Mais uma edição do Technology Radar foi lançada, trazendo nossa perspectiva sobre as principais macrotendências que, em conjunto com observações do cenário tecnológico como um todo, embasaram nossas discussões durante sua elaboração. Mike Mason, nosso Chief AI Officer e ex-autor desta série, encontrou espaço em sua agenda lotada para retornar como coautor deste artigo. Ele se une a Will Amaral, atual product owner do Tech Radar, para oferecer reflexões adicionais que vão além do escopo desta edição.
O burburinho sobre IA não está diminuindo, e o "vibe coding" é a nova fronteira
A empolgação em torno da IA permanece intensa, com novos recursos e casos de uso surgindo praticamente toda semana. Comentamos anteriormente sobre o crescimento exponencial de ferramentas baseadas em IA, tanto para uso geral quanto para tarefas típicas de engenharia de software. Nos últimos seis a 12 meses, os assistentes de programação impulsionados por IA foram além do preenchimento automático básico e agora conseguem lidar com refatorações complexas, compreender bases de código inteiras e até mesmo executar comandos. Na última edição do Radar, citamos o surgimento de assistentes de programação "agênticos" — programadores de IA capazes de realizar múltiplas etapas de codificação com base em solicitações gerais —, e essa tendência continua avançando rapidamente. Ferramentas pioneiras, como Cursor, Cline e Windsurf, estão sendo integradas aos IDEs, enquanto diversas empresas prometem uma solução de desenvolvimento de software “agêntico”.
Ainda que tudo isso seja promissor, vale ressaltar que essas ferramentas funcionam de maneira supervisionada: a pessoa desenvolvedora permanece "no circuito", orientando a IA e aprovando suas ações. Um exemplo recente é o "vibe coding" — um fluxo de trabalho descontraído em que profissionais de software passam instruções de voz ou via chat para a IA. O conceito soa atraente por sua agilidade e informalidade, especialmente útil em projetos rápidos. No entanto, o termo se espalhou rapidamente, com algumas empresas e startups declarando usar “vibe coding” exclusivamente em código de produção crítico. Esse fenômeno reforça a discussão sobre o uso responsável da IA, sublinhando a importância do julgamento humano e da revisão completa do código quando se utiliza fluxos de trabalho assistidos por IA. Seguimos cautelosos quanto às previsões de substituição total de pessoas desenvolvedoras por IA: em nossos próprios testes, o Claude Code economizou 97% de esforço na primeira tentativa, mas falhou nas duas seguintes.
Inteligência empresarial: A IA da empresa
A IA está se tornando parte fundamental das operações corporativas, não apenas como ferramenta de automação de tarefas, mas como um recurso que pode transformar profundamente a tomada de decisões, o gerenciamento de riscos e o relacionamento com clientes. Embora essa mudança ainda não esteja completamente consolidada e sua adoção seja irregular, cada vez mais organizações começam a vislumbrar um futuro em que a IA não é apenas uma camada adicional, mas parte integrante de sua estrutura.
Isso nos leva a uma questão central: não se trata de saber se a IA se tornará uma infraestrutura essencial, mas de como nos prepararmos para essa realidade sem sermos pegos de surpresa.
Com essa transformação em andamento, a garantia de qualidade e a governança estão ganhando complexidade e urgência. Os processos tradicionais de controle de qualidade não foram pensados para lidar com problemas como desvio de modelo, alucinações ou comportamento imprevisível. Como resposta, as equipes de engenharia têm adotado ferramentas de observabilidade de modelos, estruturas de avaliação e práticas de teste específicas para IA, sobretudo em setores em que o custo do erro é elevado.
