Andi Gutmans, um dos colaboradores na criação do PHP 3 e presidente da Agentic Data Cloud no Google, não apresenta o desenvolvimento de software com base em agentes como uma ruptura completa com o passado. Em uma conversa com Eira May e Peter O'Connor no programa Leaders of Code, da Stack Overflow, ele comparou a transformação atual ao impacto causado pelo PHP quando tornou possível a criação de sites para um número maior de pessoas, incluindo não especialistas em ciência da computação.
Mas a nova facilidade de acesso não significa o desaparecimento da experiência em engenharia. Segundo a visão de Gutmans, o desenvolvedor individual está gradualmente se transformando em algo semelhante a um «líder de uma equipe de agentes»: define o que é necessário, distribui o trabalho, revisa os resultados e toma decisões que não podem ser delegadas sem limitações.
O valor passa da escrita de código para o julgamento de engenharia
Gutmans considera que algumas questões fundamentais não mudaram com o surgimento dos agentes. A equipe ainda precisa garantir que a solução resolva o problema certo, que a arquitetura seja escalável e que o sistema seja seguro, bem governado, fácil de usar e adequado em termos de custo. A novidade é que o agente consegue executar uma parcela maior do trabalho de forma autônoma e, por isso, é necessário projetar uma forma de supervisioná-lo, em vez de apenas revisar o código produzido.
Gutmans deu um exemplo disso quando usou um agente para criar cerca de mil testes e, em seguida, recorreu a outro agente para criticar esses testes. A revisão revelou que o resultado não era bom o suficiente, e ele precisou aprimorá-lo pessoalmente. Nesse caso, a necessidade de julgamento humano não desapareceu; sua posição mudou da execução detalhada para o projeto, a coordenação e a avaliação.
Essa mudança também se estende à compreensão de uma base de código desconhecida. Os agentes conseguem percorrer uma parte mais ampla do projeto e podem encontrar categorias de erros que são difíceis de detectar para um revisor humano ao examinar uma parte limitada do sistema. Ainda assim, Gutmans disse que o Google utiliza a revisão humana e a revisão por agentes em conjunto, especialmente quando as decisões ou mudanças são sensíveis.
A revisão não é uma questão de confiança absoluta, mas de gestão de riscos
A conversa propõe analisar a supervisão por meio de três modos: o humano no circuito, o agente no circuito e o agente acima do circuito. Isso não significa escolher uma única opção válida para todos os casos, mas determinar o nível adequado de revisão de acordo com a probabilidade de erro e seu impacto.
Em mudanças relacionadas a componentes de segurança sensíveis, como tokens de segurança, a participação de um especialista humano é mais importante. Já alterações em CSS e HTML ou em alguns scripts Python, com o auxílio do agente em uma verificação de segurança, podem permitir que seja prático depender de um nível diferente de automação. A ideia central não é que os agentes não cometam erros, nem que os humanos revisem tudo com a mesma eficiência, mas que a decisão sobre a revisão deve refletir a dimensão do risco e das consequências.
Gutmans usou a experiência da Waymo como exemplo ilustrativo da distância entre percepção e dados. Ele afirmou que a probabilidade de uma pessoa sofrer um acidente com ferimentos é 80% menor com a Waymo do que ao viajar com um motorista da Uber, embora muitas pessoas ainda se sintam mais confortáveis quando há um ser humano ao volante. Da mesma forma, uma equipe pode rejeitar a autonomia do agente por causa de uma impressão, mesmo quando os indicadores sugerem que seu uso em uma tarefa específica poderia reduzir os riscos em comparação com a alternativa humana.
Contratação e aprendizado caminham para testar a capacidade de orientação
Gutmans acredita que o ensino de ciência da computação não vai parar, mas os estudantes poderão realizar projetos mais complexos e de maior escala com a ajuda dos agentes. Por isso, o conhecimento sobre como construir, operar e escalar sistemas continuará sendo essencial, enquanto também será importante ter a capacidade de formular o problema, avaliar soluções e orientar ferramentas inteligentes.
Ele disse que o Google está mudando parte do processo de entrevistas de engenharia. Em vez de se concentrar em pedir ao candidato que escreva manualmente um algoritmo como o quick sort, será permitido que ele use o Gemini e o agente para resolver um problema; em seguida, serão avaliados sua forma de pensar, sua sequência de abordagem da questão e a maneira como orienta o agente. Isso não elimina as habilidades técnicas, mas muda o que a entrevista tenta medir: da velocidade para produzir uma solução abstrata à qualidade do raciocínio, do projeto e da coordenação.
O maior obstáculo pode estar nos dados, não nos modelos
Segundo Gutmans, modelos como Gemini e Opus já são capazes de automatizar uma grande proporção das tarefas das empresas e, por isso, o problema dos modelos, por si só, deixou de ser o principal gargalo. O desafio mais importante é tornar os dados da empresa compreensíveis e utilizáveis pelos agentes, preservando as relações semânticas, as permissões e a governança.
Isso inclui dados estruturados e operacionais, além de imagens, arquivos PDF, contratos e outros dados não estruturados presentes no armazenamento em nuvem ou em outros locais. O Google considera que os agentes podem ajudar a descobrir onde os dados estão, entender suas conexões e construir as representações semânticas que antes exigiam um grande número de administradores de dados. Gutmans descreve essa tendência no conceito de «borderless lakehouse», que busca ativar os dados independentemente de estarem no GCP, na AWS, no Azure ou em ambientes locais.
Ele também destacou a importância de formatos de dados abertos, como o Iceberg, e afirmou que as integrações entre nuvens podem ajudar a acessar os dados sem depender totalmente das tarifas de transferência de dados por gigabyte. Também falou sobre o «knowledge catalog» e sobre transferir a construção da ontologia de um processo totalmente conduzido por humanos para um processo conduzido por agentes, mantendo o ser humano no papel de coordenação e edição, em vez de executar tarefas manuais pesadas.
O que muda na prática? Para as equipes técnicas, não basta disponibilizar um agente de software e deixá-lo trabalhar. O uso eficaz exige determinar quais tarefas merecem automação, estabelecer níveis de revisão proporcionais aos seus riscos e garantir a qualidade dos dados e das permissões às quais o agente tem acesso. Quanto ao desenvolvedor, seu papel não desaparece; ele se torna mais parecido com o de um engenheiro que orienta um conjunto de ferramentas capazes de executar tarefas e assume a responsabilidade pelo julgamento final sobre o que elas produzem.