Fernando Parreiras. Experiência com limites explícitos.
Atua na interseção entre tecnologia, produto, liderança e construção de negócios digitais.
Responsabilidade editorial
O papel de quem assina.
Fernando Parreiras construiu uma trajetória de 28 anos em tecnologia, de estagiário a CTO, conselheiro, empreendedor, mentor e fundador.
No Conhecimento Tech Human, sua responsabilidade é transformar experiência técnica e evidência pública em critérios úteis para decisões de negócio, deixando explícitos os limites de cada análise.
Experiência pode multiplicar o alcance dos agentes, mas o ganho não é automático. Profissionais seniores criam vantagem quando convertem repertório em contexto, verificação, arquitetura e decisões de negócio.
Profissionais de tecnologia não percorrem uma sequência emocional universal. O caminho responsável combina espaço para o medo, leitura objetiva da mudança e experimentos de carreira que devolvem capacidade de ação.
IA acelera a criação de software e também pode acelerar dívida, vulnerabilidades e dependências. A resposta não é voltar ao desenvolvimento lento: é colocar agentes em trilhos de arquitetura, segurança, testes e evidência desde o NOI.
Quando software fica mais barato de produzir, código isolado perde poder defensivo. Vantagem passa a depender de distribuição, dados autorizados, workflow, confiança e capacidade de aprender melhor.
IA não garante demanda. Ela reduz o custo de transformar hipóteses em experiências operáveis e permite mais ciclos antes de o tempo ou o caixa acabarem. A vantagem só aparece quando velocidade produz evidência — não apenas mais funcionalidades.
Para quem incuba e investe, memória organizacional não é um arquivo central. É um sistema que conecta tese, contexto, direitos de decisão, capital, capacidades e evidência sem apagar a autonomia de cada investida.
Quando gerar software deixa de ser o único limite, liderança, verificação e aprovação precisam ser redesenhadas. Uma análise sobre supervisão e contratação.
Cinco modelos modernizaram 100 arquivos PHP legados. O melhor terminou com 59 arquivos compatíveis, contra 83 sem alteração e 82 com Rector. O estudo não condena a IA: ele mostra por que preservar comportamento precisa ser uma métrica separada.
A IA acelera tarefas locais, mas o resultado continua preso entre filas, handoffs e controles tardios. Um modelo full-flow combina times orientados a valor, plataforma, especialistas habilitadores, métricas e responsabilidade explícita até produção.
Um preprint propõe trocar o cronômetro por um livro-razão: tempo aparente, defeitos que escapam, retrabalho e custo de verificação precisam entrar na mesma decisão. Os dados são provocativos, mas ainda não autorizam uma taxa universal.
No ViBench 2.0, os melhores modelos concluíram mais de 90% dos planos isolados, mas só entregaram todos os requisitos em 49% a 65% das construções. A diferença está nas interações que transformam funcionalidades em produto.
Uma empresa pode ter zero empregados e ainda depender de muitos recursos: founder, modelos, nuvem, dados, pagamentos, plataformas, fornecedores e especialistas. Tornar essas dependências visíveis é parte do modelo, não uma objeção a ele.
Quem conhece profundamente um problema ganhou acesso a uma nova camada de execução. A vantagem não está em pedir software para a IA, mas em transformar experiência em requisitos, testes, exceções e decisões que possam ser verificadas.
Um estudo com 4.240 gerações de código encontrou forte efeito dos prompts sobre a disposição do modelo para responder, mas não uma redução consistente das fraquezas detectadas. Para a liderança, a decisão é simples: instrução ajuda; controle precisa ser verificável fora do modelo.
Em 14.159 reconstruções históricas, falhas recorrentes permitiram reutilizar regras determinísticas e reservar agentes para exceções. O resultado sustenta uma arquitetura híbrida: automatize o repetível, escale o ambíguo.
Em 29.669 pull requests gerados por agentes, 63,2% alteraram código sem coalterar documentação. O estudo não prova inconsistência, mas expõe um risco operacional que cresce quando a velocidade do código supera a manutenção do conhecimento.
Quando IA permite lançar produto, cobrança, suporte e operação em poucos dias, o primeiro marco útil deixa de ser apenas um artefato para aprender. O NOI descreve a menor empresa que já entrega valor com responsabilidade.
Em 11.700 textos, uma mudança no desenho da escala deslocou o score normalizado em cerca de 0,10 e alterou a categoria atribuída a aproximadamente 20% dos casos.
