Pular para o conteúdo
artigos
atualizado AI-DLCEngineering LeadershipAI AgentsTeam WorkflowSoftware Engineering

Do squad ao pod: quem faz o quê no AI-DLC

O AI-DLC muda os papéis mais do que muda as ferramentas. As pessoas decidem, a IA opera, os squads encolhem para pods, o manager vira o guardião do ritmo e o engenheiro continua dono do código em produção. O que cada papel faz agora, e o problema da matriz de competências que ninguém resolveu.

O agente escreve o código. Quem recebe a ligação quando quebra continua sendo você.

Quase tudo o que se escreve sobre AI-DLC é sobre a máquina: fases, estágios, agentes, gates. A máquina é a parte fácil. O que mudou de verdade nos times que eu vi adotarem o método foi quem faz o quê, e se a organização percebeu a tempo.

AI-DLC é o AI-Driven Development Life Cycle, um método publicado pela AWS em que um agente de IA planeja o trabalho e escreve os artefatos enquanto as pessoas aprovam ou rejeitam nos gates. Acompanhei o rollout dentro de uma grande organização de engenharia, dos squads piloto às pessoas treinadas para espalhá-lo. As perguntas de ferramenta foram respondidas em semanas. As perguntas de papel continuam abertas, e são elas que decidem se o método sobrevive.

As pessoas decidem, a IA opera

A descrição mais limpa dessa divisão veio de uma das pessoas que trouxeram o AI-DLC para aquela organização, na primeira sessão do treinamento: a IA cuida do trabalho operacional, e as pessoas ficam com a definição do problema.

A divisão do trabalho

A IA fazA pessoa faz
Refina uma intenção vaga em perguntas estruturadasDefine o problema e diz o que está fora do escopo
Escreve requisitos, histórias, designs e planosJulga cada artefato no gate: Approve ou Request Changes
Decompõe o trabalho em Units e tarefasDecide os trade-offs de arquitetura e de produto que a IA só consegue propor
Gera código e testesConstrói os guardrails que avisam a IA quando ela está errada
Mantém o estado e a trilha de auditoriaCorrige a rota antes que um erro vire incidente
Uma Unit é uma parte da solução que pode ser construída de forma independente. Um gate é o ponto em que uma pessoa aprova antes de o próximo passo começar.

Leia a coluna da direita com atenção, porque ela não é menos trabalho. É outro trabalho. Julgar um documento de requisitos que você não escreveu exige mais conhecimento de domínio do que escrever um, porque você precisa enxergar o que está faltando, e o que falta não aparece na página. O trabalho saiu de produzir e foi para decidir, e decidir é a parte que nunca ficou mais barata.

Os squads encolhem para pods

A segunda mudança é o tamanho do time em volta de uma unidade de trabalho.

Squad ágil

  1. 01Quatro a seis pessoas por squad
  2. 02As pessoas começam o trabalho, a IA ajuda
  3. 03Sprints de duas semanas
  4. 04Daily, planning, review, retro

Pod de AI-DLC

  1. 01Um engenheiro e um PM, mais dados ou design quando o trabalho tem essa superfície
  2. 02A IA começa e conduz, as pessoas validam nos gates
  3. 03Bolts de horas ou dias
  4. 04Mob Elaboration, Mob Construction, gates de aprovação
O pod não é um squad menor fazendo o mesmo trabalho mais rápido. É outro formato de time para outra divisão do trabalho.

Um pod funciona porque o agente cobre a amplitude operacional que antes precisava de mais mãos. Não funciona cortando gente e torcendo. As organizações que trataram pods como movimento de headcount pegaram o pior dos dois lados: menos gente, o mesmo processo, e um agente produzindo mais trabalho do que alguém tinha tempo de revisar.

A daily também muda. Quando o estado do trabalho mora num arquivo que o agente atualiza depois de cada passo, a daily deixa de ser um relatório de status. O guia do time naquele rollout definiu cinco minutos. Planning e Mob Elaboration também deixaram de ser a mesma reunião: o planning decide em que trabalhar, o mob decide o que esse trabalho realmente é.

