A conversa sobre agentes de IA dentro das empresas tem um viés que reaparece toda vez. A atenção vai quase toda pro modelo: qual é o mais rápido, qual aceita contexto maior, qual erra menos. Como se a escolha do modelo fosse a variável principal que determina se a empresa vai ter resultado ou não.
O Perforce 2026 State of Platform Engineering Report chegou com dados que viram essa lógica de cabeça pra baixo.
A distância entre 94% e 51%
O relatório cruzou níveis de maturidade de platform engineering com resultados de adoção de IA e encontrou uma lacuna difícil de ignorar.
Em organizações com governança formal, 94% relatam alta confiança nos resultados dos agentes de IA. Em organizações que operam com governança ad hoc, esse número cai pra 51%. Menos da metade. Não é diferença de modelo. É diferença de como a empresa está organizada em volta do modelo.
O padrão se repete quando você olha pra operação autônoma. Nas organizações com plataformas internas de desenvolvimento padronizadas, 44% reportam que agentes de IA já operam de forma completamente autônoma. Nas organizações ainda na fase experimental, esse número para em 26%. A autonomia que os agentes conseguem exercer depende diretamente da maturidade da plataforma que os recebe.
E um dado amarra tudo isso: 73% das organizações com maturidade de platform engineering citam essa maturidade como fator crítico ou significativo pro sucesso com IA. Entre as menos maduras, 44% chegam à mesma conclusão, só que com atraso, depois de já terem sofrido a instabilidade.
Por que a forma gera confiança
Por que governança formal produz confiança e governança ad hoc não produz?
A resposta está em onde o controle mora. Quando a governança é ad hoc, ela existe como processo. Alguém precisa revisar, alguém precisa aprovar, alguém precisa saber onde ficam as regras e lembrá-las no momento certo. O controle depende de atenção humana constante, e atenção humana constante não acompanha o ritmo que os agentes operam.
Quando a governança está codificada na plataforma, ela existe como estrutura. As regras não precisam ser lembradas porque estão embutidas no fluxo. O agente não sai do trilho porque o trilho delimita o espaço onde ele pode operar. Não é supervisão manual. É forma. E quando o agente opera dentro de uma forma bem construída, os resultados ficam previsíveis o suficiente pra gerar confiança de verdade.
Steve Tarcza, da Amazon, colocou assim: "Confiança é a moeda da adoção de IA." E como toda moeda, não dá pra imprimir do nada. Ela precisa ser acumulada ao longo do tempo, através de entrega consistente dentro de guardrails que funcionam.
O paradoxo dos 46%
Existe um número que parece contradizer o otimismo em torno de agentes de IA. Um levantamento de 2026 com desenvolvedores mostrou que 46% não confiam nos resultados da IA, e 66% relatam frustração com código que é "quase certo, mas não completamente". Dois em cada três precisam consertar alguma coisa antes de usar o que o agente gerou.
Esse número e o dado da Perforce descrevem mundos opostos ou o mesmo fenômeno?
Na minha leitura, eles descrevem o mesmo fenômeno visto de ângulos diferentes. Os 46% que não confiam estão, muito provavelmente, operando dentro de organizações sem plataforma madura. Sem guardrails codificados, sem golden paths definidos, sem políticas que delimitam o que o agente pode tocar. Nessas condições, o output do agente é imprevisível por definição. A desconfiança é racional.
Os 94% que confiam operam dentro de organizações que construíram a estrutura primeiro. A diferença não está na inteligência do modelo. Está no ambiente que o recebe.
O agente não chega com disciplina própria. Ele herda a credibilidade do ambiente onde opera.
A pergunta que importa mais
Se maturidade de plataforma é o que separa resultado de instabilidade, então a corrida pra instalar o agente mais capaz está mirando no alvo errado.
A pergunta relevante não é "qual modelo escolher". É o que o modelo vai encontrar quando chegar. Uma organização com políticas codificadas, workflows padronizados e um internal developer platform funcionando consegue extrair resultado consistente até de um modelo mediano. Uma organização que ainda depende de revisão manual e processos de aprovação lentos vai sobrecarregar qualquer modelo com fricção que o modelo não consegue resolver por si mesmo.
Maturidade de plataforma não compensa um modelo fraco. Mas a ausência dela sabota qualquer modelo. E como maturidade se leva tempo pra construir, as organizações que investiram antes da onda de agentes chegou têm uma vantagem que não é de tecnologia. É de tempo acumulado.
Essa vantagem composta é o que o relatório está medindo. E ela não aparece quando você pergunta qual modelo a empresa escolheu.
Referências
- Perforce Software – State of Platform Engineering 2026, press release (PRNewswire, jul 2026)
- Puppet – State of DevOps Report: Platform Engineering Edition 2026
- Paul Nashawaty – AI-native software development reshapes engineering (SiliconANGLE, 31 jul 2026)
- Devessence – AI in Software Development 2026: SDLC Impact, Real Productivity Data (mai 2026)