Plantão de on-call já consome de 20 a 30 por cento do tempo de um desenvolvedor. Em ambientes carregados de legado, o trabalho de manter as luzes acesas passa de metade da capacidade total de engenharia. Os números vêm de Spiros Xanthos, CEO da Resolve AI, cocriador do OpenTelemetry e ex-GM do Splunk Observability, em entrevista à McKinsey publicada em junho de 2026. Eles descrevem a linha de base operacional antes da onda de código gerado por IA chegar. Esse detalhe de timing é a parte que a maioria das empresas está errando.
Todo dashboard de adoção de IA que vimos este ano mede as mesmas coisas: linhas geradas, sugestões aceitas, pull requests mesclados, ciclo comprimido. Tudo medido no momento da geração de código. Nada disso captura onde o custo desse código de fato se acumula, que é a produção, semanas ou meses depois, quando o sistema construído em parte por agentes começa a acordar humanos que não escreveram aquele código.
Xanthos descreve o mecanismo sem rodeios: “Muito mais código está sendo gerado, e os desenvolvedores frequentemente conhecem menos os sistemas que estão entregando, o que provavelmente resulta em código de qualidade inferior.” E então a frase que deveria reenquadrar todo scorecard corporativo de IA: “As grandes empresas ainda não viram os efeitos completos desse tsunami de código, e vão precisar cada vez mais de IA para gerenciar a complexidade operacional que vem com ele.”
A fatura chega em outro endereço
O problema da falta de familiaridade agrava o problema de volume. Cobrimos o lado da verificação em o paradoxo de verificação da dívida de agentes: código que passa na revisão ainda pode carregar defeitos que só aparecem sob carga de produção. O que Xanthos acrescenta é a aritmética por baixo. Se on-call já toma de 20 a 30 por cento do tempo do desenvolvedor no volume de código atual, e o volume se multiplica enquanto a familiaridade com o sistema cai, a fração operacional não fica parada. Ela cresce. Em organizações onde manter as luzes acesas já passa de 50 por cento da capacidade, o tsunami desaba sobre um time que estava submerso antes de a onda se formar.
Empresas menores e agressivas em IA são o indicador antecedente. Elas geram proporcionalmente mais código com IA, sentiram o arrasto operacional primeiro e adotaram ferramentas de operação com IA primeiro. As grandes empresas rodam de seis a dezoito meses atrás na mesma curva, celebrando métricas de geração enquanto a fatura de produção ainda está no correio. Quantificamos como essa fatura chega quando não há governança em o imposto operacional de rodar IA em escala.
Há um custo em formato de fila escondido na mesma entrevista. Problemas reportados por clientes, observa Xanthos, “frequentemente ficam em filas por dias antes que alguém os pegue”. Dias de tempo morto sobre problemas conhecidos, em organizações que medem produtividade de desenvolvedor com casa decimal. Essa fila é onde o primeiro deployment governado de IA deveria morar, e é onde aparece o insight de governança mais útil da entrevista.
Autoridade de investigação antes de autoridade de remediação
Perguntado sobre onde as empresas estão de fato adotando IA em operações de produção, Xanthos descreve o padrão: “uma das áreas de menor risco onde já vemos muito interesse é triagem e investigação, em vez de remediação automatizada”.
Como observação de mercado, é moderadamente interessante. Como desenho de governança, é o playbook inteiro. As empresas que avançam com segurança estão dividindo a autoridade sobre produção em duas concessões e sequenciando as duas. Autoridade de investigação vem primeiro: o agente pode ler logs, correlacionar traces, consultar métricas, reconstruir linhas do tempo e propor uma causa raiz. Cada uma dessas ações é somente leitura, reversível por definição e auditável linha a linha. Autoridade de remediação vem depois, se vier: o agente pode reiniciar serviços, reverter deploys, alterar configuração. Essas ações mudam o estado de produção, e uma ação errada cria o próximo incidente.
A sequência funciona porque a investigação gera o próprio dossiê de evidências. Cada triagem que o agente roda pode ser pontuada contra a conclusão humana que vem depois. Após um trimestre, você sabe, com números reais, com que frequência a causa raiz apontada pelo agente bateu com a do engenheiro sênior. Esse histórico de acurácia é o ingresso para a autoridade de remediação, e converte a decisão de confiança de um debate sobre promessas de fornecedor em uma revisão do seu próprio histórico de incidentes. É a mesma estrutura de supervisão que descrevemos em operações de agentes em modo on-the-loop, aplicada ao pipeline de incidentes. E antes de qualquer concessão de remediação, a pergunta do rollback precisa estar resolvida; mapeamos onde o rollback automático funciona e onde ele falha.
