O paradoxo da IA na engenharia de software
O código ficou barato. A revisão virou o sistema.
A IA aumentou a produção de código, mas as entregas não acompanharam. O STRATAGO trata esse gargalo como um problema de decisão sob incerteza e o modela com três formalismos complementares: redes de Petri, simulação e diagramas de influência.
Produção local após adoção de agentes
O custo deslocado para o julgamento humano
Sem aumento estatisticamente significativo
Números do estudo de Chen e Stratton (≈300 mi de eventos, 700+ empresas, 2021–mar/2026), conforme o documento-base. Fonte
01 · Faz sentido?
Sim, porque cada formalismo responde a uma pergunta diferente.
Um único modelo não captura o gargalo. A estrutura do fluxo, o desempenho no tempo e a escolha de política são problemas distintos, e misturá-los produz respostas confiantes e erradas.
| Formalismo | Pergunta que responde | Saída para a decisão | Limite |
|---|---|---|---|
| Rede de Petri | Onde o trabalho fica preso? Há concorrência, retrabalho ou deadlock? | Estrutura verificável do fluxo e seus invariantes | Sozinha, não diz quanto tempo se espera |
| Simulação (GSPN / filas) | Quanto tempo um PR espera e quantas entregas saem por dia? | Lead time, utilização e vazão por cenário | Depende de parâmetros calibrados com telemetria real |
| Diagrama de influência | Qual política de revisão maximiza valor dado o que não sabemos? | Política ótima e valor da informação | Exige uma função de valor explícita e discutida |
| Matriz de Decisão em IA (MIT CISR) | Quem enquadra, quem age e quem aprende em cada PR? | Trilha de revisão e donos por atividade | Estática, se não for calculada por PR |
| Fusão epistêmica STRATAGO | Revisor humano e revisor IA discordam. Em quem confiar? | Estado de evidência por PR (DS + LPA₂v) | Massas de crença precisam de calibração |
Condição para fazer sentido
O modelo só vale se for alimentado por dados do próprio time (timestamps de commit, revisão, deploy e incidente). Sem calibração, ele vira uma ilustração elegante. Com calibração, vira um instrumento de decisão auditável.
02 · Conceitos
Sete ideias para ler o resto da página.
Cada conceito está ligado à sua fonte primária no fim da página.
Rede de Petri
Grafo com lugares (círculos, estados), transições (barras, eventos) e fichas (itens de trabalho). Uma transição dispara quando todos os lugares de entrada têm fichas. Modela concorrência e recursos compartilhados. Referência clássica: Murata (1989).
GSPN
Rede de Petri estocástica generalizada: separa transições imediatas (tempo zero) de temporizadas (tempo aleatório). É equivalente a uma cadeia de Markov e pode ser resolvida ou simulada. Ajmone Marsan, Balbo e Conte (1984).
Lei de Little
L = λW. Itens em espera = taxa de chegada × tempo no sistema. Se os PRs chegam mais rápido e a capacidade não muda, o estoque de código parado cresce. Little (1961).
Utilização ρ
ρ = λ / (c·μ): fração do tempo em que os revisores estão ocupados. A espera cresce de forma não linear quando ρ se aproxima de 1. Por isso pequenos aumentos de volume causam grandes atrasos.
Diagrama de influência
Grafo de decisões (retângulos), incertezas (ovais) e valor (hexágono). Mostra o que depende do quê e o que se sabe no momento de decidir. Legível por pessoas e resolvível por computador. Howard e Matheson.
DORA
Quatro métricas de entrega: duas de vazão (frequência de deploy, lead time) e duas de estabilidade (taxa de falha de mudança, tempo de recuperação). O gargalo de revisão aparece nas quatro, não só nas duas primeiras.
Complementaridade
O working paper do NBER de Demirer, Musolff e Yang estima elasticidade de substituição de 0,25 entre código gerado por IA e esforço de revisão. Execução e julgamento são complementares: mais de um não substitui o outro.
Dempster-Shafer e LPA₂v
Dempster-Shafer combina evidências de várias fontes e mede o conflito entre elas (K). A lógica paraconsistente LPA₂v classifica cada proposição por grau de crença e de descrença, sem colapsar contradição em média. Um PR com crença e descrença altas ao mesmo tempo não é "50% aprovado": é inconsistente e exige julgamento humano.
03 · Camada estrutural
A rede de Petri do fluxo de revisão
Cada PR é uma ficha. Os revisores também são fichas, num lugar de recurso. A revisão só dispara quando há um PR na fila e um revisor livre: é aí que o gargalo fica visível na estrutura.
R · revisores livres (c fichas). T2 consome uma ficha de R ao iniciar e a devolve ao terminar. É o recurso que limita a vazão.
T3′ · pedir mudanças (prob. r). Devolve a ficha de P3 para P2. É o laço de retrabalho que multiplica a carga: cada PR visita a revisão 1/(1−r) vezes.
