À medida que a IA reduz o custo de produzir software, obter vantagem competitiva exige mudar o modelo operacional. As organizações que reformulam o trabalho das equipas, em vez de apenas adotarem assistentes de IA, têm maior probabilidade de obter ganhos duradouros.
A engenharia nativa de IA exige duas capacidades complementares: equipas de aplicações próximas dos clientes e problemas, e equipas de plataformas ou «harness» que forneçam contexto partilhado, salvaguardas, avaliações e governação para pessoas e agentes de IA operarem em segurança e em escala.
A liderança tecnológica passa de gerir a capacidade de entrega para conceber o sistema de entrega. Os líderes devem explicitar quatro decisões: o que cabe às equipas de aplicações, que contexto e controlos são partilhados, onde os agentes precisam de aprovação humana e como medir a aprendizagem validada e o valor para o cliente.
Grande parte da engenharia moderna desenvolveu-se num mundo em que criar software era caro. A questão central era: como podem mais equipas entregar mais software com maior previsibilidade? Esse pressuposto moldou a estrutura das equipas, o financiamento das plataformas e a medição das entregas. Crescer significava muitas vezes contratar mais pessoas, e o sucesso media-se pelo volume de trabalho que passava pelo sistema.
A IA altera esse pressuposto. Na nossa perspetiva, a engenharia nativa de IA não é engenharia tradicional com melhores ferramentas. Exige outro modelo operacional: equipas de aplicações menores, próximas dos problemas dos clientes, apoiadas por equipas de plataformas ou «harness». Usamos «harness» para designar o ambiente operacional controlado que dá a pessoas e agentes o contexto, ferramentas, permissões, ciclos de feedback e limites necessários para usar IA em segurança e em escala.
Isto importa aos líderes de tecnologia e dados porque ganhos individuais de produtividade não bastam para uma adoção segura em toda a organização. Sem um modelo operacional deliberado, as equipas arriscam ferramentas fragmentadas, padrões duplicados, responsabilidades pouco claras, exposição de dados sem controlo e qualidade inconsistente.
As empresas devem deixar de perguntar «Como ajudamos os engenheiros a usar IA?» e passar a perguntar «Como reformular o sistema de engenharia para pessoas e agentes criarem valor em segurança à escala empresarial?»
A IA permite aos engenheiros explorar mais ideias, criar protótipos mais depressa e testar mais abordagens. Mas produzir mais não gera automaticamente mais valor. Sem bom discernimento, contexto relevante e avaliação eficaz, uma organização pode aumentar o volume de trabalho mais depressa do que consegue decidir em que confiar, o que implementar ou com o que aprender.
A IA pode reduzir o custo de gerar código e realizar experiências. Reduzir o custo total do software depende do trabalho ainda necessário para o rever, integrar, operar, manter e refazer.
Prevemos que a vantagem em engenharia dependa cada vez mais de quatro capacidades:
Decidir o que desenvolver, como fazê-lo e como registar essas escolhas.
Dar a pessoas e sistemas de IA uma base de conhecimento organizacional adequado.
Crescer em segurança com plataformas, controlos e avaliação partilhados.
Conceber arquiteturas que integrem novas ferramentas e componentes sem perturbações recorrentes.
A capacidade escassa deixa de ser produzir e passa a ser tirar mais valor da produção: escolher o trabalho certo, fundamentá-lo no contexto, testar se funciona e saber o que não entregar.
À medida que experimentar fica mais barato, os registos de decisões também ganham valor. As organizações precisam de saber o que se tentou, o que falhou, o que se aprendeu e por que se escolheu um caminho em vez de outro.
Os sistemas de engenharia devem privilegiar a validação rápida, a iteração segura e a aprendizagem documentada, não apenas a velocidade de entrega. Isto muda tanto o papel do engenheiro como a equipa à sua volta.
Para os engenheiros, trata-se menos de deixar de desenvolver e mais de definir, avaliar e orquestrar o que é desenvolvido.
O software gerado por IA não dispensa engenheiros. Reforça a importância de quem compreende as restrições dos sistemas, define interfaces, concebe avaliações e coordena o trabalho de pessoas e agentes. Engenheiros que combinam profundidade técnica, discernimento, compreensão do produto e competências de avaliação criarão frequentemente mais valor do que quem apenas implementa componentes isolados.
Tradicionalmente, as equipas de produto decidiam o que desenvolver e as de engenharia definiam como fazê-lo. Hoje, muitas organizações juntam produto, design e engenharia. A mudança específica da IA dá-se dentro dessa equipa: protótipos mais baratos permitem passar da definição do problema à implementação e avaliação no mesmo ciclo. As equipas podem testar mais opções, descartar cedo ideias fracas e levar ideias validadas mais longe em produção.
