Os agentes de IA já deixaram de ser promessa e viraram parte do dia a dia de quem trabalha com desenvolvimento de software.
E quando uma gigante como a AMD começa a publicar números reais sobre isso, vale muito a pena prestar atenção.
A empresa entrou nessa jornada com uma meta considerada ambiciosa na época: alcançar 25% de aumento de produtividade usando IA ao longo de dois ou três anos.
O que aconteceu depois surpreendeu até quem estava dentro do projeto.
Em menos de um ano, a AMD não só bateu essa meta como foi além, chegando a 30% de ganho geral de produtividade com o uso de modelos de linguagem grandes, os famosos LLMs.
Mas a história não para nos números.
O que a AMD está construindo agora aponta para algo muito maior, uma reescrita completa de como o software é feito, com enxames de agentes autônomos colaborando entre si e encontrando soluções que nenhum engenheiro humano teria descrito previamente.
É tecnologia avançando rápido, com dados concretos para mostrar. 🚀
- E-BOOK GRATUITO
Um guia prático para avaliar, comparar e implementar inteligência artificial com clareza — sem desperdício de tempo ou dinheiro.
Pare de contratar ferramentas sem direção. Criamos um método estruturado para decidir qual IA realmente faz sentido para o seu negócio.
Entrega em PDF no seu e-mail · Sem spam · LGPD
🔒 Seus dados são protegidos conforme a LGPD. Você pode descadastrar a qualquer momento.
O que a AMD fez de diferente
A maioria das empresas que fala em aumento de produtividade com IA fica no campo das estimativas e projeções. A AMD foi por outro caminho: implementou, mediu e publicou. Isso por si só já diferencia a experiência deles da maior parte do que circula por aí sobre o tema. A empresa adotou modelos de linguagem grandes de forma estruturada dentro dos seus fluxos de desenvolvimento de software, integrando essas ferramentas diretamente nas rotinas das equipes de engenharia, e não como um experimento paralelo, mas como parte central do processo produtivo.
O ponto de partida foi um objetivo claro: 25% de ganho de eficiência em um horizonte de dois a três anos, com a intenção de gerar 25% do código de produção via IA até 2027. Esse tipo de meta costuma ser difícil de atingir porque envolve mudança de cultura, adaptação de ferramentas, treinamento de times e resistência natural de quem já tem um fluxo de trabalho estabelecido. Mesmo assim, a AMD conseguiu não só atingir esse número como ultrapassá-lo em uma fração do tempo previsto. Chegaram a 30% de ganho geral de produtividade antes de completar um ano de uso sistemático dos LLMs, o que coloca essa iniciativa em uma categoria bastante rara de casos de sucesso com dados reais para embasar.
Vale explicar como eles medem isso, porque medir produtividade é notoriamente complicado. Desde o começo, a AMD acompanha uma métrica objetiva e consistente: a porcentagem de código-fonte gerado por IA. E não é qualquer código, apenas aquele que passa por todas as revisões e testes e acaba efetivamente incluído no produto final. Por essa régua rigorosa, a empresa cruzou a marca de 20% no início deste ano e agora caminha em direção aos 50% em toda a base de código. Em alguns componentes de software, mais de 80% do código já é gerado com o apoio da IA.
E o mais interessante não é o número em si, mas o que ele representa na prática. Engenheiros gastando menos tempo em tarefas repetitivas, ciclos de revisão de código mais curtos, identificação de bugs mais rápida e uma capacidade maior de iterar sobre soluções sem precisar começar do zero a cada vez. Isso é automatização funcionando no nível onde ela realmente importa: no meio do trabalho técnico, não nas bordas dele.
Os agentes de hoje: IA em cada etapa
A AMD começou a desenvolver seus sistemas de IA para geração de código, automação de testes, análise de bugs e revisão de código lá em 2024. E o mais bacana é como esses agentes já estão presentes em praticamente todas as fases do ciclo de vida de desenvolvimento de software, o famoso SDLC. Cada etapa ganhou um reforço específico, e dá para entender bem como isso funciona quando a gente separa por função.
Análise e triagem de código
Nessa fase, os agentes são treinados para analisar relatórios de problemas, identificar e agrupar solicitações parecidas e apontar quais trechos de código provavelmente vão precisar de modificação. É um trabalho que antes exigia bastante tempo de leitura e cruzamento manual de informações, e que agora acontece de forma muito mais ágil.
Depuração e geração de código
Aqui os agentes recebem uma solicitação de bug, analisam o que está acontecendo e implementam as mudanças de código necessárias. É a etapa em que a IA realmente coloca a mão na massa, escrevendo as correções que depois serão avaliadas.
Testes
Os agentes geram testes unitários e, quando esses são aprovados, identificam quais testes de integração e de produto ainda precisam ser feitos. Isso garante que a mudança não quebre nada em outras partes do sistema, algo essencial em bases de código grandes e interligadas.
Aprovação e release
Na reta final, os agentes preparam um resumo da arquitetura, a revisão das alterações de código e os resultados completos dos testes para que os engenheiros revisem e aprovem. Se tudo estiver certo, as mudanças são integradas à próxima versão. O engenheiro continua com a palavra final, mas chega nesse ponto com tudo mastigado e organizado. 🤖
Os agentes de amanhã: enxames que pensam por conta própria
Se os LLMs já trouxeram ganhos expressivos atuando como assistentes diretos dos engenheiros, o próximo capítulo dessa história envolve algo mais sofisticado: os agentes de IA operando em enxames de forma autônoma e colaborativa. Hoje, os engenheiros criam agentes à sua própria imagem, ensinando à IA o que sabem sobre o sistema, como resolveriam um problema e como implementariam uma mudança. Isso já é um avanço tecnológico enorme, porque permite criar várias versões de IA de um mesmo engenheiro, todas trabalhando em paralelo e escalando esse conhecimento muito além do que uma pessoa sozinha conseguiria.
