Os agentes de codificação com IA podem gerar código em uma fração do tempo que um engenheiro levaria para escrevê-lo. Mas essa velocidade não se traduz necessariamente em lançamentos de software mais rápidos: à medida que o código se acumula, as equipes podem passar mais tempo entendendo seu comportamento, revisando alterações e diagnosticando falhas.
O artigo, escrito por Greg, cofundador e CTO da Undo, descreve isso como uma mudança no gargalo do desenvolvimento. A IA está cada vez mais apta a gerar código, mas pode ter dificuldade para depurar bases de código grandes e complexas. Camadas de alterações e lógica duplicada podem tornar o software mais difícil de acompanhar, deixando os engenheiros com mais trabalho de revisão e menos clareza sobre a origem de um defeito.
As consequências podem ser particularmente graves em setores como serviços financeiros, projeto de semicondutores, redes e bancos de dados, nos quais uma falha de software pode interromper serviços críticos. O artigo cita o controlador nacional de tráfego aéreo do Reino Unido, que afirmou que uma interrupção recente, que levou ao cancelamento de 2.000 voos e a dias de transtornos, foi causada por um defeito em um software legado.
Os números citados no artigo apontam para uma lacuna entre a geração mais rápida de código e ganhos mensuráveis de produtividade. Segundo o texto, 79% dos líderes de engenharia relatam que os ciclos de lançamento não ficaram mais rápidos, enquanto nove em cada dez dizem que a compreensão e a depuração demoram mais em ambientes complexos, como bases de código C/C++.
Os agentes de IA também enfrentam limitações ao diagnosticar problemas. Se dependerem apenas do código-fonte, dos registros e da documentação, talvez não tenham evidências do que realmente aconteceu quando o software foi executado. O artigo afirma que, em 93% das organizações de engenharia, a causa raiz de um problema foi diagnosticada incorretamente por causa de uma alucinação da IA; como resultado, 37% das equipes usam agentes para compreensão e depuração apenas em bases de código simples.
A solução proposta não é simplesmente um modelo maior ou mais poderoso, mas informações melhores sobre o comportamento em tempo de execução. Fornecer aos agentes um registro do que aconteceu durante a execução poderia ajudá-los a rastrear falhas até suas causas e oferecer aos engenheiros um suporte mais confiável. Sem esse contexto, a geração mais rápida de código corre o risco de transferir a carga de trabalho para etapas posteriores, em vez de reduzi-la.
Fontes: TechRadar.