Term
Li cinco anúncios abertos em setembro de 2026 na Palantir, na OpenAI e na Anthropic. Eles descrevem o mesmo arco, do problema em aberto até adoção em produção, e cobram dois entregáveis: o sistema do cliente e o que ele ensina de volta para o produto.
Agentes de código parecem mais capazes quando cada tarefa começa a partir de um checkout limpo. Novos benchmarks mostram o custo que aparece quando patches, decisões e dívida técnica seguem para o próximo trabalho.
A próxima onda não é apenas escrever código com um copiloto. É coordenar agentes supervisionados, contexto, testes e limites ao longo de todo o ciclo de desenvolvimento.
LLMs sabem conversar, mas não compartilham um modelo estável do domínio. Ontologias, grafos de conhecimento e validação semântica podem dar aos agentes um vocabulário comum, ações mais seguras e memória verificável.
O volume de código está crescendo mais rápido do que a capacidade humana de revisar. O problema não é usar IA, é fingir que review continua com o mesmo custo.
O agente deixou de ser o produto inteiro. O próximo salto está na camada acima: memória entre sessões, coordenação entre agentes, contexto entre repositórios e otimização automática do próprio harness.
O agente genérico parece simples até virar um contexto gigante com ferramentas demais, permissões demais e custo demais. Agentes de domínio específico trocam esse acúmulo por composição, fronteiras claras e execução mais barata.