A The Pragmatic Engineer publicou o ensaio vencedor do seu concurso de textos, escrito por Neil Kakkar. Ele é engenheiro em Londres, passou pela Bloomberg e pela PostHog e hoje trabalha na Tano, uma startup nativa em IA. Pelos dados que ele próprio coletou, Kakkar faz merge de cerca de 11 vezes mais PRs por mês do que fazia na PostHog. Na maioria dos casos, a única revisão é a de um agente, e a equipe adota o fix forward: se quebrou, corrige para frente. É o relato de um engenheiro, não um dado de mercado, e o próprio Gergely Orosz lembra que a média que ele observa na indústria está mais perto de 2x.
O que me prendeu não foi o multiplicador. Foram os incidentes que o autor relata com franqueza, porque todos os graves aconteceram na camada de dados, que é onde trabalho há duas décadas. Minha tese é esta: fix forward funciona para código, mas quando o erro se materializa em dados, pagamentos ou relatórios, a reversibilidade precisa ser projetada no pipeline, e o portão de verdade passa a ser feito de regras de domínio e checagens automáticas de qualidade de dados.
Os incidentes graves moram nos dados
O ensaio descreve três casos. Num relatório, o agente tratou unidades monetárias menores como float multiplicado por 100, como se toda moeda tivesse cem centavos, quando o dinar do Bahrein se divide em mil fulūs. Numa tabela Postgres de cerca de 6 milhões de linhas, uma migração de índice bloqueou escritas e a ingestão parou de salvar posts novos. Numa migração da arquitetura de agentes faltaram salvaguardas, e criadores foram pagos duas vezes pelo mesmo trabalho.
O bug de moeda foi corrigido em menos de uma hora, assim que a equipe percebeu que os números dos relatórios não batiam. Isso resolve o código, mas não resolve quem leu o relatório errado nesse intervalo, nem o pagamento que já saiu. Um deploy substitui uma linha de código. Ele não desfaz uma transferência nem uma decisão tomada com base num número.
Kakkar diz que a arquitetura do produto deixou de ser uma decisão quase irreversível e passou a ser reversível. Para a arquitetura, concordo. Os efeitos dela no mundo, porém, como dinheiro movimentado e dado consumido por outros sistemas, continuam tão irreversíveis quanto antes. É essa assimetria que o “mover rápido e quebrar coisas” tende a esconder.
Reversibilidade é projeto, não efeito colateral
Se os dados não voltam atrás sozinhos, alguém precisa construir os mecanismos que impedem o erro de chegar até eles: pagamentos idempotentes, camadas brutas que permitem reprocessar e migrações que não travam tabelas. O caso do Postgres é didático. A documentação explica que, com a opção concorrente, o índice é construído “without taking any locks that prevent concurrent inserts, updates, or deletes on the table” (sem travas que impeçam inserções, atualizações ou exclusões na tabela). A regra existia, só não estava no caminho de quem gerava o código.
A Tano fez o movimento certo depois do incidente: o agente revisor agora tem a lista das maiores tabelas e não permite migrações bloqueantes nelas. No bug de moeda, o autor nota que já havia um utilitário para cálculos monetários e que um revisor humano teria percebido que o código gerado o ignorava. Isso combina com Bacchelli e Bird (2013), que encontraram revisões “less about defects than expected” e mais voltadas a “knowledge transfer” e “increased team awareness”. Se o revisor agora é um agente, esse conhecimento de domínio precisa estar escrito para ele antes do incidente, e não depois.
Na GOL, gerenciei durante dois anos uma migração de ERP de Oracle para SAP, cobrindo financeiro, fiscal, estoque e compras, sem nenhum downtime crítico. Num domínio fiscal, um lançamento errado não se corrige com um deploy, e por isso o trabalho pesado está em planejar a reversão. É justamente esse planejamento que um agente pode acelerar, desde que receba as regras.
