Como se manter competitivo na era da IA na engenharia de software

Introdução

Apresentada por Alexey Milovidov, cofundador e CTO da ClickHouse, em 10 de junho de 2026, a palestra explora a integração da inteligência artificial no fluxo de trabalho diário dos engenheiros de software — da ferramenta para tarefas simples ao colaborador essencial em todo o ciclo de desenvolvimento. Aborda níveis de adoção, ferramentas disponíveis, cenários práticos, recomendações de interação com agentes, medos comuns e uma política de portas abertas para contribuições geradas por IA em projetos de código aberto.

Capítulo 1 · A realidade da IA na engenharia de software

1.1 A onipresença da IA

A IA deixou de ser tendência emergente e tornou-se parte da produção diária. Equipes modernas colaboram com a IA da geração de código boilerplate à depuração de sistemas complexos. Os agentes estão integrados em todo o processo, com impacto que vai além de produtividade: uma mudança fundamental na forma como o software é projetado e mantido.

1.2 A evolução da percepção dos engenheiros

Muitos engenheiros ainda demonstram ceticismo — o próprio palestrante teve essa visão há cerca de seis meses. A percepção muda gradualmente à medida que os modelos evoluem:

1. Inicialmente, pensava-se que os modelos serviam apenas para aplicações JavaScript, sem afetar o backend.
2. Depois, a nova geração mostrou-se eficiente em backend (Python, Go), mas programadores de sistemas em C++ ainda se sentiam imunes.
3. Por fim, os modelos se tornaram proficientes em C++, Rust e qualquer tipo de código, afetando todos os engenheiros.

1.3 A abordagem correta para a adoção

A forma errada é a imposição pela gestão ("você deve queimar tokens"). A mais eficaz vem da prática pessoal e da demonstração de valor. A partir do Claude 4.5, a IA se tornou proficiente no próprio código C++ do palestrante (como na escrita de callbacks), reforçada por múltiplos exemplos de utilidade.

Capítulo 2 · Níveis de codificação assistida e ferramentas

2.1 Níveis de adoção

1. Nível 1 (obsoleto): pedir código ao ChatGPT e copiar e colar — codificação assistida, mas não adaptativa.
2. Nível 2: executar um agente verificando seu trabalho a cada passo, com ou sem leitura detalhada do código.
3. Nível 3 (avançado): loops adaptativos e de feedback, com múltiplos agentes em paralelo em VMs isoladas — já usados até em pre-commits.

2.2 Ferramentas disponíveis

• CLI: Claude Code, Codex e Open Interpreter. Recomenda começar pelas CLIs, que costumam estrear funcionalidades primeiro (criar planos, pedir esclarecimentos, sinalizar tarefas complexas).
• Ambientes de desenvolvimento: Cursor é o preferido atualmente, após migração do vimspector.
• Serviços: Replit e Adevs visam substituir outsourcing, mas não se aplicam diretamente aos casos da empresa.
• OpenAI: agora usado para alguns casos de uso, com o devido cuidado de segurança.

Capítulo 3 · Cenários práticos de uso da IA

O palestrante compartilhou cenários coletados na empresa e criou um site, "Alexey Prompts", para divulgar seus prompts e resultados.

3.1 Superando a resistência dos céticos

Para o cético que acha a IA "estúpida", há um cenário irrefutável: um engenheiro que sabe exatamente o que fazer, mas está sem suas ferramentas preferidas (em viagem), pode super-especificar as mudanças e pedir ao agente para apenas "digitar" o código — economizando tempo e provando a utilidade.

3.2 Tarefas de baixo valor agregado

• Boilerplate e integrações: gerar YAML para Kubernetes — repetitivo e propenso a erros — é feito de forma muito mais eficiente.
• Conflitos de merge: tarefa cansativa resolvida com ~99% de precisão, permitindo revisão com "olhos frescos".
• Portabilidade de código: mover código entre repositórios open source e extensões privadas, sempre com atribuição correta para cumprir licenças.

3.3 Melhoria contínua do produto

• Pequenos refatoramentos: tarefas adiadas (como trocar ponteiros por referências em C++) delegadas ao agente, eliminando procrastinação.
• Polimento e pequenos bugs: corrigir "incômodos" sem esperar reunião de planejamento, melhorando a qualidade sem burocracia.