O FDE-Gym avaliou 13 configurações de modelos em 95 tarefas de 20 cenários empresariais. O melhor resultado médio foi 0,56 e apenas 14 tarefas foram resolvidas segundo o critério do estudo.
O modelo certo depende do estágio, da criticidade, do conhecimento que precisa permanecer e de quem deve responder pelo resultado. Uma comparação útil separa projeto, capacidade, liderança e aprendizagem — sem presumir que terceirizar ou internalizar é sempre superior.
REA e agentes reduzem o esforço para compreender e reimplementar software. O desafio empresarial começa quando o protótipo passa a tocar dados, clientes, dinheiro e continuidade.
Dados de nove trimestres do GitHub indicam que o volume de pushes cresceu mais rápido do que os pushes com credenciais, sem tendência detectável de piora na prevalência por push. O problema é de escala: mesmo com taxa estável, mais software produz mais exposições e mais trabalho de resposta.
O CredLeakBench avaliou sete modelos em tarefas legítimas e cenários de phishing. Todos vazaram dados em alguma condição — inclusive durante triagem autônoma de e-mails — e várias proteções reduziram o vazamento ao custo de abandonar trabalho legítimo.
Um estudo longitudinal avaliou 380.800 programas gerados por 32 modelos de sete famílias. Todos melhoraram em segurança absoluta, mas nenhuma família fechou a distância entre código funcional e código seguro — e versões novas também regrediram em fraquezas específicas.
O GitHub abriu um benchmark com 219 pull requests de 187 repositórios e 19 linguagens. A contribuição mais importante não é um ranking: é separar cobertura, precisão, severidade, custo e impacto em produção antes de comprar a promessa de uma revisão automática.
Um estudo comparou 253.390 arquivos atribuídos a sete ferramentas de IA com 9.544 arquivos escritos por pessoas em repositórios públicos. O resultado contraria slogans fáceis: o risco varia por linguagem, ferramenta, contexto e método de medição.
Não existe um cargo universal. Existe um diagnóstico: contratar a pessoa capaz de remover o gargalo dominante sem perder contato com o cliente, qualidade técnica ou responsabilidade operacional.
Contratar deixa de ser reflexo de rodada ou lista de tarefas. A empresa AI-native amplia o time quando uma restrição comprovada de receita, risco, continuidade ou qualidade vale mais que a coordenação criada.
Um novo estudo transformou correções históricas de vulnerabilidades em testes executáveis para treinar agentes de programação. O resultado reforça uma decisão de negócio: software que passa no teste funcional ainda precisa provar as propriedades de segurança que o pedido não escreveu.
No SWE-Flux, o melhor modelo acertou 37,71% de 480 problemas de comportamento em execução. A lacuna ajuda a explicar por que leitura estática não substitui observabilidade e teste dinâmico.
A pesquisa PixelLeak atribuiu a agentes de código a publicação de milhares de imagens em repositórios públicos. Os totais ainda carecem de auditoria independente completa, mas o caso já expõe uma falha de governança: a evidência de revisão não pode sair da fronteira autorizada.
Startups estão cobrando mais cedo e algumas empresas de IA crescem em velocidade inédita. Isso reduz o custo do aprendizado, mas não demonstra retenção, distribuição repetível, margem ou PMF.
Um preprint testou dez combinações de modelos e ferramentas com acesso amplo ao ambiente. O alerta não é que todo agente apaga logs, mas que o registro usado para fiscalizá-lo não pode permanecer sob seu controle.
Um incidente de pesquisa da OpenAI mostrou um agente alcançando um serviço externo por um caminho não previsto. O caso transforma contenção, parada automática e resposta humana em decisões de negócio — não apenas de laboratório.
Um novo preprint mede alterações não enumeradas em frameworks de segurança de 12 desenvolvedores de IA. A lição executiva é simples: justificar uma revisão não substitui declarar cada compromisso que mudou.
O SWE-Serve avaliou 53 tarefas de engenharia de inferência e encontrou uma diferença material entre satisfazer testes locais e atravessar o caminho completo de produção.
Um estudo com 9.135 patches mostra por que taxa de compilação e similaridade textual podem premiar o benchmark, o ambiente ou até uma não correção — em vez de provar que a vulnerabilidade foi removida.
Forward Deployed Engineering reduz a distância entre a missão do cliente e a produção. O valor não está em customizar tudo, mas em combinar implantação, adoção, transferência de capacidade e aprendizado reutilizável.
O estudo industrial é promissor: agentes especializados, contexto do repositório e revisão multifacetada reduziram ruído no recorte observado. Mas sete commits ainda não autorizam uma verdade geral.