Isto favorece equipas pequenas e multidisciplinares, com especialistas de produto, design, engenharia e domínio num único ciclo de aprendizagem. O discernimento técnico e de produto não se fundem numa só função, mas precisam de estar mais próximos. Os líderes de produto precisam de conhecimentos técnicos suficientes para criar protótipos e avaliar opções. Os engenheiros precisam de contexto sobre clientes e negócio para definir o problema, não apenas implementar uma resposta predefinida.
As organizações de engenharia têm tradicionalmente tratado o código como um ativo central. À medida que gerar código se torna mais fácil, o valor duradouro concentra-se no contexto subjacente: conhecimento do domínio e dos clientes, experiência operacional, dados próprios, conjuntos de dados de avaliação, políticas legíveis por máquina e histórico de decisões arquiteturais que explica o funcionamento dos sistemas.
As bases de código importam, em parte, por incorporarem conhecimento do negócio e dos clientes adquirido com esforço. A IA altera o esforço de produzir código, mas não elimina o esforço de adquirir esse conhecimento. As organizações devem olhar além do volume de código e investir em ativos de valor cumulativo: dados próprios bem governados, sistemas de conhecimento úteis, compreensão profunda dos clientes e registos claros das decisões.
Para CIOs e CDOs, isto torna a arquitetura da informação e a governação de dados centrais para o desempenho da engenharia. Os agentes de IA só podem usar contexto a que tenham permissão para aceder e que consigam interpretar. Conhecimento fragmentado, responsabilidades pouco claras pelos dados e permissões inconsistentes tornam-se, assim, restrições de engenharia, não apenas problemas de gestão da informação.
Quando o contexto integra o sistema de produção, não pode continuar a ser documentação passiva. Torna-se uma capacidade da plataforma.
A entrega de IA não pode ficar inteiramente a cargo de cada equipa quando contexto, avaliação e governação integram o sistema de produção. Também não deve ser tão centralizada que as equipas percam contacto com os problemas reais dos clientes.
Um modelo federado equilibra essas necessidades. As equipas autónomas de aplicações mantêm-se próximas do problema, apoiadas por capacidades partilhadas de plataforma e harness: ferramentas reutilizáveis, acesso controlado ao contexto, padrões de avaliação, permissões e governação. A federação só funciona com responsabilidades claras: as equipas de aplicações respondem pelo fluxo de trabalho e resultado; as de harness fornecem capacidades partilhadas para avançar em segurança; risco, segurança e governação mantêm supervisão independente.
As equipas de aplicação e os especialistas do domínio devem definir os casos de avaliação de cada tarefa e o nível de aceitação. A equipa de harness deve fornecer a infraestrutura de avaliação, os controlos comuns e os relatórios necessários para realizar essas avaliações de forma consistente.
Área | Equipa de aplicações | Equipa de harness | Risco, segurança e governação |
|---|---|---|---|
Produto e resultado | Escolhe problema, fluxo, experiência de utilização e indicadores de sucesso; responde pelo resultado para o cliente e o negócio | Fornece padrões reutilizáveis, ferramentas e telemetria | Define restrições quando o caso de utilização cria risco material |
Contexto e acesso | Especifica a informação e as ações necessárias ao fluxo de trabalho | Cria interfaces de contexto, identidade do agente e permissões de ferramentas | Aprova o acesso a dados sensíveis e os limites de controlo |
Avaliação e lançamento | Define critérios de aceitação e revê os resultados | Mantém baterias de testes, registos de auditoria e vias de implementação aprovadas | Aprova casos de utilização de alto risco, exceções e alterações materiais |
Financiamento e responsabilização | É financiada e responsabilizada pelos resultados da aplicação | É financiada como capacidade partilhada e avaliada pela reutilização, cobertura e tempo até à produção segura | Detém a supervisão independente e as decisões de controlo |
Cadência e aprendizagem | Itera com especialistas do domínio e revê resultados, anulações e incidentes | Converte a aprendizagem em novos testes, controlos e capacidades reutilizáveis | Revê incidentes e alterações nos pontos de aprovação acordados |
Isto também muda a forma como os líderes devem pensar na dimensão das equipas. Ter equipas menores a produzir mais software não é um fim em si mesmo. O objetivo é colocar o discernimento humano onde gera mais valor: perto do problema, nas equipas de aplicações, e nas capacidades partilhadas que lhes permitem avançar depressa sem perder o controlo.
Com equipas de aplicações menores e apoiadas por IA, as organizações precisam de capacidades partilhadas para garantir entregas seguras, consistentes e responsáveis.
A engenharia de plataformas tradicional centra-se na produtividade dos programadores, tendo as pessoas como principais utilizadores. Uma plataforma nativa de IA tem de apoiar pessoas e agentes.