Quem senta no mob

Mob Elaboration é o ritual do AI-DLC em que o time e o agente transformam uma intent em requisitos, histórias e Units numa sessão só. A regra que fez isso funcionar na prática era rígida: só entra quem tem poder de decisão sobre alguma dimensão do trabalho. Observadores inflam o custo sem trazer contexto.

Composição do mob por tipo de trabalho

Tipo de trabalhoQuem entra
Feature voltada ao usuárioEngenharia, produto, design
Dados ou machine learningEngenharia, dados, produto
Mudança puramente técnicaEngenharia e uma pessoa de arquitetura
Otimização algorítmicaEngenharia e um especialista de domínio
Produto não precisa ficar nas perguntas técnicas. Chame para as de negócio.

Essa legenda é uma lição de piloto, não do método. Depois que o agente faz a engenharia reversa do código, ele faz uma lista longa de perguntas, e a maioria é técnica. O padrão que pegou foi simples: a engenharia responde as perguntas técnicas sozinha e chama produto para as de negócio, em blocos curtos. O ritual completo está no guia de Mob Elaboration.

O que cada disciplina faz agora

Antes e depois, por disciplina

DisciplinaAntesCom AI-DLC
EngenhariaEscreve o códigoValida e decide nos gates, é dona do que vai para produção
ProdutoEscreve o PRDTraz uma intent bem formada, responde as perguntas de negócio
DesignProduz wireframesValida a UX que o agente propõe, dentro do mob
DadosAnalisa depois do deployDefine as métricas de sucesso antes de a Inception começar
Inception é a fase do AI-DLC em que o trabalho é definido antes de qualquer código ser escrito.

A linha de produto é a que os times subestimam. O AI-DLC assume que a intent chega em boa forma, e o método quase não diz como. Quando produto traz um pedido vago, o agente preenche as lacunas com suposições genéricas e tudo o que vem depois herda essas suposições. Essa lacuna ganhou um artigo próprio.

Engenheiros de backend entregam front-end agora

Um princípio do whitepaper original da AWS é simplificar as responsabilidades: com a IA fazendo a decomposição e a geração, os devs conseguem atravessar os velhos silos de front-end, back-end, infraestrutura e segurança. Os pilotos que acompanhei relataram exatamente isso: engenheiros de backend entregando trabalho de front-end, e gente recém-contratada entregando mais rápido com menos onboarding, porque o agente carregava o contexto da codebase que essas pessoas ainda não tinham.

É um ganho real e tem um custo. Um engenheiro hoje consegue entregar uma tela numa stack que ele não saberia escrever na mão no mês passado. Tudo bem até a tela quebrar em produção e a pessoa de plantão não conseguir ler o código. A convergência amplia o que um engenheiro consegue entregar. Não amplia o que ele entende, a não ser que você abra espaço para isso.

O engenheiro continua dono do código

Esta é a frase que ouvi na primeiríssima sessão do treinamento, e é a que eu colocaria na parede: se isso for para produção e causar um incidente, quem vai ser chamado não é a IA. Somos nós.

O AI-DLC não move a responsabilidade. Move a autoria. O agente escreveu o código, e uma pessoa com nome aprovou no gate, então uma pessoa com nome é dona dele. O risco que os pilotos apontaram cedo é as pessoas começarem a focar em como usar a IA em vez de entender o código, e a posse ir se perdendo sem ninguém notar.

A pesquisa está começando a descrever a mesma coisa de fora. Uma análise de sobrevivência de mais de 200.000 unidades de código em 201 projetos open source, “Will It Survive?”, descobriu que o código escrito por agentes é modificado com menos frequência do que o código humano, e concluiu que o gargalo do código gerado por agentes talvez não seja a qualidade da geração, mas “as práticas organizacionais que governam a sua evolução de longo prazo”. Um segundo estudo, sobre arquivos gerados por IA em 100 repositórios, descobriu que eles recebem manutenção com menos frequência, e que desenvolvedores humanos fazem a grande maioria da manutenção que eles recebem. Código que ninguém sente que escreveu é código que ninguém quer mexer.

