Mark Zuckerberg afirma que a IA acelera a programação na Meta, mas a promessa mais ampla continua sem comprovação

Mark Zuckerberg afirma que a IA está acelerando o desenvolvimento de software na Meta, embora reconheça que os agentes autônomos avançaram mais lentamente do que os líderes da empresa esperavam. A afirmação apareceu em todo o Google News enquanto a Meta colocava a programação com IA no centro de seu esforço para mudar a forma como os engenheiros trabalham.

Essa aparente contradição importa mais do que mais uma previsão sobre máquinas substituindo programadores. A Meta já usa agentes para investigar problemas de infraestrutura, gerar correções propostas e preparar código para revisão humana. No entanto, essas tarefas delimitadas ainda estão muito distantes de um sistema de IA que lide de forma independente com o desenvolvimento amplo de produtos.

A Microsoft oferece um importante ponto de referência. Satya Nadella disse em abril de 2025 que a IA escreveu entre 20% e 30% do código em alguns repositórios da Microsoft. Zuckerberg não conseguiu fornecer o número equivalente da Meta, mas previu que a IA cuidaria de aproximadamente metade de seu desenvolvimento em um ano.

A distância entre essas declarações define a verdadeira história. A Meta tem evidências de que a IA pode encurtar fluxos de trabalho específicos de engenharia. Ela não estabeleceu publicamente que metade de todo o seu desenvolvimento de software agora pertence à IA.

Essa distinção afeta desenvolvedores, compradores de tecnologia corporativa e empresas que avaliam agentes de programação. Código gerado é fácil de contabilizar. Software confiável, revisão precisa e produtividade empresarial mensurável são muito mais difíceis de provar.

O que os sistemas de programação com IA da Meta realmente mudaram

A Meta foi além das sugestões de programação ao conectar agentes de IA a ferramentas internas, dados operacionais e fluxos de revisão.

Um assistente de programação com IA propõe texto dentro de um editor. Um agente de programação com IA pode reunir contexto, usar ferramentas, modificar arquivos, executar verificações e preparar um pull request. Esse ciclo de ação mais amplo dá à Meta uma base crível para afirmar que houve aceleração.

A Meta descreveu uma implementação em seu programa de eficiência de capacidade. O programa mira problemas de desempenho em toda a infraestrutura que sustenta Facebook, Instagram, WhatsApp e os outros serviços da Meta.

A empresa afirma que sua plataforma combina dois componentes importantes. As ferramentas de Model Context Protocol fornecem aos modelos formas padronizadas de consultar código, documentação, dados de profiling, histórico de configuração e resultados de experimentos. Skills fornecem instruções armazenadas que representam conhecimento de engenharia para problemas específicos.

Essa estrutura restringe o trabalho do agente. Em vez de pedir a um modelo que compreenda toda a base de código da Meta, os engenheiros fornecem um problema definido, ferramentas aprovadas, contexto relevante e critérios de validação.

Uma aplicação responde a regressões de desempenho, que ocorrem quando uma alteração de código ou configuração aumenta o consumo de recursos. O sistema de detecção existente da Meta identifica a regressão e a conecta a uma provável alteração.

Em seguida, um agente de IA reúne os sintomas, examina o pull request suspeito e aplica orientações para aquela base de código. Ele cria uma correção proposta e envia o pull request ao autor original para revisão.

Outra aplicação começa com oportunidades de otimização. O agente recupera documentação, exemplos anteriores, arquivos relevantes e critérios para verificar uma alteração. Em seguida, produz código candidato para que um engenheiro o inspecione.

A Meta afirma que esse processo pode comprimir cerca de 10 horas de investigação manual de regressões em aproximadamente 30 minutos. A empresa também afirma que seu trabalho mais amplo de eficiência recuperou centenas de megawatts de capacidade.

Esses números vêm da Meta e não passaram por uma auditoria pública independente. Ainda assim, o fluxo de trabalho mostra por que Zuckerberg descreve a IA como um acelerador sem afirmar que os agentes operam de forma independente.

O modelo não gera simplesmente um bloco de código plausível. A Meta o cerca de sistemas de recuperação, permissões restritas, conhecimento codificado, medições de produção e uma etapa de aprovação humana.

O benefício resultante é alavancagem operacional. Um engenheiro pode revisar uma investigação preparada e uma correção candidata, em vez de reunir manualmente cada elemento. Isso muda para onde vai o tempo de engenharia, mesmo quando uma pessoa continua responsável pela implantação.

