A IA já escreve o código. Falta o harness que a faz escrever o código certo.
O modelo fica no centro. Em volta dele, tudo o que decide o resultado: o que ele lê, o que ele usa, onde ele escreve e quem confere — e um fluxo que o time segue sem decorar: research, plan, implement, verify.
o prompt do operador
como se trabalha aqui
arc42 · C4 · BDD · ADR
PRD · design · specs · tasks
o código que já está lá
lint e formatação
tipos e contratos
os *.test.js do tester
o pre-commit
a mensagem do commit
os workflows do GitHub
o modelo — prevê o próximo token a partir da janela
tudo em volta decide o que entra na janela e o que sai dela
11 ofícios, cada um na sua janela
52 procedimentos
47 defeitos proibidos
khaby-lame.sh, antes do Write
/craft /ship /audit /sync /extend
ferramentas externas
o código — onde a saída vira arquivo, com o teste ao lado
Fontes
o que ela lê antes de escrever
Claude Code
o modelo — prevê o próximo token a partir da janela
Recursos · .claude/
configuram o modelo
src/[contexto]/[container]/[componente]/
onde a saída vira arquivo, com o teste ao lado
Validadores
o veredito volta para o modelo
Fontes
specs/ e changes/ dizem o que é certo antes da primeira linha.
Recursos
agents, skills, rules, hooks e MCPs moldam como o modelo trabalha.
Código
src/ por contexto e componente: a saída cai no lugar certo.
Validadores
lint, tipos, testes e CI conferem antes de qualquer merge.
// O paradoxo
Todo mundo adotou a IA. Quase ninguém ficou mais rápido.
A adoção virou regra, mas a entrega não acompanhou. Os estudos mais rigorosos contam a mesma história: sem método, a IA gera mais código — e mais trabalho para verificar.
84%
dos desenvolvedores usam ou vão usar IA — e 46% desconfiam da precisão do que ela entrega.
Fonte: Stack Overflow Developer Survey 2025, 49 mil respostas
19%
mais lentos: devs experientes com IA, em repositórios reais — enquanto acreditavam estar 20% mais rápidos.
−7,2%
na estabilidade de entrega a cada 25% a mais de adoção de IA. A vazão também cai: −1,5%.
Fonte: DORA State of DevOps 2024
+91%
no tempo de revisão de PR em times com alta adoção. Os PRs ficam 154% maiores.
Percepção × realidade
Devs experientes, tarefas reais, com e sem IA. Variação no tempo de entrega.
Previsão antes
+24%
Percepção depois
+20%
Medido
−19%
Fonte: METR, 2025
O que +25% de adoção de IA move
Variação estimada em cada indicador, por 25 pontos a mais de adoção.
Qualidade da documentação
+7,5%
Qualidade do código
+3,4%
Velocidade de review
+3,1%
Vazão de entrega
−1,5%
Estabilidade de entrega
−7,2%
Fonte: DORA 2024
Onde o ganho individual evapora
Times com alta adoção de IA: cada etapa amplia a anterior — até o gargalo da revisão.
+21%
tarefas concluídas
+98%
PRs abertos e mergeados
+154%
tamanho médio do PR
+91%
tempo de revisão
0
ganho medido no nível da empresa
Fonte: Faros AI, 2025
A IA não transforma a organização sozinha. Ela amplifica o que já existe — as forças de quem tem método e as disfunções de quem não tem.
Síntese do DORA State of AI-assisted Software Development 2025, ~5 mil profissionais
O agente não tem contexto
Modelos degradam conforme a entrada cresce. Despejar o repositório na janela não resolve — piora.
O código não se deixa navegar
Quando a dependência não tem nome óbvio, o agente cobre 76% do que importa. Quando a estrutura é navegável, 99%.
Não há especificação
45% do código gerado falha em testes de segurança. Blocos duplicados crescem 4x; copiar já supera reaproveitar.
// A resposta
Um ecossistema, não uma ferramenta
Cada peça ataca uma causa. Juntas, fazem a IA trabalhar com o contexto certo, no lugar certo, com a prova certa.
O harness
Onze ofícios com escopo fechado, 47 regras, 52 habilidades e um roteamento que decide quem entra.
Ver .claude/A documentação viva
arc42, C4, BDD e ADR descrevem o sistema; changes/ descreve cada mudança antes do código.
Ver specs/O código navegável
Contexto, container e componente viram pastas. Tudo o que muda junto, mora junto.
Ver src/O ritmo
Research, plan, implement, verify — anunciado em uma linha, sem pedir licença, sem decorar.
Ver fluxoo sistema como é
o que vai mudar
o código que muda
// Antes e depois
Do vibe coding ao desenvolvimento agêntico
| IA sem método | Com o ecossistema | |
|---|---|---|
| Contexto | O que couber na conversa | specs/ + changes/, lidos no tempo certo |
| Quem faz | Um agente genérico para tudo | Onze ofícios, cada um na sua janela |
| Onde mexer | Busca por palavra e esperança | Uma capacidade, uma pasta |
| Qualidade | Revisão humana sobrecarregada | 34 regras julgadas antes do humano |
| Documentação | Escrita depois, se sobrar tempo | Atualizada na mesma mudança |
| Fluxo | Cada pessoa do seu jeito | O mesmo ritmo para todo o time |
// Quem aponta na mesma direção
Não é uma aposta isolada
A indústria e a pesquisa convergem: especificar antes, isolar contexto, verificar sempre.
Thoughtworks Technology Radar
Spec-driven development entrou no radar em nov/2025, com Kiro, spec-kit e Tessl como exemplos.
Fonte: Technology Radar vol. 33
Anthropic Engineering
Um sistema multiagente superou o agente único em 90,2% — cada subagente com sua própria janela de contexto.
DORA
Documentação de qualidade multiplica o efeito das práticas técnicas: +750% em integração contínua.
Fonte: DORA, Documentation quality
Pesquisa acadêmica
A disciplina de especificação humana, não a capacidade do modelo, é a restrição que decide a confiabilidade.
Fonte: Farrag, arXiv 2026
Leve o ecossistema para o seu time
Três passos para começar amanhã, e as respostas para as perguntas que vão aparecer na apresentação.