A empresa descobre que um agente consegue analisar cada falha, escolher uma ação e tentar novamente. A demonstração funciona. Em escala, porém, milhares de casos repetem os mesmos sintomas e pagam novamente por interpretação, ferramentas e tentativas. Flexibilidade sem triagem transforma exceção em custo padrão.
14.159 casos e 69,7% de reconstruções interrompidas
O RELAY investigou a reconstrução de casos históricos do OSS-Fuzz. Entre 14.159 execuções, 9.868 — 69,7% — não completaram reconstrução e verificação. Código fixado não bastou: imagens, pacotes, URLs, toolchains e infraestrutura mudaram independentemente do repositório [1][2].
Os autores reuniram logs utilizáveis para 4.513 falhas. Elas formaram 1.106 grupos; os dez maiores cobriram 30,6% dos casos e 161 grupos com pelo menos cinco casos concentraram 71% da base de análise. Essa repetição abriu espaço para diagnosticar uma família uma vez e reutilizar uma regra, em vez de iniciar um agente do zero em cada ocorrência [1][2].
Regras primeiro; agente quando a evidência deixa de encaixar
No framework, um modelo ajuda a propor uma regra a partir de casos representativos. A regra especifica condições e mudanças permitidas, é validada por novas execuções e entra em um registro reutilizável. Quando não se aplica, não corrige ou revela outro bloqueio, o caso acumula nova evidência e pode ser escalado a um agente por caso [1][2].
A inteligência generativa participa da descoberta e da exceção; o caminho recorrente deixa de depender de uma nova chamada ao modelo. É uma distinção importante: usar IA para produzir automação não exige manter IA em toda execução da automação.
52 regras contribuíram para 469 recuperações
Nas campanhas, 52 regras apareceram em cadeias que restauraram 469 casos. A fase acompanhada por pessoas contribuiu para 231 recuperações em cerca de três meses; a fase automatizada, para 238 em duas semanas. Houve ainda 286 casos que funcionaram em nova tentativa sem reparo, lembrando que correlação entre uma mudança aplicada e sucesso não prova que a mudança era necessária [1][2].
Um controle pareado encontrou 49 pares comparáveis: 24 só funcionaram com o reparo e 25 funcionaram com ou sem ele. Nos casos restaurados por regras, a reprodução do crash histórico foi 52,7%; entre sucessos sem patch, 50,7%. O estudo não encontrou evidência de que as regras reduziram essa reprodução, mas construir não era o critério final: o comportamento histórico também precisava ser verificado [1][2].
Agentes gastaram mais execuções e recuperaram exceções diferentes
Na comparação sobre 50 casos, regras restauraram 30, enquanto dois agentes restauraram 26 e 24. Os agentes usaram de 2,3 a 3,6 vezes mais execuções de build por recuperação. Mesmo assim, encontraram casos que as regras perderam. A combinação estimada — regras primeiro e agente nos restantes — restaurou 39 ou 37 de 50 casos, com menos builds e menos da metade dos tokens do agente sozinho [1][2].
Em outro subconjunto de 57 casos ainda não resolvidos depois do caminho determinístico, os agentes recuperaram entre 10 e 16, ou 17,5% a 28,1%. O valor do agente apareceu na cauda heterogênea, não como substituto de todo o fluxo repetível [1][2].
Como transportar a lógica para processos de negócio
- Crie uma taxonomia baseada em sinais verificáveis: entrada, estado, erro, política, ação permitida e resultado.
- Transforme ocorrências recorrentes em regras pequenas, versionadas, testadas e reversíveis.
- Use agentes quando faltarem estrutura, contexto ou correspondência segura — e limite ferramentas, orçamento e tempo.
- Promova uma solução do agente a regra somente depois de revisão, teste e evidência em vários casos.
- Mantenha saída fail-closed: se a regra não se aplica, o caso não deve improvisar uma ação silenciosa.
- Meça conclusão correta, exceções recuperadas, execuções, tokens, custo, latência e revisão humana por classe.
Limites, financiamento e contraponto
- O domínio é reconstrução de builds históricos de vulnerabilidades; resultados não se transferem automaticamente para atendimento, finanças ou operações.
- Os subconjuntos controlados são pequenos: 50 casos na comparação principal e 57 na escalada posterior.
- A combinação regras-agente reutiliza resultados registrados, não um novo ensaio end-to-end aleatorizado.
- As taxas variaram bastante entre ecossistemas e projetos; a média não define o retorno de outra organização.
- O pacote de replicação é parcial durante a revisão; registro completo de regras, reparos, prompts e respostas está prometido para depois da publicação.
- O trabalho recebeu financiamento público JSPS KAKENHI. Os autores declaram uso de IA na preparação de figuras e conferência de números e assumem responsabilidade pelo conteúdo; não identificamos resposta independente ou conflito comercial específico até o corte.
A regra prática: aprenda com a exceção e retire-a do caminho caro
Uma arquitetura madura não pergunta se regras ou agentes venceram. Ela decide onde cada um cria mais valor. Regras dão previsibilidade ao que já foi aprendido; agentes exploram o que ainda não cabe no contrato. Quando uma exceção se repete e pode ser validada, ela deve deixar de pagar o preço de ser tratada como inédita.
Nota editorial e de responsabilidade
Números, população, método, financiamento e limitações foram atribuídos às fontes diretas. O artigo separa resultados reportados pelos pesquisadores de interpretação editorial e recomendações profissionais. Pontos de vista pessoais e profissionais do autor não são fatos universais nem garantia de economia, segurança ou resultado. O conteúdo é informativo e não substitui avaliação técnica, jurídica, regulatória, financeira ou de segurança. Autores, instituições, projetos e produtos citados pertencem aos respectivos titulares; não há patrocínio ou endosso. Tech Human e Trustyu atuam comercialmente em desenvolvimento e governança de produtos digitais. Pesquisa, estrutura e redação tiveram assistência de IA; revisão factual, aprovação autoral e autorização de publicação foram confirmadas por Fernando Parreiras em 21/10/2026, sem revisão humana independente adicional. Este paper permanece em acompanhamento e o artigo poderá receber correções se surgirem nova versão, replicação ou contestação relevante.