Também mostra por que linhas de código gerado oferecem uma medida fraca de produtividade. Uma pequena correção para uma regressão de desempenho pode economizar capacidade computacional substancial. Um grande recurso gerado pode criar mais trabalho de revisão e manutenção do que economiza.

Portanto, a evidência pública mais forte da Meta diz respeito a tarefas delimitadas de infraestrutura. Ela ainda não cobre todas as etapas de projetar, construir, testar, proteger e manter um produto para consumidores.

A mudança é real, mas seu alcance importa. A Meta automatizou partes do pipeline de engenharia, não o papel completo de um engenheiro de software.

O Google News registra duas afirmações conflitantes de Zuckerberg

O conflito importante não é se a Meta usa IA para programar, mas se os agentes estão melhorando rápido o suficiente para cumprir o cronograma mais amplo de Zuckerberg.

Na LlamaCon, em abril de 2025, Nadella disse que o software produzia entre 20% e 30% do código em alguns repositórios da Microsoft. Ele também observou que o desempenho variava conforme a linguagem de programação.

Quando Nadella devolveu a pergunta, Zuckerberg disse que não sabia a porcentagem atual da Meta. Ele previu que a IA realizaria aproximadamente metade do desenvolvimento da Meta no ano seguinte.

A discussão da LlamaCon também incluiu uma observação mais cautelosa. Zuckerberg disse que ganhos significativos de produtividade em toda a economia levariam vários anos para surgir.

Essa cautela se encaixa de forma desconfortável ao lado da meta interna agressiva. Escrever código é apenas um componente do desenvolvimento. Engenheiros precisam determinar requisitos, entender sistemas existentes, resolver restrições conflitantes, testar comportamentos e assumir responsabilidade por falhas.

Em julho de 2026, a Reuters informou outra declaração importante de uma reunião interna da Meta. Zuckerberg teria dito que o desenvolvimento de agentes de IA nos quatro meses anteriores não havia acelerado como esperado.

Segundo o relato da reunião geral, ele esperava benefícios mais significativos dos investimentos da Meta em IA dentro de três a seis meses.

Essa declaração não invalida os exemplos de eficiência da empresa. Ela separa duas afirmações diferentes que a cobertura frequentemente comprime em uma única manchete.

A primeira afirmação diz respeito à assistência atual. A IA pode reduzir o tempo necessário para investigações selecionadas, alterações de código e fluxos de trabalho internos. A Meta descreveu exemplos concretos que sustentam essa posição mais restrita.

A segunda diz respeito à autonomia geral. Agentes de IA completariam de forma independente trabalho substancial de desenvolvimento em produtos e sistemas variados. A Meta divulgou muito menos evidências para essa posição mais ampla.

O Google News pode colocar as duas afirmações lado a lado, mas a agregação não resolve a tensão. Os leitores ainda precisam examinar quando cada declaração apareceu, qual sistema ela descreveu e qual medição a sustentava.

A cronologia sugere que a Meta encontrou aplicações úteis antes de resolver a autonomia geral de software. Esse padrão aparece em toda a adoção de IA empresarial. Sistemas restritos se tornam valiosos enquanto agentes mais ambiciosos permanecem inconsistentes.

Isso não é necessariamente um fracasso. Muitas tecnologias geram retornos por meio de automação parcial muito antes de substituírem uma ocupação completa. O risco começa quando líderes usam sucessos restritos para insinuar uma capacidade mais ampla.

A linguagem da Meta também alterna entre código e desenvolvimento. Código se refere a alterações geradas. Desenvolvimento inclui planejamento, arquitetura, implementação, testes, implantação, operações, segurança e manutenção.

Uma empresa pode aumentar o código gerado por IA enquanto deixa a maior parte das decisões de desenvolvimento com pessoas. Também pode reduzir o tempo de investigação sem reduzir o trabalho total de engenharia.

A revisão pode se tornar o novo gargalo. Uma geração mais rápida cria mais alterações propostas, mas engenheiros qualificados ainda precisam determinar se cada alteração está correta, é necessária, segura e sustentável.

A desaceleração relatada, portanto, atinge a expectativa mais ambiciosa da Meta. Ela não apaga ganhos locais, mas enfraquece a suposição de que esses ganhos levam naturalmente ao desenvolvimento autônomo.

O verdadeiro mecanismo é contexto, não geração de código

A vantagem da Meta vem de conectar modelos a evidências específicas da empresa, não de pedir a um chatbot que escreva mais código.

