O desenvolvimento da inteligência artificial está mudando do uso de copilotos e codificação baseada em 'vibe' para a criação de sistemas de IA capazes de raciocinar dentro de fluxos de trabalho, coordenar agentes especializados e alcançar resultados com mínima participação humana.
No evento DevSparks Hyderabad 2026, Elango Somasundaram, Diretor Executivo e CTO da UBS Índia, observou que a transição para a IA de agentes não se trata tanto de substituir engenheiros, mas sim de mudar a própria natureza da atividade de engenharia.
Segundo Elango, a próxima vantagem competitiva dependerá não apenas da melhoria dos próprios modelos, mas também de um contexto mais rico, mecanismos de proteção confiáveis (guardrails) e desenvolvedores capazes de pensar além do código.
Ele enfatizou: «Estamos entrando na era da engenharia de agentes, onde os agentes de IA não apenas respondem a solicitações, mas entendem o contexto da tarefa e o utilizam para tomar decisões mais fundamentadas».
Elango traçou a evolução da IA através de várias fases: da automação de processos rotineiros (automação robótica de processos) e tecnologias em nuvem aos copilotos, codificação por 'vibe' e agentes especializados. Enquanto os copilotos podem prever a próxima linha de código, a codificação por 'vibe' permite criar programas através de sugestões em linguagem natural, e os agentes executam tarefas específicas. A IA de agentes vai além: ela começa com uma intenção, define as tarefas necessárias, delega-as a agentes especializados e fornece um resultado final.
A próxima fronteira é a engenharia de agentes. Em vez de os desenvolvedores dividirem manualmente os requisitos em épicos, definirem dependências, coordenarem equipes e conectarem fluxos de trabalho, os sistemas inteligentes começarão a entender essas interconexões autonomamente. Isso aponta para uma abordagem diferente ao desenvolvimento de software, onde a IA começa a participar do pensamento arquitetônico, tradicionalmente realizado por engenheiros experientes.
De acordo com Elango, as habilidades tornam-se rapidamente mercadoria. A maioria das organizações agora tem acesso a poderosos modelos básicos e competências especializadas que foram democratizadas graças a ecossistemas de código aberto e comunidades de IA/ML. Ele argumentou que a característica distintiva é exatamente o contexto.
«Como podemos incorporar mais contexto nos agentes que estamos desenvolvendo? Você pode obter a habilidade, mas como você garante a inclusão do contexto? Os dados estão se tornando importantes», afirmou ele.
Para empresas, especialmente em setores regulamentados como o bancário, o contexto inclui processos de negócios proprietários, conhecimento de produtos, políticas de segurança, expectativas do cliente e fluxos de trabalho organizacionais. Modelos genéricos podem escrever código, mas eles não entendem automaticamente como um banco específico aprova transações, como uma instituição médica gerencia a conformidade ou como uma empresa automotiva projeta seus produtos.
Isso torna a qualidade dos dados fundamental. As empresas podem possuir um enorme volume de informações, mas elas são frequentemente fragmentadas entre sistemas, duplicadas, inconsistentes ou desconectadas dos fluxos de trabalho necessários para a IA. Consequentemente, o foco muda do número de funcionários que usam ferramentas de IA ou do número de tokens consumidos para a capacidade dos sistemas de IA de usar o contexto corporativo para alcançar resultados precisos e confiáveis.
Isso também muda a natureza do trabalho para os desenvolvedores. Em vez de apenas implementar histórias e épicos, eles precisarão cada vez mais enriquecer os sistemas de IA com o conhecimento necessário para resolver problemas corretamente.
Elango explicou que a IA de agentes não pode ter sucesso focando apenas no nível de aplicação. Ele descreveu a arquitetura corporativa como um conjunto de camadas interconectadas, abrangendo infraestrutura e interação de rede, gerenciamento de identidade, práticas de desenvolvimento de software, governança e segurança. Um aplicativo moderno pode funcionar em ambientes de nuvem ou locais, conectar-se a dezenas de serviços e operar dentro de princípios arquitetônicos específicos da organização. Portanto, os sistemas de agentes devem raciocinar dentro de todo o ecossistema mais amplo, e não apenas gerar código funcional.
