Níveis de adoção de IA

do autocomplete à fábrica: um guia para FDEs
Gustavo Pinto
Gustavo Pinto
AI Staff Engineer, iFood
Professor, UFPA
Pegue o celular! 📱
Entre em menti.com
e use o código
4392 9443
QR codelinkedin.com/in/ghlp

Uma escada em sete degraus

NívelPráticaPapel humanoArtefato típico
0Sem IA. Código escrito à mão; IA proibida ou não adotadaAutor—
1Autocomplete e chat. Sugestões de linha e perguntas avulsasAutor que consulta—
2Agente supervisionado. Agente no IDE; cada passo é aprovadoPar, revisor linha a linha—
3Contexto codificado. Regras, AGENTS.md, skills e testes guiam o agenteRevisor de diffsConfiguração versionada
4Trabalho em segundo plano. Agentes recebem a tarefa e devolvem PRsGerente de tarefasSpecs, planos, issues
5Workflow e orquestração. Agentes no CI e orquestradoresDesigner do processoOrquestrador, pipelines
6Fábrica autônoma. Spec entra, software saiDesigner da verificaçãoCenários, harness
linkedin.com/in/ghlp

Nível 0

Sem IA

O código é escrito sem IA, por proibição ou por escolha.

  • Samsung (vazamento)1 e JPMorgan (regulação)2 restringiram o ChatGPT em 2023
  • Projetos como Gentoo e NetBSD proíbem código gerado, por copyright3
Gentoo, abr/2024[^gentoo]
Gentoo, abr/20243
linkedin.com/in/ghlp

Nível 0: como fazer

O que passar

  • Ainda nada: primeiro, mapear o que é sensível
  • Dados pessoais (CPF, e-mail, telefone), segredos, contratos

Como passar

  • Política de uso combinada com o cliente
  • Um gateway único para os modelos

Como confiar

  • Classificar dados e repositórios
  • Anonimizar dados pessoais antes do prompt
Exemplo: o JPMorgan bloqueou o ChatGPT em 20231 e, um ano depois, criou o LLM Suite, plataforma interna liberada aos funcionários2
linkedin.com/in/ghlp

Nível 1

Autocomplete e chat

A IA sugere a próxima linha ou responde perguntas; quem programa copia, cola e adapta.

  • Copilot e Cursor Tab sugerem a próxima linha
  • ChatGPT e Gemini respondem no chat
  • Peng et al.: com Copilot, 55,8% mais rápido1
Sugestão inline: Tab aceita (ilustração)
Sugestão inline: Tab aceita (ilustração)
Peng et al., 2023[^peng]
Peng et al., 20231
linkedin.com/in/ghlp

Nível 1: como fazer

O que passar

  • Trechos isolados: regex, mapeamento JSON, SQL
  • Dúvidas sobre uma API desconhecida

Como passar

  • Cole o contrato OpenAPI e um payload real
  • Uma pergunta por vez

Como confiar

  • Rode antes de colar
  • Confira se o pacote sugerido existe
Exemplo: o iFood liberou serviços de LLM para todos os 8 mil colaboradores, atrás de uma plataforma própria que anonimiza dados pessoais antes de o prompt sair1
linkedin.com/in/ghlp

Nível 2

Agente supervisionado

Um agente lê e edita arquivos e roda comandos; cada ação pode passar por aprovação.

  • Claude Code, Cursor e o modo agente do Copilot
  • Zup: criamos o CodeGen, nosso próprio agente CLI, por segurança, privacidade e compliance1
Claude Code[^claude-code]
Claude Code2
Pinto et al., Zup, abr/2026[^codegen]
Pinto et al., Zup, abr/20261
linkedin.com/in/ghlp

Nível 2 na prática

Anthropic, out/2025[^sandbox]
Anthropic, out/20251
The Stack, jul/2025[^replit]
The Stack, jul/20252

Cases

  • METR: com Cursor, devs experientes levaram 19% mais tempo, mas se acharam mais rápidos3
  • Anthropic: com sandbox, 84% menos pedidos de permissão1
  • Zup + Claude Code + MCP do Figma: 8 telas de 10 dias para 2 horas4