O software dentro de uma grande empresa de tecnologia depende de conhecimento que nenhum modelo público contém por completo. Engenheiros precisam de documentação interna, registros de propriedade de serviços, históricos de implantação, resultados de testes, perfis de desempenho e decisões de projeto anteriores.

Um modelo genérico de programação pode produzir sintaxe válida enquanto entende mal o sistema ao redor. A arquitetura de agentes da Meta aborda esse problema ao recuperar o contexto interno atual antes de propor uma ação.

Suas ferramentas podem localizar as funções afetadas por uma regressão, recuperar a alteração que a introduziu e inspecionar a documentação relevante. Em seguida, as skills orientam o modelo por meio de um padrão de raciocínio aprovado.

Por exemplo, um agente que investiga registros excessivos pode receber instruções sobre mudanças de amostragem para aquela base de código específica. Ele não precisa inferir toda a resposta a partir de dados públicos de treinamento.

Essa abordagem também dá aos engenheiros um controle mais claro. Cada ferramenta executa uma operação definida, enquanto as permissões limitam o que o agente pode acessar ou alterar. O agente apresenta um pull request em vez de implantar código sem restrições.

Esse design se assemelha mais a um sistema interno de produção do que a um chatbot para consumidores. O modelo continua importante, mas os dados, ferramentas, testes e regras de aprovação ao redor determinam se sua saída se torna útil.

Organizações que avaliam sistemas semelhantes devem notar essa distinção. Comprar acesso a um modelo capaz não reproduz automaticamente o resultado da Meta. As empresas precisam de documentação interna confiável e interfaces que exponham o contexto apropriado.

Uma base de conhecimento de engenharia pesquisável pode ajudar equipes a organizar material técnico. No entanto, a recuperação por si só não pode substituir permissões, testes, propriedade e revisão.

A escala da Meta cria tanto uma vantagem quanto um fardo. Sua infraestrutura produz dados operacionais extensos que os agentes podem usar. Ela também contém inúmeros serviços, dependências, linguagens e decisões históricas.

As tarefas iniciais mais bem-sucedidas têm feedback claro. Uma regressão de desempenho tem sintomas mensuráveis. Uma correção proposta pode passar por testes e experimentos de produção. O consumo de recursos fornece outro sinal objetivo.

O desenvolvimento de produtos contém mais ambiguidade. Um modelo não consegue medir se os usuários entenderão uma nova interface compilando o código. Ele não consegue resolver objetivos de produto concorrentes sem instruções das pessoas.

Isso explica por que a otimização de infraestrutura pode acelerar antes do desenvolvimento amplo de software. A tarefa tem um objetivo delimitado, evidências acessíveis, ferramentas repetíveis e um revisor definido.

O programa da Meta também transforma conhecimento de profissionais experientes em instruções reutilizáveis. Isso pode reduzir investigações repetidas e ajudar mais engenheiros a abordar problemas especializados.

Ainda assim, codificar expertise introduz trabalho de manutenção. As skills podem se tornar desatualizadas quando os sistemas mudam. As saídas das ferramentas podem omitir contexto relevante. A documentação pode entrar em conflito com o comportamento em produção.

A competência aparente do agente depende da qualidade desse sistema ao redor. Quando a recuperação de informações falha, o código gerado ainda pode parecer convincente. Essa combinação torna a verificação essencial.

O desenvolvimento assistido por IA é, portanto, um projeto organizacional, não apenas uma implantação de modelo. As equipes precisam decidir quais tarefas são adequadas, quais evidências os agentes podem acessar e quem é responsável pelo resultado.

O mecanismo também complica as comparações entre empresas. Microsoft, Google, Anthropic e Meta têm bases de código, ferramentas, linguagens e definições diferentes de trabalho gerado por IA.

Uma porcentagem sem um padrão de medição compartilhado diz pouco sobre produtividade. Uma empresa pode contar caracteres aceitos. Outra pode contar commits, pull requests, horas de desenvolvimento ou projetos concluídos.

Os exemplos de infraestrutura da Meta oferecem evidências mais úteis porque conectam a intervenção a tempo e capacidade. Mesmo assim, os leitores devem distinguir as economias do programa mais amplo da contribuição específica do agente.

Resultados Mais Rápidos Ainda Criam um Problema de Verificação

A IA pode encurtar o caminho até uma mudança proposta, ao mesmo tempo que transfere esforço para revisão, testes, segurança e manutenção de longo prazo.