Um desafio notável é o que se pode chamar de "IA como TI invisível": equipes criam suas próprias ferramentas, algumas vezes de código aberto, outras vezes de SaaS, sem passar pelos canais oficiais. É compreensível: elas são acessíveis, poderosas e úteis em problemas concretos. Porém, também trazem riscos, pois geram um ecossistema fragmentado de uso de IA, com pouca supervisão ou consistência. Algumas empresas estão reagindo com registros simplificados, rastreamento de uso e políticas flexíveis para se antecipar a esses cenários. Ainda estamos nos estágios iniciais, mas a intenção é clara: permitir a inovação sem perder a governança de vista.
Além disso, há uma mudança mais profunda e pouco comentada: a IA está remodelando a forma como as organizações são estruturadas. Não se trata apenas de fazer mais rápido ou em maior volume — envolve redefinir quem faz o quê, como as decisões são tomadas e onde reside a responsabilidade. Os papéis se tornam mais fluidos; suposições sobre confiança e autoridade são colocadas à prova. E essa não é apenas uma questão tecnológica — afeta liderança, RH e governança. A maioria das empresas não está preparada para a amplitude que essa transformação pode alcançar.
No nível de equipe, a IA estimula desenvolvedoras e designers a refletirem: estamos construindo para seres humanos ou para máquinas? À medida que as ferramentas de IA evoluem (desde geração de código até sugestões de design e automação), é fácil acostumar-se à praticidade. Entretanto, algumas equipes estão recuando um pouco e retomando o foco no produto e na experiência do usuário, garantindo que tudo seja relevante e sustentável. A IA pode acelerar entregas, mas não deve prejudicar a clareza ou a qualidade dos projetos.
A "IA-ficação" das empresas não chega como uma onda gigantesca; é mais parecida com uma maré que avança de forma constante, silenciosa e transformadora. As organizações que lidarem bem com isso não vão apenas adotar novas ferramentas: vão fazer perguntas mais amplas — sobre estrutura, competências e confiança — e usar essas reflexões para evoluir com propósito.
A observabilidade mantém a complexidade sob controle
Os sistemas de software modernos são altamente distribuídos e cada vez mais permeados por componentes de IA, tornando a observabilidade mais essencial — e desafiadora — do que nunca. Esta edição do Radar registra uma nova onda de inovação em observabilidade, visando acompanhar essa complexidade crescente. Em primeiro lugar, conforme a observabilidade se torna mais crucial, os padrões se consolidam. Observamos um grande avanço na adoção do OpenTelemetry; agora ele é um dos projetos de crescimento mais rápido do CNCF, com contribuições de mais de 200 organizações. agora um dos projetos de crescimento mais acelerado da CNCF, com contribuições de mais de 200 organizações. Ele promove um ecossistema neutro em relação a fornecedores, e, com suporte de ferramentas como Alloy, Tempo e Loki, oferece ampla gama de opções e flexibilidade às pessoas desenvolvedoras.
Outra força propulsora é, naturalmente, a IA. A observabilidade de sistemas de IA e de modelos de linguagem de grande porte (LLMs) é um ponto focal com desafios inéditos. Métricas e logs não bastam para detectar desvios de modelo, falhas súbitas e alucinações. Nesse sentido, surgiram plataformas como Arize Phoenix, Helicone e Humanloop, voltadas a rastrear e avaliar as saídas de LLMs. Elas gravam avisos, monitoram as respostas dos modelos e ajudam a identificar problemas de qualidade. À medida que as equipes transformam a IA em soluções de produção, essa visibilidade se torna indispensável para a confiabilidade e a confiança, da mesma forma que o APM (monitoramento de desempenho de aplicativos) foi fundamental para os microsserviços.
A IA também está retroalimentando o campo da observabilidade ao ser integrada às próprias ferramentas de monitoramento. Diante da grande quantidade de dados de telemetria (logs, métricas e rastreamentos) em aplicativos de nuvem, as equipes de operações dependem cada vez mais da IA para detectar anomalias e diagnosticar problemas mais rapidamente do que uma pessoa conseguiria. As principais plataformas de observabilidade hoje incluem machine learning para detecção de anomalias, correlação de alertas e análise de causas raiz, como no Weave da Weights & Biases.