O gerenciamento de identidade e acesso adquire importância especial, pois os agentes trocam informações uns com os outros com mais frequência. Se informações imprecisas ou alucinadas forem transmitidas de um agente para outro, o erro pode ser amplificado e levar a um resultado incorreto e não intencional do fluxo de trabalho, o que acarretará sérias consequências. Portanto, as empresas precisam de mecanismos de proteção em cada nível arquitetônico: conectividade, autenticação, elementos do ciclo de vida de desenvolvimento de software, conformidade regulatória e políticas de segurança tornam-se parte do fluxo de trabalho do agente, e não verificações realizadas no final.
Elango também abordou a mudança no papel humano. À medida que a IA automatiza cada vez mais etapas de execução, os desenvolvedores continuarão a definir objetivos, verificar resultados e fornecer contexto de negócios. Para as empresas, modelos de raciocínio mais avançados tornaram a implementação de IA simultaneamente mais promissora e mais complexa. Ele observou: «Embora obtenhamos maior eficiência em termos de aceleração do desenvolvimento de código e até mesmo de testes, o resultado final exige testes rigorosos. A IA pode gerar dezenas e milhares de linhas de código em apenas um minuto; devemos garantir que não haja nada errado nele».
Anteriormente, os fluxos de trabalho de IA dependiam fortemente da verificação de código por humanos antes de passar para os testes. Os sistemas de agentes adicionam outra camada de complexidade, pois vários agentes podem gerar, verificar e executar diferentes partes do fluxo de trabalho de forma independente. Como resultado, as empresas desaceleram a implantação — não porque a tecnologia não prometa nada de bom, mas porque o gerenciamento se tornou mais importante que a velocidade.
Cada modelo que entra no ambiente empresarial agora requer curadoria cuidadosa. As equipes de segurança devem garantir que informações confidenciais não vazem para modelos externos, e os desenvolvedores devem ter certeza de que os dados gerados pela IA estão em conformidade com as políticas internas antes de ir para produção.
Elango vê o setor bancário como um exemplo inicial de como a IA de agentes pode mudar os modelos operacionais. Processos rotineiros, como cálculo de pagamentos, operações com clientes e orquestração de fluxos de trabalho, podem, em última análise, ser gerenciados por agentes coordenados em vez de grandes equipes operacionais. No entanto, esse futuro ainda depende dos arquitetos, engenheiros, líderes de negócios e especialistas operacionais que projetam o ecossistema por trás desses agentes.
Uma oportunidade maior, em sua opinião, reside na diferenciação da empresa. Cada setor tem um contexto exclusivo que os concorrentes não podem replicar facilmente. No setor bancário, isso inclui conhecimento regulatório, estruturas de risco, infraestrutura de pagamento e confiança do cliente. À medida que os sistemas de agentes amadurecem, essas vantagens contextuais podem se tornar mais valiosas do que o acesso a modelos de IA genéricos.
Elango também discutiu o que a IA de agentes significa para os desenvolvedores. Ele insistiu que a experiência ainda é importante. Um modelo de IA pode gerar mil linhas de código funcional, mas um engenheiro experiente muitas vezes sabe como resolver o mesmo problema de forma mais eficiente e eficaz, pois entende o contexto de negócios, as lições de lançamentos parciais, conhece as necessidades dos clientes que não estão documentadas e as estuda por meio de interação e refinamento contínuos.
A geração de desenvolvedores do futuro, segundo ele, deve possuir três capacidades: compreensão do problema de negócios, colaboração em ecossistemas corporativos complexos e articulação clara de intenções para sistemas de IA, em vez de apenas escrever código. À medida que a engenharia de agentes evolui, a codificação se tornará apenas uma parte do arsenal do desenvolvedor. O contexto, o julgamento e o pensamento sistêmico se tornarão cada vez mais importantes para aqueles que buscam liderar com IA.