O manager segura o ritmo

O papel que mais mudou foi o que ninguém planejou: o engineering manager.

O AI-DLC produz artefatos em segundos e pede que uma pessoa julgue cada um. Sem alguém definindo o ritmo, a pressão de acompanhar a máquina vence. Numa das sessões do treinamento, uma pessoa do time descreveu ter chegado aos últimos documentos de uma Inception e percebido que não tinha mais atenção para revisá-los, e que se continuasse começaria a aprovar qualquer coisa. A correção a que os times piloto chegaram foi organizacional, não técnica: sessões de mais ou menos uma hora, depois uma pausa, e o arquivo de estado faz a pausa custar nada.

Alguém precisa garantir isso, e muitas vezes um tech lead não consegue, porque parar parece atrasar. Então o manager entra nos dois ou três primeiros mobs de todo time novo. Não para assistir. Para decidir quando parar, para notar quando as aprovações chegam sem perguntas, e para separar a curva em J, a queda esperada do cycle time enquanto um time aprende, de um problema estrutural de verdade. Presença sem intervenção é pior do que ausência, porque cria a ilusão de que alguém está supervisionando. Depois de alguns ciclos o time deveria regular o próprio ritmo, e se o manager ainda é necessário em todo mob, outra coisa está errada. A curva em si está em por que o AI-DLC te deixa mais lento primeiro.

Os seniores desaceleram, os juniores aceleram, e esse é o problema

O padrão que mais me preocupou apareceu no trabalho upstream, onde o agente rascunha os documentos que definem uma feature. Pessoas seniores com conhecimento profundo do domínio interrogavam cada afirmação do agente e demoravam mais. Pessoas com menos conhecimento do domínio aceitavam a primeira saída e andavam rápido. Quem sabe menos confia mais.

Isso inverte a ideia comum de que a IA ajuda mais os juniores. Velocidade num gate não é sinal de habilidade. Muitas vezes é o contrário. A resposta a que os pilotos chegaram não foi manter os juniores longe do AI-DLC, mas parar de colocá-los nos gates antes de terem contexto para julgar: tempo de estudo e onboarding primeiro, depois um gate, e por um tempo, uma pessoa sênior revisando junto.

A sua matriz de competências premia a coisa errada

Este é o problema em aberto, e eu não vi ninguém resolver.

Uma pessoa da gestão levantou o tema no fim do treinamento. Matrizes de competência premiam profundidade técnica em código: escrever, depurar, desenhar. No AI-DLC o agente escreve o código. O valor do engenheiro foi para especificar, revisar, decidir e pegar o código que funciona e mesmo assim está errado. Se a matriz continuar premiando volume de código, os engenheiros vão otimizar para volume, e num workflow agêntico isso quer dizer aprovar código gerado sem ler.

O exemplo do piloto ficou comigo. O agente gerou um processo que disparava centenas de queries no banco para uma única operação. Funcionava. Os testes passavam. Não teria sobrevivido à carga de produção. Foi pego no code review, por alguém lendo o código gerado linha por linha, do jeito lento. Esse tipo de achado é uma das coisas mais valiosas que um engenheiro faz hoje, e quase nenhuma matriz que eu conheço daria pontos para isso.

Comportamentos que valem ser premiados num time de AI-DLC

  • Obrigatório:
    Specs que um agente constrói certo na primeira passada.O rigor da especificação agora é a principal entrada da qualidade do código.
  • Obrigatório:
    Rejeições no gate com um motivo claro.Um Request Changes que barra um design errado cedo vale mais do que dez aprovações.
  • Obrigatório:
    Pegar código que funciona e está errado.Armadilhas de performance, falhas de segurança, lógica que passa nos testes e erra o requisito.
  • Obrigatório:
    Corrigir a causa, não o sintoma.Quando o agente erra, voltar para a spec ou para as regras em vez de remendar o código na mão.
  • Obrigatório:
    Ser dono do que aprovou.Conseguir explicar, depurar e rodar em produção o código que você assinou.
  • Anti-pattern:
    Tirar a profundidade técnica da matriz.A correção errada. Você ainda precisa entender código para revisá-lo. A ênfase muda. A profundidade fica.
Um ponto de partida, não uma matriz. Quem deve escrever a matriz de verdade são os managers que sentam nos mobs.