Além dos holofotes da IA
É fácil se deixar levar pelo entusiasmo constante em torno da IA, repleto de novas manchetes, descobertas e previsões audaciosas. Entretanto, alguns dos avanços mais relevantes ocorrem no chamado desenvolvimento de software “tradicional”. A IA ainda não eliminou algumas de nossas frustrações cotidianas, como as dificuldades do desenvolvimento multiplataforma, por exemplo. E é aí que ferramentas conhecidas estão evoluindo de forma notável.
Considere as interfaces de linha de comando (CLIs). Mesmo com a proliferação de interfaces gráficas modernas e de ferramentas baseadas em chat, as CLIs não só permanecem relevantes — elas estão prosperando. Desenvolvedoras seguem recorrendo a essas interfaces pela velocidade, controle e transparência que oferecem. E, graças a ferramentas recentes como uv e MarkItDown, as CLIs de hoje conseguem ser simultaneamente mais sofisticadas e simples de usar. Isso demonstra que a linha de comando não está ficando para trás — ela se reinventa para seguir essencial.
Também observamos movimentos interessantes no universo das linguagens de programação. Enquanto novatas como Gleam começaram a ganhar espaço, outras, como Swift, expandem seu alcance muito além do ecossistema original. Swift, em particular, está se firmando como uma alternativa em ambientes com recursos limitados, onde desempenho, confiabilidade e segurança de memória são cada vez mais críticos. É uma prova de que as pessoas desenvolvedoras buscam ativamente ferramentas que conciliem recursos modernos de segurança com eficiência no mundo real.
Terra firme em um cenário instável
Apesar do destaque que a IA recebe — estando presente em tudo, desde assistentes de programação até plataformas de operações —, sua onipresença chama atenção para algo fundamental: dados de qualidade e sistemas confiáveis. Sem dados confiáveis e bem gerenciados, até mesmo o modelo de IA mais poderoso falha. E, no cerne do software, permanece a maneira como armazenamos, manipulamos e transformamos dados em valor.
Em nossas discussões, um tema recorrente foi a forma como empresas e pesquisadoras estão repensando a governança e o fornecimento de dados. Técnicas de geração aumentada de recuperação (RAG) têm se desenvolvido rapidamente, pois a recuperação eficaz de dados funciona como ponte entre modelos de uso geral e a inteligência específica de cada organização. Um modelo gigantesco com contexto desatualizado ou irrelevante pode ser menos útil que um modelo menor, porém sustentado por dados de alta qualidade e atualizados. Nesse sentido, melhor cobertura, rastreabilidade e explicabilidade tornam o RAG mais confiável e transparente.
Mas todos esses avanços significam pouco se os dados subjacentes não forem tratados com cuidado. Para escalar IA e análise, é fundamental ter uma base de dados sólida. Cada vez mais equipes enxergam dados não como um elemento secundário, mas como um “produto” com propriedade claramente definida, padrões de qualidade, documentação e foco na usabilidade. Esse pensamento de “produto de dados” se baseia em conceitos como data mesh, onde equipes de domínio cuidam de ativos de dados interoperáveis e rastreáveis.
Na prática, um produto de dados pode ser um conjunto de dados 360 do cliente, um pipeline de pontuação de risco ou um painel interno — algo projetado, versionado e mantido como qualquer produto de software. Ele tem usuários, gera valor e evolui ao longo do tempo.
A mensagem é clara: abrace o novo, mas não negligencie as bases. A próxima era do software não será construída apenas pela IA; ela será moldada por equipes que combinam criatividade humana, inteligência de máquina e forte disciplina de engenharia. É aí que reside a verdadeira vantagem.
Aviso: As afirmações e opiniões expressas neste artigo são de responsabilidade de quem o assina, e não necessariamente refletem as posições da Thoughtworks.