A limitação atual é que esses agentes ainda estão presos ao pensamento humano e às abordagens definidas por humanos. A grande transformação virá quando enxames colaborativos de agentes de IA puderem identificar e desenvolver soluções de forma independente, guiados por humanos sobre o que resolver, e não limitados por suposições humanas sobre como o trabalho deve ser feito.
Na prática, isso significa que o engenheiro vai definir o problema, o resultado desejado e as restrições de qualidade, desempenho e sistema. A partir daí, um enxame de agentes trabalha em paralelo para gerar, avaliar e refinar múltiplas abordagens de solução. Esses agentes validam automaticamente a correção do código, medem desempenho, testam trade-offs e comparam implementações alternativas contra critérios de sucesso previamente definidos. No fim, entregam opções de solução ranqueadas, com resultados de validação e métricas de performance, prontas para revisão e aprovação humana. Os agentes não vão apenas melhorar cada etapa do SDLC, eles vão reescrever o próprio SDLC.
O caso do Radeon Software eXperience
Um exemplo concreto mostra bem essa evolução em ação. O Radeon Software eXperience, conhecido como RSX, é o componente de interface que permite aos usuários configurar e monitorar o comportamento dos drivers gráficos da AMD. Em outubro de 2025, a empresa começou a usar agentes de IA para depurar e corrigir automaticamente os problemas reportados no RSX.
No início, os resultados foram modestos. As ferramentas de IA prontas, usadas fora da caixa, resolviam apenas 6% dos problemas. Mas aí entrou o diferencial: em vez de simplesmente aceitar esse número, a AMD construiu um ciclo de aprendizado, inicialmente bem manual, para entender onde os agentes estavam falhando e como melhorá-los.
O interessante é que a solução não passou por retreinar os modelos por baixo. O que fizeram foi refinar os objetivos dados aos agentes, deixando que eles explorassem múltiplas abordagens de forma iterativa, avaliassem os resultados contra os critérios de sucesso e convergissem para soluções melhores. Somando isso aos avanços nos próprios modelos e nos runtimes dos agentes, a taxa de resolução deu um salto impressionante: dos 6% iniciais para mais de 75% dos problemas do RSX resolvidos automaticamente pelo ciclo agêntico, número alcançado em junho de 2026.
Receba o melhor conteúdo de inovação em seu e-mail
Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.
Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.
A grande lição aqui é sobre o poder do ciclo de aprendizado contínuo. Para tornar agentes e enxames de agentes realmente produtivos, é preciso alimentar erros e intervenções humanas de volta nos fluxos futuros. Cada ciclo captura novos aprendizados, deixando todo o processo de engenharia de IA mais inteligente e eficaz. Com o tempo, esse loop que se auto-reforça, e não apenas o modelo por baixo, vira um dos principais motores do progresso da IA.
O papel do engenheiro humano nessa nova fase
Uma dúvida que sempre aparece quando o assunto é automatização em larga escala é sobre o futuro dos empregos. A postura da AMD nesse ponto é clara: a IA é vista como um meio de aumentar produtividade, melhorar qualidade e liberar os profissionais para trabalhos de maior valor. O objetivo declarado é capacitar a força de trabalho com IA, não reduzir o número de funcionários.
Para sustentar essa transformação, a empresa está investindo pesado em educação e treinamento em IA por toda a organização. A ideia é que cada colaborador esteja preparado para usar essas ferramentas de forma confiante, responsável e eficaz, acompanhando um jeito de trabalhar que está mudando muito rápido.
Na prática, isso muda o perfil de habilidades mais valorizado. Saber trabalhar com agentes, estruturar problemas de um jeito que os LLMs consigam processar bem, interpretar e validar os outputs gerados automaticamente, tudo isso passa a fazer parte do conjunto de competências de um engenheiro moderno. Não é substituição de função, é expansão do que uma pessoa consegue realizar no mesmo período de tempo. À medida que os agentes evoluem, os engenheiros passam menos tempo implementando soluções manualmente e mais tempo definindo especificações, validando resultados e tomando as decisões estratégicas que realmente impulsionam a inovação.
O que isso significa para o futuro do desenvolvimento de software
A experiência da AMD não é um caso isolado, mas é um dos mais bem documentados até agora, e por isso merece ser lido como um indicador de direção. O desenvolvimento de software está passando por uma transformação estrutural, não apenas incremental. A automatização que chegou primeiro nas tarefas mais simples e repetitivas está avançando para territórios cada vez mais complexos, e os modelos de linguagem grandes são o motor principal dessa expansão. O que a AMD demonstrou é que essa transição pode acontecer de forma rápida, organizada e com retorno mensurável, desde que haja intenção estratégica por trás da implementação.
Olhando para frente, a tendência é que essa colaboração entre humanos e enxames de agentes de IA se torne cada vez mais refinada e profunda. As empresas que começarem a estruturar seus fluxos de trabalho em torno dessa realidade agora vão ter uma vantagem considerável em relação às que esperarem para ver. A AMD já mostrou que os resultados aparecem rápido quando a implementação é feita com seriedade. E com os modelos de linguagem grandes evoluindo na velocidade que estão evoluindo, os próximos marcos podem ser ainda mais impressionantes do que os que já temos em mãos. 🚀