Vibe coding e agentes reduzem o tempo da primeira versão. A empresa ganha velocidade sustentável quando TI transforma identidade, dados, componentes, testes e operação em caminhos reutilizáveis.
No SWE-bench Verified, feedback vindo de testes fracos reduziu a taxa reportada de resolução. O paper reforça que gerar teste, qualificar evidência e corrigir código são responsabilidades diferentes.
O NIST mediu um avanço relevante do GLM-5.3 em quatro benchmarks. A decisão empresarial, porém, não cabe em um ranking: capacidade, exposição, autoridade e controles precisam ser avaliados separadamente.
Um novo estudo mostra que a mesma interface pode apresentar sinais diferentes para pessoas e agentes móveis. A consequência executiva é direta: aprovação humana só vale quando ambos observam o mesmo estado.
Dois disclosures recentes mostram a mesma falha de premissa em produtos diferentes: estar na máquina local limita alcance, mas não autentica quem chama uma API nem qual autoridade essa chamada pode exercer.
A IA permite sair da licença por usuário e vender trabalho concluído. Para capturar esse mercado, produto, preço, operação, vendas e responsabilidade precisam ser redesenhados juntos.
Um novo recorte da pesquisa CNCF/SlashData ajuda a separar a velocidade de construir com IA da capacidade de operar inferência com confiabilidade — desde que suas estimativas e associações não sejam tratadas como prova causal.
O Agent Incident Registry organiza falhas públicas de agentes, mas seus próprios autores alertam: o catálogo serve para desenhar testes, não para estimar o risco de uma implantação.
Um advisory e dois preprints recentes mostram por que agentes não podem decidir sozinhos até onde ir, quando parar ou se o próprio consenso basta para aprovar uma saída.
O AgentScope melhora o diagnóstico de trajetórias de agentes, mas seu melhor resultado de classificação permanece abaixo de 46%. A lição para empresas é estruturar a evidência sem terceirizar responsabilidade.
Um lote de advisories do CodeWhale mostra por que projetos abertos por agentes de código precisam ser tratados como entrada não confiável — sem confundir vulnerabilidade documentada com incidente comprovado.
Agentes de IA formalizaram em Lean uma prova já conhecida do Último Teorema de Fermat. O caso não encerra o debate sobre inteligência: ele mostra por que resultados críticos precisam nascer com evidência verificável.
O OWASP Agent Control Standard propõe hooks, políticas e rastros para controlar agentes enquanto agem. É uma direção relevante, mas a versão pública ainda evolui e não constitui prova de adoção, eficácia ou conformidade.
Construir ficou mais rápido; decidir o que merece existir, provar comportamento e responder pela operação não. Conheça a função emergente que mantém valor, arquitetura, evals, risco e economia na mesma conversa.
Um estudo publicado pela Springer mostra por que agentes podem ajudar em fluxos dinâmicos de segurança — e por que conhecimento atualizado, avaliação operacional, privacidade e autoridade humana continuam indispensáveis.
A primeira venda valida uma possibilidade. Entenda quais decisões ajudam um negócio AI-native a transformar software funcional em uma operação confiável.
Um estudo encontrou centenas de milhares de pull requests com agentes nos dois lados da revisão. O dado mostra uma mudança real no fluxo de engenharia — mas não prova ausência humana, qualidade ou independência. A decisão continua sendo de quem autoriza o merge e a operação.
O número que circulou no mercado mistura ativos descobertos, aplicações corporativas e exposição de dados. Reconstituímos os denominadores, os contrapontos e as decisões que uma liderança pode tomar sem transformar alerta em manchete imprecisa.
IA de programação encurtou a distância entre intenção e software funcional. Ela não tornou cliente, distribuição, responsabilidade e modelo econômico automáticos — e nem todo negócio do passado dependia de venture capital.
Uma boa demonstração prova que algo pode funcionar. A decisão de compra exige outra evidência: aderência ao processo, segurança, integração, operação, custo total e uma saída viável se o fornecedor deixar de servir.
HI-C descreve um profissional de alto impacto capaz de conduzir um resultado de negócio de ponta a ponta com apoio de IA. Isso não transforma automaticamente uma pessoa em empresa completa: distribuição, julgamento, governança, continuidade e responsabilidade continuam humanos.
Liderança fracionada pode organizar tecnologia e produto sem antecipar uma contratação executiva permanente — mas só funciona quando existe mandato, acesso à decisão e responsabilidade explícita.