Eng · Dev com IA
Destaque
Engenharia · Software com IA
A GitHub propõe uma forma de revisar melhor código gerado por agentes de IA: em vez de um único pull request com diffs enormes (ex.: 1.721 linhas), a ideia é decompor a feature em uma “stack” de pull requests menores e independentes. O fluxo usa o suporte nativo do GitHub para stacked PRs e a extensão/CLI gh stack (gh extension install github/gh-stack e gh skill install github/gh-stack), começando por uma base definida para que as regras de CI e merge sejam avaliadas em cada camada.
Na prática, cada camada fica focada em um tipo de mudança (dados, API, wiring, UX), permitindo revisões mais rápidas e com contexto suficiente do que já foi aprovado antes. Para devs, isso reduz o risco de PRs subavaliados e conflitos, e ajuda os agentes a “entregar em partes” com contratos e validações mais fáceis de checar em cada etapa.
#InteligenciaArtificial · #AgentesDeIA · #CodeReview · #PullRequests · #GitHub · #SDLC
Eng · Dev com IA
Destaque
Engenharia · Software com IA
Um artigo da The New Stack aponta que modelos como Claude, Gemini e GPT-5 conseguem executar tarefas do SDLC (planejamento, coding, testes, validação e documentação), mas “quase nenhum” deveria ser usado para tudo. A discussão migra de preocupações de segurança e privacidade para um risco mais estrutural: quando a IA chega à produção, o problema tende a ser a arquitetura do sistema de entrega, não o texto gerado pelo modelo.
A proposta é tratar a entrega de software com IA como uma “cadeia de suprimentos” (supply chain), com agentes e modelos especializados por etapa — por exemplo, um para unit tests, outro para code review, outro para validação e conformidade — orquestrados com governança e visibilidade. Para times dev, isso muda a prática: em vez de um único modelo “faz-tudo”, a eficiência, o custo e o controle passam a depender de orquestração, especialização e políticas aplicadas ao pipeline.
#InteligenciaArtificial · #SoftwareDelivery · #LLM · #AIagents · #MLOps · #DevSecOps
Eng · Dev com IA
Destaque
Engenharia · Software com IA
A cofundadora e CEO da Quotient, Lizzie Matusov, apresentou um framework para entender a “maturidade de IA” em organizações de engenharia e os gargalos que travam resultados no ciclo de vida do software. Ela citou dados como crescimento de 47% no gasto global com IA em 2026 (ano contra ano), projeção de US$ 2,5 trilhões e que 72% das empresas já rodam ao menos um workload de IA em produção. No debate sobre ROI, Matusov mencionou casos como a Uber, que teria consumido o orçamento de IA de 2026 em quatro meses, e a Microsoft, que planeja descontinuar o Claude Code por questões de orçamento e falta de relação estável entre custo e produtividade.
A tese central é que, mesmo com ganhos individuais de produtividade, a entrega ponta a ponta pode não melhorar se o sistema tiver um gargalo (ex.: code review, testes ou deploy) — o que aumenta WIP, alonga lead time e piora a qualidade. Para times de dev, a implicação prática é tratar IA no SDLC como mudança de processo e engenharia: identificar onde o fluxo trava e só então expandir o uso de IA para destravar throughput com qualidade.
#AI maturity model · #SDLC · #code review · #software delivery · #bottlenecks · #DORA report
