SINTOMAS
Cinco frases que ouvimos em quase toda primeira conversa
Cada uma delas descreve um sintoma diferente do mesmo problema estrutural. Abaixo, o que causa cada um, por que a correção mais óbvia não funciona e como saber se melhorou.
atualizado em
Os cinco sintomas
SINTOMA 01
“Adotamos assistentes de código e a produtividade não mudou”
Os desenvolvedores dizem que economizam tempo. A percepção é honesta e o indicador não confirma. Não é o time que está errado nem a ferramenta que é ruim — é que o ganho está acontecendo num lugar que não é o gargalo.
SINTOMA 02
“A IA gera código que funciona, mas não parece nosso”
O código passa nos testes e não passa na revisão. Usa uma biblioteca que o time abandonou, trata erro de um jeito que ninguém mais usa, atravessa uma fronteira de domínio que existia por um motivo. Localmente correto, sistemicamente errado.
SINTOMA 03
“Três pessoas sabem como o sistema realmente funciona”
Existe um grupo pequeno sem o qual nada anda: um incidente sério, uma decisão de arquitetura, uma dúvida sobre por que aquele serviço faz aquilo. Todo mundo sabe quem são. É o risco que não aparece em nenhum painel até o dia em que aparece.
SINTOMA 04
“O código sai rápido e trava na revisão”
A fila de pull requests não diminui. Os seniores passam o dia revisando em vez de projetar. E quanto maior a fila, mais superficial fica a revisão — até o ponto em que aprovar vira formalidade.
SINTOMA 05
“Nossa documentação está sempre desatualizada”
Já houve mais de uma tentativa. Uma sprint dedicada, uma ferramenta nova, um responsável nomeado. Alguns meses depois o material voltou a descrever um sistema que não existe mais — e agora ninguém confia no que está escrito.
Por que são sintomas e não problemas
Os cinco aparecem em empresas diferentes, com stacks diferentes e times de tamanhos diferentes. Isso costuma ser sinal de que a causa não está em nenhuma decisão local — está em algo que todas elas têm em comum.
O que elas têm em comum é um repositório escrito para ser lido por quem já conhece o sistema. Enquanto foi só gente lendo, isso funcionou: a lacuna era coberta por conversa, revisão e tempo de casa. Com agentes participando do ciclo, a mesma lacuna passou a produzir erro em escala.
A leitura completa dessa tese está em Sistema Operacional de Engenharia e a estrutura de resolução em AI Engineering Transformation Framework.