Agentes de programação costumam ter bom desempenho em tarefas com requisitos visíveis e testes rápidos. Sistemas de produção apresentam um desafio diferente, porque a correção vai além de passar em uma suíte de testes local.

Uma mudança pode atender à sua especificação imediata e, ainda assim, aumentar a latência em outro ponto. Ela pode expor dados sensíveis, enfraquecer uma fronteira de autorização ou criar um comportamento que se torna caro sob tráfego intenso.

O processo de revisão da Meta reconhece esse risco. Seus agentes geram correções candidatas e as encaminham para engenheiros. A aprovação humana continua fazendo parte do fluxo de trabalho divulgado.

Esse detalhe deve moderar as alegações de substituição. Um sistema que prepara trabalho para revisão pode elevar a produtividade sem assumir a decisão final. Ele também pode aumentar a demanda por engenheiros que entendem arquitetura e risco.

Pesquisas sobre produtividade em programação com IA produziram lições mistas. Uma síntese de pesquisa de 2026 analisou 23 estudos com 27 efeitos relatados em programação e educação.

Os pesquisadores concluíram que ferramentas de programação com IA generativa geralmente melhoraram a produtividade de programação em ambientes medidos. Eles também constataram que o uso educacional não melhorou de forma consistente os resultados de aprendizagem.

Essa diferença importa para os empregadores. Engenheiros experientes podem usar um agente para avançar mais rápido porque conseguem reconhecer saídas incorretas. Desenvolvedores menos experientes podem aceitar código plausível sem compreender suas consequências.

Uma empresa que automatiza tarefas de nível inicial pode enfraquecer o pipeline que forma futuros revisores. Engenheiros seniores desenvolveram seu julgamento escrevendo, depurando e operando software ao longo do tempo.

O volume gerado também pode distorcer métricas de desempenho. Engenheiros podem parecer mais produtivos porque enviam mais código. Mais tarde, a organização pode absorver o custo por meio de defeitos, lógica duplicada ou dívida técnica.

A própria pesquisa de engenharia da Meta documentou o trabalho contínuo necessário para melhorar o código e remover complexidade acumulada. A geração por IA não elimina esse fardo de manutenção.

A segurança acrescenta outra camada. Os agentes precisam de acesso ao código-fonte, à documentação, aos sistemas de build e aos dados operacionais. Um acesso mais amplo os torna mais úteis, mas também aumenta as consequências de injeção de prompt, uso incorreto de ferramentas ou credenciais comprometidas.

As organizações devem tratar um agente como um ator de software privilegiado. Registro de atividades, fronteiras de permissão, revisão de mudanças e planos de reversão continuam necessários mesmo quando um modelo parece confiável.

Há também um problema de atribuição. A Meta afirma que seu programa de eficiência recuperou centenas de megawatts, enquanto sistemas de IA apoiam partes desse esforço. O material público não isola exatamente quanta capacidade os agentes recuperaram de forma independente.

Isso não torna o resultado sem sentido. Significa que as evidências sustentam uma contribuição, e não uma causalidade exclusiva.

A mesma cautela se aplica às alegações mais amplas de Zuckerberg. A Meta pode afirmar que a IA acelera o desenvolvimento com base em vários fluxos de trabalho bem-sucedidos. Ela não pode inferir, a partir desses fluxos, que agentes autônomos estão prontos para realizar a maior parte do desenvolvimento.

A diferença se assemelha àquela entre um software de navegação e um veículo autônomo. A navegação pode economizar tempo em quase toda viagem sem assumir a responsabilidade de controlar o carro.

Os desenvolvedores também devem observar como a gestão interpreta essas ferramentas. Líderes podem usar a geração de código mais rápida para encurtar prazos antes de entender a carga adicional de revisão.

Essa resposta pode eliminar ganhos de produtividade e aumentar o risco operacional. O benefício só aparece quando as equipes redesenham o trabalho em torno das capacidades reais da ferramenta.

Compradores empresariais devem exigir medições que cubram resultados concluídos. Indicadores úteis incluem tempo de ciclo, defeitos que escapam para produção, frequência de reversões, esforço de revisão, descobertas de segurança e custos de manutenção.

Linhas de código devem permanecer em segundo plano. Mais código não significa automaticamente software melhor, e menos código frequentemente produz um design mais seguro.

As manchetes do Google News podem resumir a alegação de Zuckerberg em poucas palavras. A questão da verificação exige uma visão mais longa dos resultados de engenharia.