Riscos e desafios

  • Replit: agente apagou o banco de produção em pleno code freeze2
  • Fadiga de aprovação vira YOLO sem sandbox
  • Tokens: cada passo reenvia arquivos e contexto; média de US$ 13 por dev por dia ativo no Claude Code5
linkedin.com/in/ghlp

Nível 2: como fazer

O que passar

  • Mudanças em poucos arquivos: um endpoint, um mapper, uma política
  • Bugs com passo a passo para reproduzir

Como passar

  • Peça o plano antes do código
  • Aponte os arquivos e o teste que deve passar
  • Modelo de fronteira só quando precisa

Como confiar

  • Commit antes de cada pedido1
  • Credenciais de homologação, nunca de produção
Exemplo: no iFood, cada pessoa tem US$ 100 para modelos de fronteira e uso livre de modelos eficientes, como DeepSeek (política interna)
linkedin.com/in/ghlp

Nível 3

Contexto codificado

As regras do time viram arquivos que o agente lê antes de agir, e os testes conferem o resultado.

  • AGENTS.md1, CLAUDE.md e .cursor/rules
  • Skills e servidores MCP com a documentação interna
  • Esse entorno do agente (regras, ferramentas, testes, sandbox) é o harness2
Böckeler, fev/2026[^fowler]
Böckeler, fev/20263
agents.md[^agentsmd]
agents.md1
linkedin.com/in/ghlp

Nível 3 na prática

502 skills do iFood: o que a descrição diz × o que a skill faz
502 skills do iFood: o que a descrição diz × o que a skill faz
Pillar Security, mar/2025[^pillar]
Pillar Security, mar/20251

Cases

  • AGENTS.md em 60 mil projetos open source2
  • iFood: catálogo central com 502 skills para ~8 mil engenheiros
  • RAMP, 441 repos com agentes: sem arquivo de regras, a complexidade do código sobe 53%; com regras, 27%3

Riscos e desafios

  • 1 em 3 skills faz algo diferente do que a descrição diz
  • 73,8% dos arquivos de regras nunca são atualizados3
  • Rules File Backdoor: unicode invisível nas regras1
linkedin.com/in/ghlp

Nível 3: como fazer

O que passar

  • O que o time repete: novo endpoint no padrão, nova política no gateway

Como passar

  • AGENTS.md com o guia de APIs: nomes, erros, paginação, versão
  • Skills e MCP com a documentação interna
  • Invista no harness, não no prompt1

Como confiar

  • Lint e testes de contrato no CI
  • Revisar o que a skill executa, não só a descrição
  • Erro repetido vira regra no arquivo
Exemplo: o iFood liga Copilot, Cursor e Claude Code à documentação de engenharia por um servidor MCP, o Tompero Docs2
linkedin.com/in/ghlp

Nível 4

Trabalho em segundo plano

A tarefa vira issue ou spec, o agente trabalha em segundo plano e devolve um PR.

  • Codex, Devin, Jules e o coding agent do Copilot
  • Shapiro: o dev passa a atuar como gerente1
  • Ferino et al.: a confiança decide quanto passar2
Osmani, jan/2026[^osmani]
Osmani, jan/20263
Ferino et al., ICSE 2027[^ferino]
Ferino et al., ICSE 20272
linkedin.com/in/ghlp

Nível 4 na prática

Stripe, fev/2026[^stripe]
Stripe, fev/20261
Spotify, nov/2025[^spotify]
Spotify, nov/20252
Devin sobre o Nubank[^nubank]
Devin sobre o Nubank3

Cases

  • Stripe Minions: +1.000 PRs mergeados por semana1
  • Spotify Honk: +1.500 PRs em produção2
  • Nubank: Devin dividiu um ETL de 6 milhões de linhas, 8 a 12x mais eficiente3

Riscos e desafios

  • A revisão humana vira gargalo2
  • Uber: o orçamento de IA de 2026 acabou em abril, com até US$ 2.000 por engenheiro/mês4
  • O dev perde o modelo mental do código
linkedin.com/in/ghlp