Limitação
P2 é limitado? Se λ ≥ c·μ·(1−r), a fila cresce sem fim. A análise de alcançabilidade mostra isso antes de acontecer.
Invariante de recurso
Revisores livres + revisores ocupados = c, sempre. Um P-invariante que valida se o modelo representa o time real.
Vivacidade
Nenhum PR fica preso para sempre? Políticas como "dois aprovadores obrigatórios" podem criar bloqueios que a rede revela.
04 · Camada de desempenho
Simulador do gargalo de revisão
A rede acima, com tempos exponenciais, se reduz a uma fila M/M/c com retrabalho. Ajuste os parâmetros e veja a espera explodir perto de ρ = 1.
Premissas fixas: cada revisor dedica 4 h/dia à revisão; dia útil de 8 h. Lead time inclui as passagens de retrabalho.
Quatro cenários de política
Mesmo time (5 revisores, 4 h/dia). Clique para carregar o cenário no simulador. Parâmetros ilustrativos, escolhidos para reproduzir +23% de PRs; os resultados foram conferidos por simulação de eventos discretos.
| Cenário | Premissa | ρ | Lead time/PR | Entregas sem falha/dia | Incidentes/dia |
|---|---|---|---|---|---|
| A · Pré-IA | 10 PRs/dia, 1 h/passagem, r = 15%, falha 12% | 0,59 | 0,33 d | 8,8 | 1,2 |
| B · IA + revisão de instância | 12,3 PRs/dia, PRs maiores (1,15 h), r = 18%, falha 15% | 0,86 | 0,70 d | 10,5 | 1,8 |
| C · IA + triagem por IA | Revisão mais rápida (0,8 h), porém mais rasa: falha 17% | 0,60 | 0,27 d | 10,2 | 2,1 |
| D · IA + revisão de regra | Contratos e testes de propriedade: 0,85 h, r = 8%, falha 10% | 0,57 | 0,25 d | 11,1 | 1,2 |
Leitura: B dobra o lead time com o mesmo time. C recupera a velocidade, mas exporta o problema para produção (mais incidentes). Só D melhora vazão e estabilidade juntas, o que reproduz em números a tese "revisar a regra, não a instância". O botão E soma a isso o roteamento pela matriz de decisão: 45% dos PRs vão para trilhas automáticas e ρ cai para cerca de 0,31.
05 · Direitos de decisão
A Matriz de Decisão em IA aplicada à revisão
A matriz do MIT CISR posiciona cada decisão por ambiguidade (o quanto os dados determinam a resposta) e risco (o custo de errar), e define quem enquadra, quem age e quem aprende. Aplicada aos PRs, ela diz quais saem da fila humana e onde o julgamento é insubstituível.
Exploratória
PRs: protótipos, features atrás de flag desligada, spikes, ferramentas internas.
Abordagem: experimentar barato; o humano extrai o aprendizado.
Estratégica
PRs: mudança de arquitetura, contrato de API pública, lógica de preço ou de cobrança.
Abordagem: revisão humana profunda e prioritária; a IA apoia a execução.
Rotineira
PRs: bump de dependência com testes verdes, lint, formatação, documentação.
Abordagem: auto-merge com monitoramento por amostragem pelo dono do processo.
Consequencial
PRs: webhooks de pagamento, autenticação, migrações de dados, roteamento de infra.
Abordagem: revisar a regra. Contratos, policy-as-code e testes de propriedade; o humano revisa guardrails e postmortems.
Leitura: a revisão humana linha a linha só se justifica no quadrante Estratégico. Nos outros três, o humano atua antes (enquadrar) ou depois (aprender), não como inspetor de cada instância.
Faz sentido? O que a matriz acerta e onde falha
Decompõe a decisão
Enquadrar, agir e aprender têm donos diferentes. É a separação que a Bauhaus tentou reunir, agora redistribuída de forma deliberada.
Responsabilidade humana
Os humanos respondem pelos resultados em todos os quadrantes, e a empresa explicita que riscos aceita e quem arca com eles.
Política, não ferramenta
A matriz define direitos de decisão por tipo de problema, não qual IA usar.
| Problema | Por que importa | Correção |
|---|---|---|
| Tradução circulante: Rotineira com "Aprender" atribuído à IA | Contradiz o original, em que um dono humano do processo monitora os padrões | Aprender = humano em todos os quadrantes |
| Tradução circulante: Consequencial com "Enquadrar" atribuído à IA | No original, os humanos definem os guardrails, e definir guardrails é enquadrar | Enquadrar = humano |
| Ambiguidade mistura dois fenômenos | Falta de evidência e evidência em conflito pedem respostas opostas: coletar dados ou arbitrar | Separar ignorância de conflito (DS + LPA₂v) |
| Risco sem reversibilidade | Um erro alto e reversível em minutos é diferente de um erro alto e irreversível | Risco = P(falha) × impacto × (1 − reversibilidade) |
| Classificação estática | Decisões migram: o exploratório vira rotina à medida que se aprende | Recalcular o quadrante por PR, continuamente |
Tornando os eixos computáveis
Ambiguidade = estado LPA₂v
As evidências do PR são fundidas por Dempster-Shafer. Crença μ e descrença λ, calculadas de forma independente, dão o estado:
Verdadeiro / Falso: ambiguidade baixa, quadrante inferior.