Um agente não utiliza uma plataforma de desenvolvimento da mesma forma que uma pessoa. Precisa de instruções e ferramentas acessíveis por máquina, permissões explícitas e formas fiáveis de avaliar o seu trabalho. O harness tem também de contemplar observabilidade, segurança, conformidade e gestão do conhecimento. O objetivo é tornar a autonomia útil, sujeitando-a a limites claros e vinculativos.
Imagine um banco que adota um fluxo assistido por IA para contestações de operações com cartão. A equipa da aplicação começa por uma tarefa restrita: classificar o caso, obter a política aplicável e redigir uma resposta para um operador. Gere o fluxo, a experiência de utilização, os limiares de encaminhamento e os indicadores de sucesso. Não define a política regulamentar nem dá novas permissões ao agente.
Neste exemplo, os agentes poderiam apoiar a implementação, executar testes específicos e preparar uma versão. As pessoas continuariam a aprovar a entrada em produção, cujos resultados orientariam o ciclo seguinte de avaliação e desenvolvimento. Os controlos de execução são distintos: um agente de apoio ao cliente só deve usar ferramentas e dados aprovados, com permissões e vias de encaminhamento definidas.
Contexto: o agente acede ao caso em curso, aos dados mínimos do cliente para a resolução, aos procedimentos aprovados de produtos e reclamações e às regras de encaminhamento legíveis por máquina. Não acede a credenciais de pagamento em bruto nem a registos de outros clientes, nem escreve no sistema de casos.
Avaliação: antes do lançamento, um conjunto de casos históricos representativos e casos-limite anotados por peritos deve passar em testes de exatidão da classificação, cumprimento das políticas, abstenção adequada, fuga de dados pessoais e encaminhamento de reclamações ou casos de risco financeiro.
Aprovação: a equipa de aplicações decide sobre o produto. Risco, segurança e conformidade aprovam o acesso a dados, as políticas e o processo de implementação. Um assistente humano aprova cada mensagem enviada; decisões que afetem o dinheiro ou os direitos do cliente ficam fora da autonomia do agente.
Registo do harness: cada execução guarda a identidade do agente e versão do modelo, contexto e fontes obtidas, ferramentas usadas, controlos de políticas, resultados da avaliação, edições ou anulações humanas e incidentes. A equipa torna reutilizável o que funciona: interfaces de contexto, casos de avaliação, modelos de permissões e vias de implementação aprovadas. Falhas e anulações geram testes e melhorias no fluxo.
Assim, o agente tem margem para agir, mas apenas com contexto e ferramentas aprovados. Cada limite importante gera evidências que podem ser revistas e reutilizadas. As pessoas continuam responsáveis pelas decisões importantes. Com o tempo, o banco pode usar casos reais — acertos do agente, intervenções humanas e falhas — para melhorar o fluxo de trabalho e decidir se alarga o seu âmbito. É assim que a autonomia delimitada e a aprendizagem validada funcionam na prática.
Essa divisão reflete-se nos sistemas e controlos geridos pela equipa de harness. Estas equipas podem ser responsáveis por:
Identidade do agente: emitir identidades de serviço, registar o responsável e o ambiente e controlar as versões de modelo, prompt e ferramentas de cada agente.
Permissões de ferramentas: definir âmbitos de leitura e escrita, limites de acesso a dados e de pedidos, aprovações e recusa por defeito de ações do agente.
Interfaces de contexto: expor conhecimento e dados aprovados em interfaces versionadas, sujeitas a permissões e com origem e atualidade claras.
Baterias de avaliação: manter exemplos representativos, casos-limite, testes de segurança e regressão e limiares de lançamento.
Registos de auditoria e observabilidade: registar identidade do agente, contexto obtido, ferramentas usadas, resultados, aprovações, anulações humanas, falhas e incidentes, com retenção e acessos adequados.
Vias de implementação aprovadas: oferecer rotas sandbox, shadow, faseada e de produção, com verificações automáticas, reversão e controlo de alterações.
As equipas de harness não são um novo nome para as funções de plataforma existentes. As equipas de MLOps, segurança, governação e plataforma mantêm as suas responsabilidades. Cabe à equipa de harness ligar esses controlos à forma como as equipas de aplicação criam e executam fluxos de IA: permissões e aprovações para as políticas, interfaces governadas para o contexto, testes para a avaliação e registos que tornam o comportamento do agente auditável e reutilizável.

Se a engenharia se divide entre entrega de aplicações e capacitação partilhada, a afetação de pessoas, a liderança e a medição têm de mudar também.
As equipas de aplicações precisam de conhecimentos de produto, engenharia e domínio. As equipas de plataformas e harness precisam de pessoas capazes de conceber e gerir o ambiente partilhado que apoia pessoas e agentes em escala.
Para CTOs, CDOs e CIOs, o desafio é decidir que capacidades centralizar e quais deixar a cada equipa.