Nível 4: como fazer

O que passar

  • Issues fechadas: migração, testes, correção de vulnerabilidade

Como passar

  • Spec com critério de aceite e fora de escopo
  • Fronteira para planejar, modelo eficiente para executar

Como confiar

  • Teste que falha sem a mudança
  • Leitura humana do que toca auth, dados e segredos1
  • Custo por PR entregue, não por pessoa
Exemplo: no Itaú, com specs, playbooks e revisão humana, o Devin migrou 59 BFFs de .NET para Java 6x mais rápido2
linkedin.com/in/ghlp

Nível 5

Workflow e orquestração

Agentes viram etapas do processo, disparados por eventos, e vários rodam ao mesmo tempo.

  • Claude Code e Codex rodando no GitHub Actions
  • CodeRabbit e o Copilot fazem a primeira revisão de PR
  • Yegge orquestra dezenas de agentes com o Gas Town1
Yegge, jan/2026[^yegge-gt]
Yegge, jan/20261
Park et al., set/2026[^park]
Park et al., set/20262
linkedin.com/in/ghlp

Nível 5 na prática

Airbnb, mar/2025[^airbnb]
Airbnb, mar/20251
Zup, case FAHZ[^fahz]
Zup, case FAHZ2
Aikido, dez/2025[^aikido]
Aikido, dez/20253

Cases

  • Airbnb: 3.500 testes migrados em 6 semanas1
  • iFood: um gestor criou um revisor automático que comenta em todo MR (uso interno)
  • FAHZ (Ambev) + Zup: revisão automática passou a cobrir 94% dos PRs, antes 11%2

Riscos e desafios

  • PromptPwnd: issue injeta prompt no CI3
  • s1ngularity: malware usou CLIs de IA4
  • Gas Town: milhares de dólares por mês5
linkedin.com/in/ghlp

Nível 5: como fazer

O que passar

  • Etapas do pipeline: alertas de SAST, migrações em lote, primeira revisão

Como passar

  • Gatilhos por evento: alerta, issue, PR
  • APIs como ferramentas MCP, com escopo mínimo, como no AI Gateway da Sensedia1
  • Roteador de modelos no gateway: AT&T gastou 56% menos2

Como confiar

  • Menor privilégio e filtro de dados pessoais
  • Humano antes de ação irreversível
  • Teto e painel de tokens por agente3
Exemplo: no iFood, o Claude Code com MCP de GitLab, banco e Kubernetes roda num cron de 1 em 1 minuto: vigia logs e pods, consulta produção e ajusta MRs (uso interno)
linkedin.com/in/ghlp

Nível 6

Fábrica autônoma

Uma spec entra e software sai; ninguém escreve nem revisa o código, e o humano desenha a verificação.

  • StrongDM: cenários fora do repositório conferem o resultado1
  • OpenAI: com harness engineering, 1 milhão de linhas e nenhuma escrita à mão2
  • Shapiro chama de dark factory3
Willison sobre a StrongDM, fev/2026[^factory]
Willison sobre a StrongDM, fev/20261
linkedin.com/in/ghlp

Nível 6: como fazer

O que passar

  • Um serviço inteiro, a partir da spec

Como passar

  • Cenários de negócio fora do repositório
  • Gêmeos das APIs de terceiros: mocks e sandboxes

Como confiar

  • Medir cenários satisfeitos, não linhas
  • Canário e rollback automático
Exemplo: o Itaú simulou um Pix por voz: 18 dias no ciclo normal, 5 com humanos nas decisões críticas, 14 horas só com agentes1
linkedin.com/in/ghlp

Em qualquer nível, estas decisões são do FDE

  • Escopo: qual problema resolver, o que fica fora e qual é o critério de aceite
  • Contrato: fixar a API e aprovar cada dependência nova
  • Revisão: ler linha a linha o que toca auth, dados pessoais e segredos
  • Produção: rollback, orçamento de tokens e o que dizer ao cliente quando cai
linkedin.com/in/ghlp
That’s all Folks!
linkedin.com/in/ghlp · mail@gustavopinto.org · gustavopinto.org · ML4SE.substack.com