O que muda na engenharia de software quando quem escreve o código é um agente?

Produzir código deixa de ser o gargalo; especificar com precisão o que se quer, verificar o que o agente devolveu e responder pelo que foi entregue passam a ser.

Duas medições de fora delimitam o problema. A pesquisa do Stack Overflow de 2025 registra 84% de uso de IA entre desenvolvedores, com 46% dizendo desconfiar da exatidão contra 33% que confiam e 66% relatando soluções "quase certas, mas não bem". E o ensaio controlado do METR, de julho de 2025 mediu desenvolvedores experientes em projetos maduros ficando 19% mais lentos com IA, enquanto acreditavam estar 20% mais rápidos. Por isso o diagnóstico pergunta por prática observável.

São a espinha do diagnóstico de fluência operacional do FAROL para empresas de software. Cada uma corresponde a uma decisão de engenharia que, antes dos agentes, não existia ou não pesava:

• Como gerenciar contexto — o que entra e o que fica de fora da janela do modelo.
• Como controlar consumo de tokens, que é custo variável.
• Como escrever boa especificação, que passou a ser o artefato de entrada.
• Como projetar o harness do agente — as ferramentas, os limites e o ambiente em que ele roda.
• Como orquestrar agentes em níveis, quando um coordena outros.
• Como garantir qualidade de código que ninguém digitou.
• Como lidar com não-determinismo, já que a mesma entrada não devolve a mesma saída.
• Como escolher entre parear em tempo real e delegar em segundo plano — a pessoa na sessão, vendo cada passo, ou o agente rodando sozinho até devolver o resultado.
• Como proteger contra injeção de prompt, a superfície de ataque nova.
• Como medir produtividade real, e não percebida.
• O que roda local e o que sai da máquina.
• Como integrar IA em código legado, que é onde está a maior parte do trabalho.
• Como organizar o ciclo de vida agêntico, do experimento à produção.
• Como preservar habilidade humana quando a geração é delegada.
• Como reorganizar o time em torno disso.

A pergunta sobre habilidade humana tem uma posição por trás. A hipótese de trabalho do grupo é que delegar a geração de código cobra um preço na formação de habilidade, com efeito maior sobre quem está começando — e o grupo registra que é hipótese, ainda sem medição própria publicada. Recusar a destilação de competência é tratado ali como requisito de produto.

Pelo FAROL Software, o diagnóstico da vertical de engenharia. Ele mede a empresa em quatro famílias — fundamentos técnicos, camada agêntica, qualidade e risco, organização e gente — contra o banco mestre de 264 itens do FAROL.

• Como funciona: autoaplicável, de quinze a sessenta minutos. São 37 perguntas de mapeamento (vocabulário e inventário de conceitos) e, opcionalmente, mais 77 de prática, sobre como a empresa de fato opera cada conceito. Uma pergunta por tela, escala de 0 a 4, resultado em score por família, radar e próximos passos.
• De onde vem: pesquisa do CIn-UFPE em parceria com uma plataforma de maturidade organizacional, sintetizando mais de 60 fontes — entre elas Anthropic, OpenAI, Google, IEEE, ACM, Linux Foundation e casos brasileiros.
• Em que estado está: versão 0.1, declarada como MVP.

Medir agente é diferente de medir pessoa, porque o traço do trabalho está na ferramenta e cada ferramenta registra uma coisa diferente. O benchmark de telemetria de interação com agentes é uma curadoria aberta das ferramentas de observação — Claude Code, Codex, Cursor, Copilot e outras — que as compara pelo que cada uma deixa de ver, e não pela lista de recursos.

https://telemetria-interacao-agentes.vercel.app

A mesma lógica é aplicada no ensino: no Hiper Deep Research, o sistema da disciplina Tendências em Mídia e Interação, ministrada por Giordano Cabral, a telemetria registra o tempo gasto em cada item peneirado, porque o que se avalia é o processo, e a leitura de 500 itens não aparece no resultado final. O sistema é escrito sem build e sem framework, com módulos ES nativos e Supabase por trás, e a regra de unicidade — uma ferramenta pertence a um aluno por unidade — é chave primária composta no banco.