Paracompleto (μ e λ baixos): alta por ignorância. Coletar evidência.
Inconsistente (μ e λ altos): alta por conflito. Arbitragem humana.
Risco = nó de valor
P(falha | evidência) × impacto × (1 − reversibilidade)
Impacto: o PR toca caminhos críticos (pagamento, autenticação, dados) e quantos usuários afeta.
Reversibilidade: feature flag, rollback automático, migração destrutiva ou não.
| Quadrante | Valor da informação | Custo do erro | Estratégia racional |
|---|---|---|---|
| Exploratória | Alto | Baixo | Comprar informação barato: experimentar |
| Estratégica | Alto | Alto | Comprar informação caro: deliberar antes |
| Rotineira | Baixo | Baixo | Não vale medir mais: automatizar |
| Consequencial | Baixo | Alto | Blindar a execução: guardrails |
A matriz é, na prática, uma heurística do diagrama de influência abaixo: o STRATAGO calcula o que a matriz só classifica.
Efeito no gargalo
Na rede de Petri, a matriz vira um roteador depois da triagem. Só as trilhas Estratégica e Consequencial consomem fichas de revisores livres.
Cenário B com 45% dos PRs roteados para trilhas automáticas: ρ 0,86 → 0,47. Combinado com revisão de regra (cenário E): ρ ≈ 0,31.
Como implantar
- Inventariar os tipos de PR e posicioná-los na matriz por categoria.
- Nomear donos por atividade; "aprender" é sempre um nome humano.
- Instrumentar os eixos por PR: DS + LPA₂v e raio × reversibilidade.
- Rotear cada PR para a trilha do quadrante, com registro auditável.
- Medir as quatro DORA por trilha; falha alta na Rotineira = limiar frouxo.
- Revisar mensalmente a migração entre quadrantes.
06 · Camada de decisão
O diagrama de influência da política de revisão
A matriz diz quem decide. O diagrama de influência mostra do que a decisão depende: as evidências viram os eixos da matriz, os eixos escolhem a trilha, e a trilha determina espera, defeitos e valor.
revisor IA · testes · estática · histórico
e reversibilidade
ignorância · conflito
(DS + LPA₂v)
do lote
P(falha) × impacto
× (1 − reversib.)
Rotineira
Consequencial
Exploratória
Estratégica
define quem enquadra, age e aprende
na fila de revisão humana
gerado pelos agentes
que escapam
entregas sem falha
− custo de espera
− custo de incidentes
| Arco | Significado |
|---|---|
| Evidências → Ambiguidade | Dempster-Shafer funde as fontes; LPA₂v separa ignorância de conflito. |
| Raio de alcance → Risco | Impacto ponderado pela irreversibilidade do erro. |
| D2 → Risco | Lotes menores reduzem o raio de alcance. É a alavanca que o DORA aponta para melhorar vazão e estabilidade. |
| Ambiguidade, Risco ⇢ D1 | Arcos de informação: conhecidos no momento da decisão, posicionam o PR num quadrante da matriz. |
| D2 ⇢ D1 | O lote é decidido antes da trilha de revisão. |
| D1 → W, f | A trilha define quem revisa e com que profundidade: muda a espera e os defeitos que escapam. |
| λ → W | Mais volume gerado, mais fila. |
| W, f → V | Espera e incidentes são os custos; entregas sem falha, o ganho. |
| V ⇢ Evidências | A atividade "Aprender" da matriz, sempre humana: o resultado recalibra massas de crença e limiares (V_ALTO, V_BAIXO). Se medir a evidência antes custa menos do que o erro esperado, o diagrama indica o valor da informação. |
07 · Camada epistêmica STRATAGO
Quando o revisor IA e o humano discordam
A triagem por IA só é segura se a discordância for tratada como informação, não como ruído. Cada PR recebe evidências de fontes diferentes, que o STRATAGO funde e classifica.
Fusão Dempster-Shafer
Fontes: revisor IA, suíte de testes, análise estática, histórico do autor. Cada uma atribui massa a {aprovável, não aprovável, incerto}. A regra de Dempster combina as massas e devolve o conflito K entre fontes.