Microsoft, Google e Anthropic Enfrentam o Mesmo Teste de Medição

A Meta não está competindo para gerar a maior quantidade de código; ela está competindo para transformar a saída dos agentes em mudanças confiáveis para produção.

A Microsoft estabeleceu uma referência pública inicial quando Nadella citou a faixa de 20% a 30% em alguns repositórios. No entanto, ele também qualificou o número conforme o projeto e a linguagem de programação.

Essa variabilidade reflete diferenças nos dados de treinamento disponíveis, nas ferramentas, na cobertura de testes e na estrutura do código. Tarefas em Python podem ser mais fáceis para um modelo do que trabalho especializado em sistemas escrito em uma linguagem menos representada.

O Google integrou assistência de programação em ferramentas internas e comerciais de desenvolvimento. A Anthropic tornou o desenvolvimento de software um importante caso de uso para seus modelos Claude e produtos de agentes.

Essas empresas compartilham um incentivo para descrever a crescente adoção. Mais código gerado sinaliza demanda por seus modelos, ferramentas para desenvolvedores e infraestrutura de nuvem.

A adoção não resolve a questão da produtividade. Engenheiros frequentemente experimentam novas ferramentas porque seus empregadores as fornecem ou exigem seu uso. A questão mais difícil é se o software concluído melhora depois de todos os custos de revisão e correção.

Os exemplos públicos da Meta têm uma força notável. Eles associam agentes a um fluxo de trabalho operacional específico e a um problema de infraestrutura mensurável. Isso é mais informativo do que uma porcentagem de código para toda a empresa.

Os exemplos também revelam uma limitação. Os ganhos mais claros da Meta ocorrem dentro de seu próprio ambiente, no qual a empresa controla os modelos, as ferramentas, a telemetria e o processo de revisão.

Parceiros de tecnologia não podem presumir que o mesmo desempenho seja transferido diretamente para os sistemas fragmentados de um cliente. Muitas empresas não têm documentação atualizada, testes consistentes ou interfaces padronizadas.

O código legado cria outro obstáculo. Um agente pode entender a linguagem de programação e, ainda assim, deixar de compreender regras de negócio não documentadas. Funcionários humanos frequentemente carregam essas regras por meio da experiência, e não de registros formais.

Consultorias e provedores de serviços gerenciados podem enxergar uma oportunidade aqui. Os clientes precisam de ajuda para preparar repositórios, melhorar testes, organizar documentação, definir permissões e medir o desempenho dos agentes.

A oportunidade de serviço não consiste simplesmente em instalar um assistente de programação. Ela envolve tornar um ambiente de engenharia seguro e legível o suficiente para que os agentes operem.

A competição se concentrará cada vez mais na plataforma ao redor. A qualidade do modelo continua importante, mas integração, governança, recuperação de informações, avaliação e observabilidade determinam o valor em produção.

A Meta pode construir essas camadas em torno de sua própria infraestrutura. A Microsoft pode conectar agentes ao GitHub, Azure e aos fluxos de trabalho de desenvolvedores empresariais. O Google pode combinar Gemini com seu ecossistema de nuvem e desenvolvimento.

A Anthropic ocupa uma posição diferente por meio de modelos e ferramentas de agentes que os desenvolvedores podem usar em diversos ambientes. Sua popularidade entre programadores pressiona empresas maiores de plataforma a melhorar o comportamento dos modelos sem prender clientes a uma única stack.

O resultado provável não é um vencedor universal. As organizações compararão agentes entre tipos de tarefa e manterão a revisão humana para mudanças de alto impacto.

A disponibilidade de modelos abertos acrescenta outra dimensão competitiva. Historicamente, a Meta promoveu o acesso aberto a grandes lançamentos de modelos, enquanto Microsoft, Google e Anthropic dependem mais de serviços controlados.

No entanto, um modelo aberto não reproduz os dados internos nem as ferramentas de engenharia da Meta. O acesso aos pesos do modelo e o acesso a um sistema de agentes pronto para produção são benefícios distintos.

Portanto, o teste competitivo deve se concentrar nos resultados. Qual sistema reduz o tempo entre a descoberta de um problema e uma implantação segura? Qual deles reduz o custo de revisão sem elevar os defeitos?

Essas perguntas se aplicam igualmente a todos os fornecedores. Porcentagens de código escrito por IA continuam sendo sinais úteis de adoção, mas não são um padrão comum de produtividade.