O portão real fica depois do merge
Mesmo o melhor revisor lê o diff, não os dados, e parte dos erros só aparece quando o código encontra números reais. O bug de moeda foi pego por uma checagem de qualidade informal: alguém viu que os relatórios não batiam. Transformar essa observação em portão automático é o passo que falta.
Na WEX, num contexto bancário sujeito a normas financeiras, automatizei checagens de qualidade com Great Expectations, e os incidentes críticos de dados caíram 30%. Na BairesDev, implementei observabilidade com DataDog e Monte Carlo, com detecção de anomalias por ML para garantir SLAs de qualidade. Nada disso deixa alguém mais lento para escrever código, mas impede que um erro rápido vire um erro caro. Uma checagem que barra dois pagamentos ao mesmo criador pelo mesmo conteúdo é barata de escrever e age antes de o dinheiro sair.
O próprio Kakkar chega perto disso quando imagina um agente que avise “when we paid one creator twice because of a bug in our migration”. Isso é observabilidade de dados, e não depende de tokens ilimitados. Por transparência: uso Claude no pipeline desta newsletter, a mesma família de ferramentas com que a Tano construiu seu agente revisor. Não escrevo, portanto, como cético da tecnologia. Escrevo sobre onde pôr a trava.
A objeção da velocidade
A objeção mais forte é que tudo isso é freio, e startup vive de velocidade. Kakkar afirma que a troca foi consciente, e para uma empresa de cerca de dez pessoas, que estava reescrevendo a própria arquitetura, essa pode ser a escolha certa. Gergely acrescenta que negócios que já funcionam têm bons motivos para mudar seus processos com mais cuidado.
A linha que proponho, porém, não é o tamanho da empresa: é a reversibilidade da operação. Além disso, o ganho de velocidade é menos garantido do que parece. Num experimento controlado, o grupo com Copilot terminou uma tarefa 55,8% mais rápido (Peng et al., 2023). Já o METR mediu desenvolvedores experientes de código aberto, usando ferramentas do início de 2025, e eles ficaram 19% mais lentos (Becker et al., 2025). Os contextos são diferentes demais para generalizar qualquer um dos dois resultados, o que já é motivo para não trocar segurança por uma velocidade incerta. E a mesma IA que gera o código escreve o teste de idempotência e a regra de migração em minutos: o custo da trava caiu junto com o custo do código.
O que um deploy não desfaz
Fix forward é uma boa estratégia para tudo o que um deploy consegue desfazer. Os incidentes do ensaio mostram onde ela para: no cálculo monetário, na migração de tabela grande e no pagamento. Nesses pontos, a reversibilidade é uma propriedade do pipeline, e o portão real combina regras de domínio no revisor com checagens automáticas sobre os dados.
Minha recomendação prática é esta. Antes de liberar merges só com revisão de agente, escreva a lista das operações que um deploy não desfaz, como pagamentos, relatórios regulatórios, dados publicados e migrações de tabelas grandes. Depois, transforme cada item numa regra do agente revisor e num teste de qualidade no pipeline. O resto pode seguir na velocidade que o time conseguir sustentar.
Referências
- Gergely Orosz, Jessica Salmon, and Ivan Klaric (winning essay by Neil Kakkar) (2026). How software engineering is changing: a tale of two eras. The Pragmatic Engineer, newsletter de origem.
- Becker, J.; Rush, N.; Barnes, E.; Rein, D. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. arXiv preprint 2507.09089 (METR). “Surprisingly, we find that allowing AI actually increases completion time by 19%--AI tooling slowed developers down.”
- Peng, S.; Kalliamvakou, E.; Cihon, P.; Demirer, M. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv preprint 2302.06590. “The treatment group, with access to the AI pair programmer, completed the task 55.8% faster than the control group.”
- Bacchelli, A.; Bird, C. (2013). Expectations, outcomes, and challenges of modern code review. 35th International Conference on Software Engineering (ICSE 2013). “Our study reveals that while finding defects remains the main motivation for review, reviews are less about defects than expected and instead provide additional benefits such as knowledge transfer, increased team awareness, and creation of alternative solutions to problems.”