3.4 Exploração e investigação

• Bases de código desconhecidas: ao contribuir para um novo projeto (ex.: LLVM), perguntar ao agente sobre a mecânica de um plugin e obter a implementação correta.
• Revisões de código: automatizadas via GitHub Actions invocando Claude ou Codex; mais eficazes quando o agente compila e testa o código.
• Bugs complexos: um travamento de CI sem solução por três engenheiros durante meio ano só foi corrigido na terceira tentativa, com mais diagnóstico e criatividade — a IA auxilia o raciocínio, não é mágica.
• Incidentes e escaladas: Claude ajuda "pesadamente" na investigação a partir de logs de produção; em um domingo, com colegas ausentes no Slack, o problema de CI foi resolvido antes de segunda-feira.

3.5 Gerenciamento de testes e segurança

• Flaky tests: com dezenas de milhares de testes, criaram um "funcionário virtual" — agente com conta própria no GitHub que monitora, investiga e propõe correções, tratado como colega.
• Pesquisa de segurança: a maioria dos relatórios é inútil, mas o 1% restante é valiosíssimo. Hoje, um pesquisador que não usa agentes "não é mais um pesquisador de segurança" e precisa se adaptar.

3.6 Experimentação e prototipagem

• Experimentos de baixo custo: testar a troca de bibliotecas sem aprovação; PGO no compilador C++ implementado em apenas um dia.
• Otimização com métricas claras: ~20 commits para acelerar o build, com o terceiro entregando 90% da melhoria; custo de ~US$ 500 em tokens pago no 1º dia com 20% de economia em CI.
• Prototipagem de recursos: com especificação clara, gerar protótipos — pode exigir centenas de iterações e revisão cuidadosa, mas é barato.
• Wild coding: ideal para aplicações de exposição de segurança limitada — ferramentas internas, sites de demonstração ou o próprio site da apresentação.

3.7 Melhorando a dinâmica da equipe

• Influenciando colegas: em vez de relatar um problema vago, entregar um pull request. Ex.: documentação carregando +20 MB de JavaScript — diagnosticada e corrigida via agente, sem esperar resposta no Slack.
• Acelerando loops de feedback: agentes funcionam como engenheiros que nunca dormem, nunca tiram férias e não discutem, permitindo que pequenas equipes superem gargalos de comunicação entre departamentos.

Capítulo 4 · Recomendações e o futuro

4.1 Recomendações de uso

• IA como ferramenta de pensamento: não substitui o pensamento crítico — amplifica.
• Use além do código: apresentações, ferramentas locais e qualquer tarefa tediosa.
• Superespecificação é boa: desenvolvimento orientado por especificações gera melhores resultados.
• Tenha múltiplas ferramentas: Claude e Codex à mão para contornar interrupções de serviço.
• Comunique-se com educação: agentes emulam comportamento humano; ser rude pode levar a resultados destrutivos (ex.: dropar um banco de produção ao interpretar mal "reverter tudo").

4.2 O futuro da IA em projetos

• Funcionários autônomos para tarefas específicas e análise contínua da base de código.
• Loops ágeis automatizados e exigência de uso de IA desde os primeiros dias de novos funcionários.
• Política de código aberto acolhedora: em vez de fechar contribuições, abrir o máximo possível para receber milhares de PRs e selecionar apenas o necessário.

4.3 Medos, incertezas e dúvidas (FUDs)

O palestrante reconhece preocupações reais — "como evitar a psicose da IA?" e "como não perder o sono ao trabalhar com muitos agentes?" — e propõe discuti-las de forma mais informal.

Conclusão

A IA já é força transformadora na engenharia de software, com ganhos massivos de produtividade que permitem a pequenas equipes superarem desafios de escala e comunicação. Não é solução mágica e exige criatividade e supervisão humana, mas sua adoção é inevitável para permanecer competitivo. Os agentes devem ser vistos como colaboradores essenciais — e vale até redefinir políticas de contribuição em código aberto. Por fim, o convite para experimentar a tecnologia ClickHouse, na nuvem ou como projeto open source, destacando sua adoção por grandes empresas no Brasil.