O caminho até lá não é um framework novo vindo do RH. São managers que sentaram nos mobs anotando quais comportamentos viram que a matriz atual ignora, e ajustando em passos pequenos. O lado da medição, o que acompanhar no lugar dos story points, está em depois dos story points.

Os agentes são um mapa de papéis

O AI-DLC 2 torna o lado humano visível de um jeito fácil de passar despercebido. Os 14 agentes têm nomes de papéis: produto, design, entrega, arquitetura, plataforma AWS, compliance, DevSecOps, desenvolvimento, qualidade, pipeline e deploy, operações, mais dois revisores e um composer. A documentação chama a filosofia de “Small Mob, Broad Agents” e explica que ela espelha como times humanos eficientes trabalham: um mob de três a cinco pessoas cobrindo uma feature inteira, cada uma com habilidades amplas em vez de uma especialidade estreita.

É um espelho útil para uma liderança. Para cada agente da lista, pergunte qual pessoa do seu pod julga o que ele produz. Se ninguém no time consegue julgar o que o agente de compliance ou o agente de DevSecOps produz, o agente não está acrescentando cobertura. Está acrescentando saída sem revisão. O AI-DLC 2 também tem um modo de time, em que as pessoas reivindicam Units individuais e as constroem em paralelo, cada uma no seu checkout. Mais trabalho em paralelo deixa a pergunta mais afiada, não mais branda.

Perguntas frequentes

O AI-DLC elimina papéis?

Muda mais do que elimina. O trabalho operacional de escrever documentos e código vai para o agente. Definir o problema, julgar os artefatos, decidir os trade-offs e ser dono da produção ficam com as pessoas. Os times ficam menores em volta de uma unidade de trabalho, mas o julgamento de que precisam não encolhe.

Quem aprova os gates no AI-DLC?

A pessoa com poder de decisão sobre aquela dimensão do trabalho: alguém de engenharia ou de arquitetura para design e código, produto para requisitos e histórias. O AI-DLC 2 registra cada aprovação num log de auditoria. Garanta que toda aprovação tenha um dono com nome e tempo suficiente para ler de verdade o que aprova.

Ainda precisamos de engenheiros de QA?

Sim, com outro trabalho. O AI-DLC 2 tem um agente de qualidade que escreve a estratégia de testes e os testes, o que tira a digitação, não o julgamento. Alguém ainda precisa decidir o que é bom o bastante, achar os casos que os testes gerados não cobrem e ser dono da release.

Como os juniores devem trabalhar no AI-DLC?

Dê tempo de estudo e onboarding antes de colocá-los num gate, e no começo coloque uma pessoa sênior revisando junto. Os pilotos mostraram que quem tem menos conhecimento do domínio tende a aceitar a primeira saída do agente. Velocidade num gate não é sinal de habilidade.

Como avaliar engenheiros que não escrevem mais a maior parte do código?

Ninguém tem uma resposta pronta. Comece premiando o que o trabalho pede agora: specs que o agente constrói certo, rejeições bem fundamentadas nos gates, pegar código que funciona e está errado, e posse do que você aprovou. Deixe os managers que participam dos mobs ajustarem a matriz a partir do que observam.

Para onde ir agora

O AI-DLC levou o código para o agente e deixou a responsabilidade com as pessoas. As organizações que se dão bem com ele são as que redesenham o lado humano de propósito: pods menores, um manager que protege o ritmo, gates com donos nomeados e uma matriz que premia julgamento em vez de teclas apertadas. As que pulam essa parte ganham código mais rápido e ninguém capaz de responder por ele.