Por que o software continua ruim com agentes de IA: eles são direcionados para features, não para refatoração
O agente envia pull requests verdes, mas o código continua cheio de lixo, como nomes de classes inconsistentes. O desenvolvedor Rust Nikita, em um artigo no Habr, explicou o motivo: a IA sabe buscar bugs e refatorar, mas, na prática, é mais frequentemente mandada escrever a próxima feature. O negócio quer funcionalidade para sexta-feira, e o ganho de uma limpeza no código só aparece depois. Por isso, ao trabalhar com agentes, é preciso incluir no plano, de forma explícita, a verificação e a refatoração.
Processado por IA de Habr AI; editado por Hamidun News
Durante uma transmissão ao vivo, um palestrante reclamou: o agente envia pull requests verdes, todas as verificações passam, mas o código continua cheio de lixo. Por exemplo, as classes têm nomes diferentes entre si. O desenvolvedor Rust Nikita, autor da análise no Habr, ouviu isso e se surpreendeu: com agentes ele não tem esse tipo de problema. Ele mesmo pede à IA que procure bugs, analise decisões duvidosas, melhore os testes e faça refatoração, e o resultado é bom. Então por que a experiência das pessoas é tão diferente? Segundo ele, a ferramenta quase não tem culpa: o que decide tudo é o tipo de trabalho que lhe é atribuído.
O que a IA faz bem quando é solicitada
O agente tem potencial para melhorar a qualidade. Ele ajuda a encontrar um bug que se reproduz uma vez por mês. Sugere quais cenários faltam nos testes. Divide uma função em que se acumulou lógica diversa e corrige em massa código do mesmo padrão em dezenas de arquivos.
Há também números. A Meta criou o TestGen-LLM, que complementa testes já escritos. Os novos testes eram compilados e executados, e depois se verificava se a cobertura havia aumentado. As sugestões que passavam pela seleção automática eram analisadas por engenheiros. Segundo os autores, 73% dessas recomendações foram aceitas em produção. Na pesquisa Stack Overflow de 2026, cerca de 58% dos respondentes usaram IA para testes, 64% para depuração e refatoração, e cerca de 69% para gerar código em uma área conhecida.
Por que, na prática, quase sempre saem novas features
O cenário é familiar a todos. O agente escreveu o código, você verificou o caminho principal, e tudo funciona. Seria possível checar o que acontece em uma nova requisição ou se um serviço vizinho não responder, e também avaliar o quanto o código é compreensível. Mas o botão já pode ser mostrado ao cliente. Se após cada sucesso assim você parte imediatamente para a tarefa seguinte, o agente acabará produzindo, sobretudo, as próximas features.
A economia do desenvolvimento agrava a situação. O cliente espera a nova feature na sexta-feira. O benefício da refatoração de um módulo antigo precisa ser explicado, e é difícil de estimar: as tarefas futuras ainda não estão no plano. Uma pesquisa sobre dívida técnica revelou uma discrepância. Os gestores achavam que apoiavam esse tipo de trabalho com mais frequência do que os desenvolvedores percebiam. Pequenas correções eram incentivadas, mas reformulações grandes eram adiadas, porque faltava uma justificativa clara de seu valor. O estudo foi publicado antes da chegada em massa dos agentes. Hoje refatorar com IA é mais fácil, mas, se o plano para sexta-feira tem uma feature, o agente será ocupado com ela.
Nikita compara a IA a um superesportivo: um profissional chega mais rápido, mas um iniciante se acidenta na primeira curva. Só que ele chega à curva mais rápido do que esperava. O iniciante também pode ser um gestor que aceita a primeira versão funcional do agente como produto pronto.
O agente repete o que vê no projeto
A segunda fonte de problemas está no código antigo. Se uma solução foi copiada para vários lugares, o pedido «veja como fazemos aqui e acrescente mais» fará o agente repetir também o erro do modelo. Em um experimento sobre janelas quebradas, 29 desenvolvedores estenderam sistemas com quantidades diferentes de problemas antigos. Em código mais degradado, os participantes acrescentavam mais coisas novas: duplicavam funcionalidades e escolhiam nomes pouco claros.
