A maioria das empresas não planejou remover o design do ciclo. Planejou remover os engenheiros. A diferença ficou invisível até os dados aparecerem.
Uma pesquisa do Gartner com 350 executivos globais de empresas acima de US$ 1 bilhão que pilotaram ou implantaram IA autônoma chegou a um resultado claro: 80% fizeram cortes de pessoal, e nenhum desses cortes gerou retorno sobre investimento. Metade dessas organizações vai precisar recontratar até 2027. A Klarna cortou centenas de posições de atendimento ao cliente, viu a satisfação despencar e agora está recompondo o time. O Commonwealth Bank automatizou dezenas de funções de call center com bots de voz e deu marcha a ré em dias, pressionado por reclamações em cascata.
Dá pra ler como erro de gestão. Como prova de que a IA ainda não está pronta. Mas há uma leitura técnica aqui, e ela é mais produtiva.
O que saiu junto com os cargos
A pesquisa foi direta sobre o que gera e o que não gera retorno. Cortes de pessoal podem abrir espaço no orçamento, mas não criam retorno. As organizações com melhores resultados não foram as que eliminaram a necessidade de pessoas. Foram as que ampliaram pessoas, investindo em funções e modelos operacionais que permitem humanos guiar e escalar sistemas autônomos.
Guiar. Não operar. A distinção importa.
O que muitas empresas removeram não foi trabalho repetitivo. Foi a camada de projeto. Alguém que decidia como estruturar o sistema, que nomeava as abstrações, que calibrava a arquitetura quando o domínio mudava. Quando essa camada some, o agente continua gerando código. Só que sem direção adequada.
Por que código mal projetado quebra o agente também
Valentina Servile, engenheira sênior da ThoughtWorks, publicou em julho um argumento preciso sobre isso. A pergunta que ela coloca não é "a IA pode escrever código?", que é a pergunta de 2024. É "o design do código ainda importa quando um agente é quem escreve?".
A resposta é sim, com razão técnica direta: código mal estruturado leva o agente a premissas erradas, aumenta o consumo de tokens e eleva a taxa de erros. Dívida técnica tem custo mensurável em processamento, não só em manutenibilidade. Um estudo publicado no arXiv em março analisou mais de 300 mil commits gerados por IA em 6.299 repositórios do GitHub e encontrou que 22,7% dos problemas introduzidos persistem na versão mais recente dos projetos. Oitenta e nove por cento dessas ocorrências são code smells, ou seja, problemas de design.
O ponto de Servile vai além do dado: o agente não é determinístico. Compilador retorna erro ou não. O agente produz variações, e distinguir o resultado correto do aceitável e do ruim exige julgamento técnico. Esse julgamento não desaparece quando o agente entra no ciclo. Ele muda de lugar, mas continua necessário.
Código com dois leitores
O argumento central do artigo da Servile é que o código agora tem dois tipos de leitores, humanos e agentes, e isso eleva a exigência do design.
Quando o agente lê código existente para gerar o próximo trecho, ele interpreta o design. Design ambíguo produz output que parece coerente internamente mas pode contradizer a intenção do sistema. Ela recorre a Dijkstra de 1978: especificações imprecisas prejudicam humanos, e prejudicam agentes ainda mais, porque o agente não carrega o contexto tácito que o humano acumula com o tempo.
Na minha leitura, é aí onde o ciclo identificado pelo Gartner fecha. As empresas automatizaram a produção de código sem manter a camada que dá direção ao que é produzido. Corte de pessoal, queda de qualidade, pressão de recontratação. O design não foi automatizado junto. Simplesmente ficou sem dono.
O projeto como trabalho que não termina
Tem um detalhe no argumento da Servile que não quero passar batido.
Ela diz que design não é uma etapa que você conclui antes de começar. É processo contínuo de ajuste conforme o contexto do sistema evolui. Isso desfaz a ideia de que um arquiteto define a estrutura no início e o agente executa no resto. O domínio muda, o sistema cresce nas bordas, e alguém precisa recalibrar o projeto enquanto isso acontece. Esse alguém precisa entender o domínio o suficiente para distinguir evolução intencional de desvio silencioso.
A pergunta mudou. Não é mais "quem digita o código?". É "quem sustenta o projeto enquanto o agente produz?". As organizações que respondem essa pergunta bem são as que o Gartner identificou com retorno real. As outras estão no ciclo que vimos nos números.
O que funciona, segundo o estudo, é amplificar pessoas investindo em modelos operacionais que permitem humanos guiar sistemas autônomos. Guiar pressupõe projeto. E projeto ainda precisa de alguém que entenda de código o bastante para fazê-lo.
Referências
- Valentina Servile – Should we still design code for humans?. ThoughtWorks, 23 jul 2026. Fonte principal: design de código essencial para humanos e agentes.
- Leandro Miguel Souza – Metade das empresas que demitiram por IA vai recontratar até 2027. InfoMoney, 19 jul 2026. Dados Gartner: 80% sem ROI; 50% recontratando até 2027; casos Klarna e Commonwealth Bank.
- Yue Liu et al. – Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild. arXiv 2603.28592, 30 mar 2026. 22,7% dos problemas introduzidos por IA persistem nos repositórios; 89,3% são code smells.