O padrão generaliza para além de resposta a incidentes. Qualquer sistema autônomo, em qualquer função, pode ter a autoridade dividida do mesmo jeito: direito de observar e concluir antes do direito de agir. A maioria das falhas de governança de agentes que vemos nasce de conceder os dois de uma vez.
Xanthos também aponta um efeito de segunda ordem que vale planejar: desenvolvedores de aplicação agora conseguem depurar infraestrutura por conta própria, algo que antes exigia um especialista de plataforma, o que encolhe o war room que um incidente demanda. Isso redesenha escalas de plantão e o mandato dos times de plataforma, e sai mais barato redesenhar de propósito do que deixar corroer.
A desculpa da fragmentação acabou de vencer
A afirmação mais silenciosamente disruptiva da entrevista vem de Xanthos argumentando contra a própria tese antiga. Ele passou anos no Splunk Observability, onde o modelo operacional era consolidação: centralize sua telemetria em uma plataforma, depois opere a partir dela. A posição atual: “Em vez de substituir sistemas existentes, a IA pode trabalhar através de ambientes fragmentados e aproveitar melhor as ferramentas que as empresas já têm.”
Ele dirige uma empresa que vende exatamente essa capacidade, então aplique o desconto devido. Mas a lógica arquitetural se sustenta independentemente do fornecedor. Um sistema de IA que consulta cada ferramenta de monitoramento onde ela vive dispensa a migração de plataforma plurianual que o modelo centralize-primeiro exigia. O que remove a razão mais comum que as empresas dão para adiar operações governadas com IA: “nosso ferramental é fragmentado demais, precisamos consolidar primeiro”. Se IA de nível de investigação funciona sobre a fragmentação que você já tem, o projeto de consolidação deixa de ser pré-requisito e vira o que sempre foi, uma decisão separada com economia própria.
Isso importa para o calendário de governança. Esperar era defensável quando o custo de entrada era uma migração de plataforma. Quando o custo de entrada é um piloto somente-investigação sobre as ferramentas existentes, esperar é escolher continuar pagando o imposto da fila e o imposto do on-call às taxas atuais enquanto o volume de código sobe.
Faça isto agora
Meça sua própria linha de base antes de a onda chegar. Puxe o último trimestre de horas de on-call e de tickets de manter-as-luzes-acesas e calcule, para a sua organização, os dois percentuais que Xanthos cita. Esse número é o denominador contra o qual todo ganho de código com IA deveria ser julgado.
Depois escreva um livro-razão de autoridade para IA em produção: duas colunas, direitos de investigação e direitos de remediação. Conceda a primeira coluna a um agente na sua pior fila, aquela onde problemas reportados por clientes ficam parados por dias. Pontue as conclusões dele contra as humanas por um trimestre. Deixe o histórico de acurácia decidir quando algo passa para a segunda coluna; o deck do fornecedor fica de fora dessa votação.
As organizações que vão absorver o tsunami de código são as que estão instrumentando a orla agora, enquanto os dashboards de adoção ainda parecem só boa notícia.
Fontes
- McKinsey & Company. “Resolve AI CEO Spiros Xanthos: AI’s impact on software production systems.” Junho de 2026.
A Victorino ajuda organizações de engenharia a sequenciar autoridade de produção para sistemas de IA, dos direitos de investigação à remediação governada: contato@victorino.com.br | www.victorino.com.br
Todos os artigos do The Thinking Wire são escritos com o auxílio do modelo LLM Opus da Anthropic. Cada publicação passa por pesquisa multi-agente para verificar fatos e identificar contradições, seguida de revisão e aprovação humana antes da publicação. Se você encontrar alguma informação imprecisa ou deseja entrar em contato com o editorial, escreva para editorial@victorino.com.br . Sobre o The Thinking Wire →
Se isso faz sentido, vamos conversar
Ajudamos empresas a implementar IA sem perder o controle.
Agendar uma Conversa