Os agentes abrem os pull requests

Em 28 de outubro, o GitHub publicou o Octoverse, seu relatório anual sobre a atividade na plataforma, e uma linha se destaca: em setembro de 2026, mais de 40 por cento dos pull requests no GitHub começavam com um primeiro rascunho feito por um agente, contra 17 por cento em março. Foram 110 milhões de pull requests só em setembro. No mesmo dia, na conferência Universe, o GitHub colocou o Copilot Projects em prévia pública e lançou os Agentic Workflows em disponibilidade geral.

Uma semana depois, a Meta comprou a Conductor, uma start-up criada para rodar vários agentes de programação ao mesmo tempo. Juntas, as notícias apontam numa direção: escrever código já não é a parte escassa de fazer software. Especificar, revisar, testar e responder por ele, sim.

O que o GitHub contou

São números do próprio GitHub, medidos na sua própria plataforma, e devem ser lidos assim. O Octoverse considera um pull request iniciado por agente quando o primeiro rascunho veio de um agente de programação que o GitHub consegue detectar, e o relatório chama esse sinal de “um piso, já que nem todo uso de agentes pode ser detectado.” Ele abrange repositórios públicos e privados, e os números dos anos anteriores foram recalculados com a mesma base.

O relatório também diz que os pull requests de agentes agora são mesclados pelo menos com a mesma frequência que os demais. Em fevereiro, 83 por cento dos pull requests com participação de agentes foram mesclados em até duas semanas, contra cerca de 86 por cento dos que não tinham agente detectado; em setembro, a taxa dos agentes tinha chegado a 90 por cento. Eles também são mais amplos: cerca de 87 por cento mudam mais de um arquivo, contra 79 por cento dos outros. Na nossa leitura, um merge mostra que um revisor aceitou uma mudança, não que a mudança estava certa.

Mais agentes por pessoa

Os produtos que o GitHub lançou no mesmo dia partem do princípio de que essa fatia vai continuar crescendo. O Copilot Projects dá ao trabalho que abrange vários repositórios um só lugar para o contexto, os agentes e os resultados. Você descreve um objetivo, o Copilot roda agentes em paralelo, “chama você quando precisa” e traz de volta resultados como pull requests para a sua revisão. Os Agentic Workflows permitem que uma equipe descreva em Markdown tarefas como a triagem de issues ou a análise de um build que falhou e que um agente de programação as execute no GitHub Actions, com permissões somente de leitura por padrão e um job separado que analisa as mudanças propostas antes que sejam aplicadas.

O post do GitHub sobre a Universe descreve a divisão do trabalho em uma frase: “Os desenvolvedores definem a direção, tomam as decisões e continuam responsáveis pelo que vai para produção.” Um analista citado pela InfoWorld explicou o que isso significa na prática. “Dez sessões de agentes em paralelo, por exemplo, podem gerar dez pull requests que precisam ser revisados”, disse Amit Kumar Jena, que lidera o desenvolvimento de IA na consultoria Kanerika.

Setenta por cento não é pronto

Um novo teste fora do GitHub mostra por que essa revisão não pode ser pulada. Em 26 de outubro, pesquisadores do Alibaba e de várias universidades publicaram o Co-Design Bench: 273 tarefas tiradas de 26'314 sessões reais de programação de usuários, cada uma verificada contra critérios de aceitação ocultos escritos por especialistas, 2'331 no total. O mais forte de dez modelos, rodando na mesma configuração de agente, cumpriu em média 69,9 por cento dos critérios por tarefa, mas atendeu por completo apenas 26,4 por cento das tarefas. O The Decoder, ao noticiar o estudo em 8 de novembro, escreveu que os agentes de programação ainda “precisam de uma limpeza humana em quase três de cada quatro tarefas”.

O estudo tem limites. Cada tarefa é um pedido fixo, então os agentes não podiam fazer perguntas nem ser corrigidos no caminho, a avaliação é feita por juízes de IA que podem errar, e vários autores vêm do Alibaba, cujo próprio modelo Qwen estava entre os testados. Mesmo assim, a lacuna que ele mede, entre a maior parte dos requisitos e todos eles, é exatamente a lacuna que um revisor existe para fechar.

O que as boas equipes fazem agora

Nada disso exige tanto ferramentas novas quanto uma disciplina antiga, aplicada com mais rigor. Comece pela especificação: quando um agente esboça a mudança, a tarefa escrita é a verdadeira fonte, e Jena alertou que “tarefas mal definidas podem levar a execuções repetidas, retrabalho e maior consumo de créditos de IA.” Escreva o que significa pronto antes que o agente comece, do jeito que o Co-Design Bench define primeiro os seus critérios de aceitação.

Mantenha as mudanças pequenas o bastante para serem lidas. O GitHub diz que os stacked pull requests, que dividem um trabalho relacionado em mudanças menores revisadas em sequência, já tinham sido usados por mais de 264'000 desenvolvedores até setembro, dois meses depois do lançamento da prévia. Faça dos testes o portão: uma mudança não deveria chegar a uma pessoa antes de passar neles, e os próprios testes merecem a revisão mais cuidadosa, porque um agente que pode editar os próprios testes consegue fazer qualquer coisa passar.

Por fim, dê nome à pessoa. Cada mudança que vai para produção precisa de alguém que a aprovou e sabe explicá-la, e esse alguém não pode ser o agente. O conselho de Jena aos CIOs é o mesmo: “exigir aprovação humana antes que pull requests gerados por agentes sejam mesclados.”

Ferramentas podem ser desligadas

O negócio da Conductor traz uma lição mais discreta. O TechCrunch noticiou em 4 de novembro que a Meta tinha adquirido a start-up, fundada em 2024, cujas equipes de agentes são “projetadas para ajudar engenheiros de software a trabalhar em conjunto em partes separadas e compartimentadas de um projeto”, usando agentes de laboratórios como a Anthropic e a OpenAI. A Meta confirmou a compra, mas não divulgou os termos.

O próprio aviso da Conductor define o cronograma. Os novos cadastros pararam em 4 de novembro, os workspaces na nuvem passam a ser somente leitura em 13 de novembro e, em 20 de novembro, a empresa começa a apagar os dados de usuários na nuvem, então os clientes têm dezesseis dias para exportar o que guardam lá. O app de desktop continua funcionando por enquanto e começa a ser desativado no início de 2027. A Conductor diz que nunca vendeu dados de usuários nem treinou modelos com eles, e oferece uma exportação e uma transferência para o app local.

Nada aqui sugere má-fé. Mostra o quanto a camada que roda os agentes ainda é nova e instável: um serviço que guarda os workspaces e as conversas dos seus agentes pode ser comprado e fechado em poucas semanas. Mantenha o que importa em lugares que você controla: o código e o histórico dele no seu próprio repositório, especificações e decisões registradas ao lado dele, e testes pelos quais qualquer agente precisa passar, seja qual for o fornecedor.

Onde estamos

O Werk, nossa plataforma de apps, já está disponível e foi construído sobre essa divisão do trabalho. A IA escreve a maior parte do código sobre um framework que nós construímos e em que confiamos, pessoas decidem o que construir, desenham a experiência e revisam cada versão, e cada versão é testada. O código é seu, e a plataforma continua crescendo por baixo dele. O próximo passo, no qual estamos trabalhando, são agentes que entregam sozinhos mudanças e correções de rotina, testadas e revisadas antes do lançamento, o que só funciona quando a especificação, os testes e a revisão já estão no lugar.