Um preprint de novembro de 2026 testou o mesmo para vulnerabilidades. Os agentes receberam variantes seguras e vulneráveis de código existente. No segundo caso, vulnerabilidades semelhantes apareciam com mais frequência também nas novas alterações. O pedido para seguir o estilo existente amplificava o efeito. O mesmo agente poderia encontrar o erro e corrigi-lo em todas as cópias, mas ninguém pediu essa tarefa.
Por que se fala pouco sobre qualidade e o que fazer
O autor aponta outro desequilíbrio. «Reescrevi um milhão de linhas em 10 dias» é lido por curiosidade, enquanto «a IA ajudou a refatorar a base de código» não chama atenção. Pessoas que, discretamente, corrigem bugs antigos com a ajuda de um agente não publicam nada. Com base em histórias barulhentas, é fácil concluir que todos apenas geram mais serviços.
As conclusões práticas são estas:
- Dê ao agente tarefas separadas de verificação: novas requisições, falha de um serviço vizinho, listas vazias. Não conte com que ele faça isso por padrão.
- Inclua a refatoração no plano como uma tarefa comum, com um benefício claro. Por exemplo: «depois disso, as features do módulo são adicionadas em um dia, e não em uma semana».
- Não peça ao agente que copie o código «como já fazemos» antes de verificar se o modelo é bom. Primeiro, é melhor pedir que ele encontre duplicações e erros no modelo.
- Para gestores: um pull request verde do agente mostra que o código funciona, não que ele é bom.
A ressalva honesta: trata-se de uma coluna de opinião. Ela sustenta a experiência de um desenvolvedor com pesquisas pontuais, mas não prova que a qualidade do código sofre na maioria das equipes pelo mesmo motivo. A conclusão de Nikita é modesta: usamos as capacidades da IA para a qualidade com menos eficiência do que as usamos para acelerar. Na investigação, o culpado acaba sendo o próprio desenvolvedor, e isso é uma boa notícia. Mudar o processo é mais simples do que esperar um novo modelo.
- 21 de nov. de 2026Meta prepara o Muse Charm, um tamagotchi com IA por US$ 300 e um ano de 5G da Verizon
- 21 de nov. de 2026MLCommons começou a medir APIs de IA sob carga real: 7 medições para agentes
- 21 de nov. de 2026Unsloth atualizou os modelos comprimidos do Qwen3.8-27B: precisão sobe 5–10% com o mesmo tamanho
- 21 de nov. de 2026A Apple está criando um agente de IA para o Mac e dificultou o acesso de terceiros: 14 cliques em vez de 4
Perguntas frequentes sobre a notícia
O que a IA faz bem quando é solicitada?
O agente tem potencial para melhorar a qualidade. Ele ajuda a encontrar um bug que se reproduz uma vez por mês. Sugere quais cenários faltam nos testes. Divide uma função em que se acumulou lógica diversa e corrige em massa código do mesmo padrão em dezenas de arquivos. Há também números. A Meta criou o TestGen-LLM, que complementa testes já escritos. Os novos testes eram compilados e executados, e depois se verificava se a cobertura havia aumentado.
Por que, na prática, quase sempre saem novas features?
O cenário é familiar a todos. O agente escreveu o código, você verificou o caminho principal, e tudo funciona. Seria possível checar o que acontece em uma nova requisição ou se um serviço vizinho não responder, e também avaliar o quanto o código é compreensível. Mas o botão já pode ser mostrado ao cliente. Se após cada sucesso assim você parte imediatamente para a tarefa seguinte, o agente acabará produzindo, sobretudo, as próximas features. A economia do desenvolvimento agrava a situação.
O que se sabe sobre O agente repete o que vê no projeto?
A segunda fonte de problemas está no código antigo. Se uma solução foi copiada para vários lugares, o pedido «veja como fazemos aqui e acrescente mais» fará o agente repetir também o erro do modelo. Em um experimento sobre janelas quebradas, 29 desenvolvedores estenderam sistemas com quantidades diferentes de problemas antigos. Em código mais degradado, os participantes acrescentavam mais coisas novas: duplicavam funcionalidades e escolhiam nomes pouco claros.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.