como meu time pode usar IA?” e começar a perguntar “como nosso processo deveria funcionar se humanos e agentes de IA fossem desenhados, desde o início, para trabalhar juntos?”
É exatamente nesse ponto que entram os Squads Cognitivos da Vibbra. Para organizações que já experimentaram copilotos, prompts e geração de código, mas ainda não viram o ciclo de desenvolvimento realmente mudar, talvez o próximo passo não seja comprar outra ferramenta.
Confira o episódio completo:
Youtube – https://www.youtube.com/watch?v=olemp-8vRfU
Spotify – https://open.spotify.com/episode/3j00nFQj0A2qftCmKVKu8x
