O que a IA não sabe sobre como você trabalha

ai-nativecontextoprodutividade

Há uma observação do Deepak Singh, VP de Developer Agents da AWS, que me parece o diagnóstico mais preciso do que está acontecendo com produtividade de engenharia agora. Times usando ferramentas de IA idênticas chegam a resultados completamente diferentes. Quinze a trinta por cento de ganho para uns. Três a dez vezes para outros.

Steve Tarcza, diretor de desenvolvimento de software da Amazon, explicou a diferença em uma frase. "O que a IA não sabe é como você trabalha."

O que o modelo não traz de fábrica

Um modelo de linguagem vem com conhecimento público vasto. Ele reconhece padrões arquiteturais, resolve classes inteiras de problemas que já têm solução conhecida, e gera código que compila na primeira tentativa com uma frequência que seria impossível sem IA. Esse conhecimento acompanha qualquer assinatura de ferramenta que você contratar.

O que ele não traz é o conhecimento privado da sua organização. Quais trade-offs foram feitos e por que foram aceitos. Quais convenções que parecem arbitrárias têm uma razão de existir. Quais módulos não podem crescer juntos por razões que vivem apenas em decisões que nunca foram formalmente registradas.

Esse conhecimento existe. Vive nas cabeças das pessoas, em reuniões sem registro, em commits com mensagens como "fix issue", e em escolhas técnicas que viraram código sem explicação. Quando um agente entra nesse ambiente, ele opera com o que tem: o conhecimento público, e nada mais.

Por que 16% não chegam a 10x

A aritmética ajuda a entender por onde o 10x surge, e por onde ele não surge.

Dados publicados no LeadDev em julho de 2026, cobrindo mais de 400 empresas entre novembro de 2024 e fevereiro deste ano, mostram que o aumento mediano de throughput de pull requests com IA foi de 7,76%. A média ficou em 13,1%. O décimo percentil superior chegou a quase 44%.

São ganhos reais. Mas codificação representa cerca de 16% do tempo de um engenheiro. Se você dobra a velocidade de codificação, você move 16% mais rápido no total. Bom, mas longe de 10x. Os times que chegam a esse patamar estão ganhando em outros lugares também: especificação, planejamento, integração, revisão. Para ganhar nessas etapas com IA, o agente precisa entender o contexto que não está no modelo de fábrica.

A Amazon desenvolveu a funcionalidade "Add to Order" com especificações explícitas e contexto organizacional documentado. O resultado foi dois meses de antecipação na entrega. Não com um modelo diferente. Com um contexto diferente.

O arquivo único não escala

A resposta instintiva para esse problema é criar um arquivo de configuração. Um .cursorrules, um CLAUDE.md, um conjunto de instruções que o agente lê no começo de cada sessão. Funciona para projetos modestos.

Aristidis Vasilopoulos documentou o que acontece além desse limite. Ele construiu um sistema em C# com 108 mil linhas usando Claude Code, ao longo de 70 dias e 283 sessões de trabalho, e publicou os achados no arXiv em fevereiro de 2026. A conclusão principal: documentos de configuração convencionais não escalam para projetos complexos. A solução que funcionou foram cerca de 26 mil linhas de documentação estruturada em três camadas: uma constituição para regras gerais, agentes especializados por domínio e uma base de conhecimento consultada sob demanda.

O modo de falha que ele identificou é preciso. Especificações desatualizadas fazendo o agente gerar código baseado em informações que já não valem. O problema não era o modelo. Era o contexto que o modelo recebia.

Contexto é trabalho de engenharia

Há uma diferença que me parece central entre ter um arquivo de contexto e ter uma infraestrutura de contexto.

O arquivo é um ponto de partida. A infraestrutura é estruturada, versionada, dividida por domínio, e mantida com a mesma disciplina com que se mantém código de produção. Quando ela envelhece, as saídas do agente pioram silenciosamente. Quando ela está atualizada, o agente opera com o conhecimento privado que separa aquela empresa de qualquer time que use a mesma ferramenta sem esse investimento.

O relatório DORA de 2025, com dados do Google Cloud e parceiros, chegou a essa mesma direção pela via quantitativa: a IA amplifica o que já existe. Se o que existe é conhecimento bem documentado e acessível, o amplificador funciona. Se o que existe são padrões implícitos e decisões não registradas, o amplificador amplifica a ambiguidade.

Fazer com que o modelo saiba como você trabalha não é configuração. É engenharia.

As ferramentas estão disponíveis para qualquer time. O conhecimento sobre como você trabalha é seu, e ficou nas cabeças das pessoas porque documentá-lo sistematicamente era trabalho sem retorno claro. A IA virou aquele retorno. A diferença entre 15% e 10x passa, em boa parte, por aqui.

O que a IA não sabe sobre como você trabalha

O que o modelo não traz de fábrica

Por que 16% não chegam a 10x

O arquivo único não escala

Contexto é trabalho de engenharia

Referências