Classificação LPA₂v
Crença μ e descrença λ são calculadas de forma independente (λ = Bel(não aprovável), nunca 1 − μ). O par (μ, λ) cai num dos estados lógicos, e cada estado tem uma rota.
| Estado LPA₂v | Leitura | Rota no fluxo |
|---|---|---|
| Verdadeiro (μ alto, λ baixo) | Evidências convergem para aprovável | Revisão humana leve, por amostragem |
| Falso (μ baixo, λ alto) | Evidências convergem para não aprovável | Devolve ao autor ou agente, sem custo humano |
| Inconsistente (μ alto, λ alto) | Fontes em conflito real | Revisão humana prioritária: aqui está o julgamento |
| Paracompleto (μ baixo, λ baixo) | Falta evidência | Pede mais testes ou especificação antes de revisar |
Resultado: a atenção humana, o recurso escasso da rede de Petri, é alocada onde a evidência é contraditória. Os limiares de corte (V_ALTO, V_BAIXO) são parâmetros a calibrar com o histórico do time.
08 · Implementação
Do dado ao painel em cinco etapas
Cada etapa reaproveita motores que o STRATAGO já tem: Petri, Dempster-Shafer, LPA₂v e análise de sensibilidade.
Telemetria
Coletar timestamps de commit, abertura, revisão, aprovação, deploy e incidente (Git, CI, gestão de incidentes).
Calibração
Estimar λ, tempo por passagem, c efetivo, r e taxa de falha por equipe e por período, com intervalos de confiança.
Motor GSPN
Serviço FastAPI que monta a rede, verifica limitação e invariantes e simula cenários por eventos discretos.
Decisão
Avaliar o diagrama de influência sobre os cenários, com Sobol para mostrar qual parâmetro domina o valor V.
Roteamento
Fusão DS + LPA₂v por PR, decidindo quem revisa e com que profundidade.
Validação
Comparar o previsto com as quatro métricas DORA do período seguinte. Modelo que não prevê é recalibrado.
09 · Bauhaus Algorítmica
Revisar a regra, não a instância.
A Bauhaus respondeu à linha de montagem reunindo concepção e execução na mesma oficina. O equivalente hoje é mover o julgamento humano para montante: especificar as restrições que tornam o código revisável, em vez de inspecionar cada saída. O cenário D do simulador é essa tese em números.
10 · Ressalvas
O que este modelo não diz
Tempos não são exponenciais
Revisões reais têm cauda longa. A GSPN admite outras distribuições via simulação; a fórmula fechada é só a primeira aproximação.
Revisores não são iguais
Especialistas formam filas próprias. Um modelo multiclasse por área de código é o próximo nível de detalhe.
Valor não é só vazão
Aprendizado e transferência de conhecimento acontecem na revisão. A função V precisa incluí-los, ou otimiza o que é fácil de medir.
Ao vivo · review.stratago.com.br/api
O motor em produção
Os mesmos modelos desta página rodam no serviço STRATAGO Review Engine, que recebe a telemetria do GitHub, roteia cada PR e mede as quatro métricas DORA por trilha.
| Trilha | PRs | Deploys/dia útil | Lead time mediano | Taxa de falha | Recuperação mediana |
|---|---|---|---|---|---|
| Carregando… | |||||
11 · Fontes
Referências
- Murata, T. (1989). Petri Nets: Properties, Analysis and Applications. Proceedings of the IEEE, 77(4), 541–580. Registro bibliográfico
- Ajmone Marsan, M.; Balbo, G.; Conte, G. (1984). A Class of Generalized Stochastic Petri Nets for the Performance Evaluation of Multiprocessor Systems. ACM Transactions on Computer Systems, 2(2), 93–122. Resumo
- Little, J. D. C. (1961). A Proof for the Queuing Formula: L = λW. Operations Research, 9(3), 383–387. DOI 10.1287/opre.9.3.383
- Little, J. D. C. (2011). Little's Law as Viewed on Its 50th Anniversary. Operations Research, 59(3), 536–549. INFORMS
- Howard, R. A.; Matheson, J. E. (2005). Influence Diagrams. Decision Analysis, 2(3), 127–143. RePEc
- Howard, R. A.; Matheson, J. E. (2005). Influence Diagram Retrospective. Decision Analysis, 2(3), 144–147. RePEc
- Sebastian, I. M.; Weill, P.; Haskamp, T.; vom Brocke, J. (2026). Designing Decision Rights for AI. MIT CISR Research Briefing XXVI-6. MIT CISR
- DORA. Software delivery metrics: the four keys. dora.dev
- Chen e Stratton: estudo sobre agentes de IA e gargalo de revisão (2021–2026). Cobertura
- Demirer, M.; Musolff, L.; Yang, L. (2026). Working paper NBER sobre ferramentas de IA para código. Resumo
Parâmetros dos cenários A–D são ilustrativos, não medidos. STRATAGO · Decision Intelligence · Florianópolis