As equipas de aplicações precisam de liberdade para trabalhar depressa e perto dos clientes. Não devem ter de recriar capacidades como acesso seguro a dados, observabilidade, avaliação e governação.
Numa organização nativa de IA, os líderes de tecnologia devem dedicar menos atenção à gestão da capacidade de entrega e mais à conceção do sistema de entrega. Isto inclui:
contratar/formar pessoas pela capacidade de discernimento e decisão;
investir em plataformas de IA comuns, testes, guardrails, vias aprovadas, fluxos de conhecimento e padrões de acesso;
definir limites operacionais de agentes/pessoas/fluxos de trabalho comuns;
medir aprendizagem validada, fiabilidade, efeito no cliente, reutilização segura; e
acompanhar a tecnologia de perto para perceber onde a IA altera realmente a economia da entrega.
Bem feito, o sistema ajuda as equipas a aceder ao contexto adequado, testar trabalho gerado por IA, reutilizar padrões comprovados e reconhecer quando a aprovação humana ainda é necessária.
Muitas métricas de engenharia nasceram num mundo em que produzir software era uma das principais limitações. Velocidade, pontos de história, taxa de processamento e frequência de implementação continuam a dar sinais operacionais úteis, mas dizem menos por si só à medida que a IA reduz o esforço de produção.
Uma equipa pode gerar mais código e fazer mais experiências, mas continuar a decidir mal, criar complexidade desnecessária ou aumentar o risco.
Por isso, os líderes de tecnologia não podem limitar-se a perguntar quanto software se produz ou quanto se usa a IA. Têm de perceber se a IA ajuda a organização a aprender mais depressa, a melhorar os resultados para os clientes e a operar com fiabilidade dentro dos limites acordados.
Para equipas de aplicações, medidas úteis incluem:
tempo aprendizagem validada;
melhoria nos resultados do cliente;
valor gerado para negócio;
adoção e mudança de comportamento; e
a taxa de experiências que resultam em decisões fundamentadas.
O tempo até lições validadas deve abranger todo o período desde o início de uma experiência até haver provas suficientes para decidir. Uma equipa que começa na segunda, implementa na quarta e chega a uma decisão fundamentada na sexta tem um ciclo de aprendizagem de uma semana, não de entrega de dois dias.
Para as equipas de plataforma e de harness, podem ser úteis:
padrões aprovados reutilizados;
cobertura e eficácia da avaliação;
incidentes e retrabalho da IA;
tempo entre ideia e produção segura;
observabilidade das ações de agentes;
auditabilidade e conformidade.
Qualquer medida de custo deve incluir uso de modelos, revisão humana, tentativas falhadas, retrabalho e suporte operacional por resultado bem-sucedido.
Estas medidas também exigem definições claras, valores de referência e métodos de avaliação. Não se pretende trocar um quadro universal de indicadores por outro, mas medir se o sistema de entrega produz resultados fiáveis.
O modelo de aplicações e harness é uma resposta à fase atual da engenharia nativa de IA. Não deve ser visto como uma solução definitiva.
Várias evoluções podem voltar a mudar a unidade base do trabalho de engenharia:
agentes responsáveis por fluxos de trabalho completos;
software temporário, em vez de mantido durante anos;
utilizadores a passar das interfaces de apps para experiências com agentes;
modelos de base a absorver mais capacidades das plataformas; e
regulação a fazer da auditabilidade e da responsabilização a maior restrição da engenharia.
São possibilidades, não resultados garantidos. Se se concretizarem, até a distinção entre equipas de aplicações e de plataformas poderá revelar-se demasiado restrita.
As organizações preparadas para essa incerteza tratarão o modelo operacional como adaptável. Organizar-se-ão em torno de princípios claros, contexto sólido, autonomia delimitada e aprendizagem rápida, em vez de equipas ou escolhas de ferramentas fixas.
A IA não reduz a importância dos sistemas de engenharia. Aumenta o valor de os conceber bem.
Com a produção de software mais barata, a vantagem passa para quem decide melhor, acumula contexto útil e opera em segurança. Uma prática de engenharia nativa de IA não se limita a usar ferramentas de IA. Reformula-se em torno das novas restrições: qualidade das decisões, contexto partilhado, autonomia delimitada e aprendizagem rápida.
Os líderes de tecnologia podem começar por quatro decisões:
Que decisões de cliente e produto devem ficar próximas das equipas de aplicação?
Que contexto, controlos e capacidades de avaliação devem ser partilhados?
Onde podem os agentes agir autonomamente e é necessária aprovação humana?
Que medidas demonstram aprendizagem validada, valor para o cliente e operação segura?
As respostas determinarão o valor da adoção de IA mais do que o número de assistentes implementados pela organização.