O Que os Próximos Três Sinais Nos Dirão

As próximas divulgações da Meta precisam conectar a assistência de IA a resultados concluídos de engenharia, e não a outra previsão sobre código gerado.

O primeiro sinal é uma medida verificada de desenvolvimento para toda a empresa. A Meta descreveu fluxos de trabalho individuais, enquanto Zuckerberg admitiu anteriormente que não tinha uma porcentagem exata de código gerado por IA.

Uma divulgação útil definiria a unidade sendo medida. Ela deveria distinguir texto gerado, mudanças aceitas, pull requests mesclados, tarefas concluídas e tempo de desenvolvimento.

Ela também deveria descrever os custos de revisão e correção. Se a IA cria metade do código inicial, mas exige ampla correção humana, a porcentagem de destaque superestimaria sua contribuição.

Uma medida clara fortaleceria o argumento de Zuckerberg, especialmente se os tempos de ciclo melhorarem sem taxas mais altas de defeitos ou reversões. Outra porcentagem vaga manteria intacta a incerteza central.

O segundo sinal é a expansão além do trabalho de infraestrutura delimitado. Os agentes de desempenho da Meta operam em um ambiente com objetivos mensuráveis, telemetria robusta e validação definida.

A engenharia de produto apresenta decisões menos estruturadas. Evidências de que os agentes podem concluir trabalho de recursos em múltiplas etapas sustentariam a alegação de que a IA está mudando o desenvolvimento, e não apenas a manutenção.

Essas evidências deveriam incluir planejamento, implementação, testes, integração e desempenho pós-implantação. A revisão humana pode continuar fazendo parte do processo, mas a Meta deveria explicar onde a responsabilidade muda.

A ausência de expansão não tornaria o sistema existente inútil. Ela indicaria que o valor dos agentes continua concentrado em tarefas com feedback claro e contexto controlado.

O terceiro sinal é a resposta da Meta à desaceleração relatada dos agentes. Zuckerberg teria esperado benefícios mais significativos dentro de três a seis meses após a reunião geral de julho.

Isso cria uma janela prática de observação. Investidores, desenvolvedores e compradores empresariais devem acompanhar teleconferências de resultados, publicações de engenharia, lançamentos de produtos e mudanças organizacionais.

Os materiais de resultados da Meta já apresentam 2026 como um ano importante para mudar a forma como a empresa trabalha. Atualizações futuras devem mostrar se essa mudança produziu alavancagem operacional mensurável.

Uma organização maior dedicada a ferramentas de IA sinalizaria comprometimento contínuo, mas a movimentação de pessoal por si só não confirmaria progresso. A evidência mais forte conectaria a reorganização a entregas mais rápidas ou custos operacionais menores.

Os lançamentos de modelos também importam. Melhores capacidades de programação e de agentes podem aprimorar sistemas internos, especialmente quando combinadas com contextos mais longos e uso mais confiável de ferramentas.

Ainda assim, pontuações em benchmarks não devem substituir resultados em produção. Um modelo pode melhorar em testes de programação e, mesmo assim, falhar em tarefas longas, requisitos ambíguos e sistemas internos desconhecidos.

O Google News provavelmente trará previsões mais confiantes à medida que a concorrência se intensifica. Os leitores devem comparar cada alegação com sua tarefa definida, período de medição e processo de revisão.

Para desenvolvedores, a lição imediata é prática. Agentes de programação estão se tornando colaboradores úteis, mas a responsabilidade continua sendo humana. Engenheiros capazes de estruturar problemas, inspecionar sistemas e verificar alterações obtêm o maior ganho de alavancagem.

Para compradores corporativos, a questão não é se devem adotar programação com IA. É em quais pontos o fluxo de trabalho oferece feedback mensurável e risco aceitável.

Comece com tarefas que tenham entradas claras, testes robustos, permissões limitadas e revisores responsáveis. Meça todo o percurso, da solicitação ao comportamento estável em produção.

Em seguida, pergunte o que aconteceu com defeitos, tempo de revisão, reversões e manutenção. Esses resultados revelam se a aceleração é real ou apenas desloca o trabalho para etapas posteriores.

Zuckerberg tem argumentos críveis de que a IA já acelera trabalhos selecionados na Meta. Seu cronograma mais amplo para desenvolvimento autônomo continua não comprovado.

Os próximos meses devem mostrar se a Meta consegue transformar sucessos restritos de agentes em um sistema repetível para toda a empresa. Até lá, trate cada porcentagem marcante do Google News como um convite para examinar a medição por trás dela.