Ninguém consegue provar que a entrega do agente funcionou

Em toda empresa que já colocou agente para produzir (programa que faz a tarefa inteira sozinho, como estagiário com a chave da loja), o roteiro se repete. A alteração termina, o agente informa sucesso, alguém pergunta no canal do time se ficou melhor, e a resposta é um sim confiante sem nenhuma prova anexada.

Ninguém estranha, porque com um desenvolvedor humano essa resposta valia alguma coisa: o revisor conhecia o julgamento de quem tinha entregado e calibrava a confiança por histórico. Um agente que produz mil linhas em trinta minutos não tem histórico, não tem reputação em jogo e afirma conclusão com a mesma segurança quando acerta e quando erra.

Três medições de 2026 dão tamanho ao problema, e nenhuma delas exige vocabulário técnico para ser entendida.

Para uma sala de conselho, o episódio da Amazon vale mais do que qualquer estatística, porque a falha não foi de código. O agente seguiu um documento interno que ninguém tinha atualizado, um desses wikis que são a enciclopédia do time e quase nunca passam por revisão, e a conta chegou em pedido perdido, receita e reputação. Todo conselheiro reconhece um wiki desatualizado na própria casa, e é por ele que vale começar a conversa.

Reorganizar código de tempos em tempos é o que mantém barata a alteração seguinte. Quando essa prática cai a um sexto do que era, o custo não some: muda de endereço, sai da etapa de escrita e reaparece na de manutenção, meses depois, quando quem escreveu já está em outro projeto. Nenhuma outra base pública acompanha o assunto por quatro anos seguidos, e a empresa que a publica vende ferramenta de análise de qualidade de código, o que lhe dá interesse comercial no achado.

No recorte brasileiro o quadro fica mais direto ainda. Duas frases da mesma pesquisa, lidas juntas, resumem o estágio da adoção no país: todo mundo implementou, quase ninguém consegue provar.

"Ficou melhor?" convida a uma opinião no momento em que a organização precisa de um fato inspecionável. Nenhum instrumento diz que o código era nota 5 e virou 10. O que existe é a reformulação da pergunta em três dimensões que admitem prova:

• Comportamento: que evidência mostra que o sistema continua fazendo o que fazia, e passou a fazer o que se pediu?
• Risco: que evidência mostra que a exposição caiu, em segurança, em regressão e em raio de dano?
• Custo futuro: que evidência mostra que a próxima alteração ficou mais barata?

As três têm a mesma forma por construção. Nenhuma pergunta pelo sentimento do revisor, e todas pedem um artefato que existe fora da conversa e continua existindo depois que ela acaba.

Raio de dano, ou blast radius no vocabulário do mercado, é o alcance do estrago quando a mudança falha: quantos clientes, quanta receita, qual dado, por quanto tempo. O termo apareceu de passagem nas aulas anteriores e é aqui que ele ganha a definição que o curso usa daqui para a frente, como régua de quanta prova exigir e de quanto poder conceder. Suponha uma clínica pequena que usa agente no site e no sistema de cobrança. Na mesma semana, o agente troca o texto do horário de atendimento e mexe na regra que calcula o valor da consulta no boleto. Se o primeiro der errado, a recepção atende um telefonema; se o segundo der errado, todo paciente do mês recebe cobrança errada. As duas alterações não pedem o mesmo pacote de provas, porque não têm o mesmo raio, e é essa diferença que você passa a declarar antes de a entrega começar.

Existe um número público que mostra o tamanho dessa distância, e ele quase nunca chega inteiro à diretoria. A METR, organização independente que mede há três anos que duração de tarefa um agente consegue concluir sozinho, publica dois valores por modelo, e não um. O melhor modelo da tabela, avaliado em 07/04/2026, dá conta de tarefas equivalentes a 17,4 horas de trabalho humano quando a empresa aceita que metade das execuções falhe. Exigindo acerto em quatro de cada cinco tentativas, o mesmo modelo cai para 3,1 horas. O Claude Opus 4.6 desce de 12,0 horas para 1,2 hora entre uma régua e outra.

Em apresentação, circula sempre o primeiro número. A distância entre "funciona metade das vezes" e "funciona quase sempre" é de uma ordem de grandeza em duração de tarefa, e conciliação financeira, cobrança e cadastro operam na segunda coluna. Vale guardar o ritmo junto com o dado: essa capacidade dobra a cada 128,7 dias, com intervalo de 104 a 158, pouco mais de quatro meses entre uma medição e a seguinte.

Adotar prova como política muda uma palavra e muitas consequências: "pronto" deixa de ser um estado declarado e passa a ser um estado demonstrado. O ônus se desloca. Quem entrega passa a anexar, quem revisa deixa de adivinhar.

Esse deslocamento tem custo, e ele aparece no orçamento. O tempo que a organização economiza escrevendo código é reempregado auditando, revisando e validando o que o agente produziu. Este curso chama esse saldo de verification tax, ou imposto de verificação. O nome é convenção didática nossa, sem lastro em terminologia de relatório de mercado, e vale registrar isso porque a atribuição errada circula bastante.

Com política de prova ou sem ela, o imposto existe. A diferença está em quem paga e se alguém sabe quanto custou. Sem política, ele é pago de forma dispersa, por pessoas diferentes, em horários ruins, e some do relatório.

Rode estas duas tarefas com o seu time nesta semana, antes da próxima reunião de tecnologia.

Tribunal de evidências em três entregas. Escolha três entregas marcadas como concluídas no último ciclo e submeta cada uma a duas perguntas: existe artefato que prove? outra pessoa consegue repetir esse artefato e chegar ao mesmo resultado? Para cada afirmação sem prova, nomeie a evidência específica que a converteria e o ponto do processo onde ela seria gerada.

Política de aceite em três linhas. Com o tribunal feito, redija a regra que o seu time adotaria para recusar uma entrega sem evidência, com no máximo uma exceção prevista, e essa exceção carregando registro, prazo de validação e responsável nomeado.

Critérios de sucesso: confira se você nomeou evidências específicas em lugar de categorias genéricas como "mais testes", se a política cabe em três linhas com no máximo uma exceção e se, aplicada a uma entrega real, ela deixou passar pelo menos uma. Política que bloqueia tudo morre na primeira semana: nesse caso, recalibre a régua por raio de dano e aplique de novo.