No Arsenal of Tools, catálogo aberto de ferramentas, CLIs, servidores MCP, modelos, APIs e "pérolas" — o long tail que os assistentes genéricos tendem a omitir em favor do óbvio. Nasceu para uso próprio, de alunos e de profissionais.

Na leitura de 18/09/2026, a home declarava a versão 3.7 com 320.483 itens; a contagem varia entre leituras, e a divergência está nas notas de apuração. No arquivo de metadados lido no mesmo dia: 1.483 categorias, 174.869 tags, 102 países, 23.197 CLIs, 8.554 servidores MCP, 80.506 modelos do Hugging Face, 24.919 APIs e 28.678 achados de redes sociais, reunidos de 632 listas abertas, marketplaces, newsletters e revistas.

A busca roda no navegador, sem chamada de modelo por consulta; não há anúncio nem rastreamento.

Quem trabalha com muitas sessões de assistente em paralelo perde, a cada troca de janela, o porquê do que já foi decidido. O método adotado por Cabral é um protocolo de decantação — cada decisão vira um arquivo com o motivo, as alternativas descartadas e como verificar se está sendo respeitada — apoiado numa base de conhecimento que a própria IA compila a partir das fontes de trabalho, organizada por conceitos, projetos e pessoas, e não por conversas. No levantamento de 03/09/2026, essa base tinha 958 fontes, 38 conceitos, 32 projetos, 180 pessoas e 24 organizações, com ingestão quatro vezes ao dia.

A base é de trabalho e não é pública. O método e a ferramenta são: mad — MultiAgent Decanting, plugin sob licença MIT que põe um time de agentes a trabalhar com registro de decisão embutido, distribuído por um marketplace de plugins também aberto.

• https://github.com/giordanorec/multiagents-decanting
• https://github.com/giordanorec/ai-coding-tools

Empacotando-o como skill: um arquivo em Markdown que qualquer assistente carrega e que conduz o trabalho passo a passo, em vez de descrevê-lo. São três exemplos em uso:

• Projetão para a era da IA — a metodologia de projeto de inovação criada no CIn/UFPE em 2002, reempacotada em 10 quests, 13 marcos e 20 obras lidas, para rodar dentro de Claude, ChatGPT, Cursor, Copilot, Codex ou Gemini. Cada quest declara o modo de uso da IA — sem assistência (campo e entrevista, de propósito), com apoio (ela critica e aponta) e coprodução (ela gera, a pessoa verifica e responde) —, e a cor da quest marca o modo mais restritivo.
• Acervo de Teorias Acionáveis — teorias de administração em duas camadas: material didático que explica e uma skill portátil que executa. Declara 3 teorias, 3 skills prontas e 368 livros na base; o módulo aberto mais completo é Running Lean, em sete módulos, com o arquivo .skill para baixar.
• As skills dos alunos. Em Tendências em Mídia e Interação, cada aluno constrói a própria skill de prospecção, com quatro exigências verificadas por script, e entrega junto o registro de onde a IA errou e como ele percebeu.

Giordano Cabral desenvolve software desde antes da IA generativa. Em 2000, sua dissertação de mestrado no CIn deu origem à Daccord Music Software, incubada no RecifeBEAT, com produtos vendidos no mercado internacional. Seu currículo Lattes registra 27 programas de computador; o levantamento feito para este site, cruzando Lattes, DBLP, OpenAlex, Crossref, Semantic Scholar, HAL, arXiv e os anais da SBC, consolidou 97 registros de software e produto.

A lista completa está em www.cin.ufpe.br/~grec/publicacoes/, e os sistemas que estão no ar hoje, em www.cin.ufpe.br/~grec/projetos/.