Agentes de código em 2026: o que muda no software

Em setembro de 2026, mais de 40% dos pull requests do GitHub começaram com um rascunho escrito por um agente de código, contra 17% em março. A produção mudou de mãos mais depressa que a conferência: a medida de produtividade mais citada segue inconclusiva, o Copilot já pode aprovar código em prévia pública e um ataque documentado pela Mandiant usou a sessão de um assistente para alcançar cerca de cem repositórios. Para o executivo, a decisão passa a ser quanto poder dar ao agente, que prova exigir e quanto custa cada entrega aceita.

Por Alexandre Caramaschi, Chief Strategy Officer da Nuvini (Nasdaq: NVNI), Founder da Brasil GEO, cofundador da NAIA e cofundador da AI Brasil, ex-CMO da Semantix (Nasdaq) · Outubro 2026

Atualizado em 30 de outubro de 2026.

Claude Code, Codex, Cursor, o agente do GitHub Copilot e Devin recebem uma tarefa, abrem arquivos, rodam testes e devolvem uma proposta de mudança pronta para revisão. Em 2026 esse fluxo saiu do experimento e entrou na rotina de quem faz software. O que ainda falta em muitas empresas é o modelo operacional agêntico, isto é, as regras sobre quem pede, quem executa, quem confere e quem responde quando a entrega falha. É o tema do curso gratuito Agentes de IA fazendo software, para executivos que decidem sobre poder, prova e custo, e é a lente usada aqui para ler os números de agosto a outubro.

mais de 40%dos pull requests do GitHub começaram com o primeiro rascunho de um agente em setembro de 2026GitHub Octoverse, 28/10/2026
48%dos desenvolvedores confiam na IA quando conseguem validar a resposta com facilidadeStack Overflow Developer Survey, 06/10/2026
cerca de 100repositórios internos alcançados a partir da sessão sequestrada de um assistente de códigoMandiant via Cloud Security Alliance, 18/09/2026

O que mudou e quando?

24/02/2026METR revisa a medida de produtividade
Publicado em 24/02/2026, o novo experimento do METR, com 57 desenvolvedores de código aberto, estimou ganho de velocidade de 4% para os recrutados recentes, com intervalo de confiança entre 15% mais rápido e 9% mais lento. O próprio METR chama o dado de sinal pouco confiável.
27/05/2026Agentes chegam a 59% dos desenvolvedores no trabalho
A pesquisa rápida de abril do Stack Overflow, com 1.100 respostas, mediu uso de agentes no trabalho por 59%, contra 31% em 2025. O uso diário subiu de 14% em 2025 para 37% em 2026.
01/09/2026Copilot passa a aprovar pull requests
Em prévia pública, a revisão do Copilot pode dar a aprovação que conta para a regra de merge. O recurso vem desligado, o administrador escolhe os caminhos de arquivo liberados e a aprovação cai quando entra commit novo.
03/09/2026DORA suspende o relatório anual
A equipe do Google Cloud anunciou que não fará a pesquisa nem publicará o relatório de 2026 sobre desenvolvimento assistido por IA. O de 2025 segue como a última edição.
18/09/2026Sessão de assistente vira porta de ataque
A Cloud Security Alliance resumiu o caso descrito pela Mandiant: um invasor assumiu a sessão de um assistente de código, instalou um ladrão de credenciais e espalhou o worm Shai-Hulud por cerca de cem repositórios internos.
06/10/2026Stack Overflow publica a pesquisa de 2026
Foram mais de 30 mil respostas. Em 2026, Claude Code (66%) e GitHub Copilot (59%) lideram entre os agentes de código.
28/10/2026Octoverse mede a virada no GitHub
Foram 110 milhões de pull requests iniciados por agente só em setembro, cerca de seis vezes o volume de março. Segundo o mesmo relatório, o uso do agente de nuvem do Copilot cresceu 230% em um ano até 2026.

Quanto do software já nasce de um agente?

Quase metade das propostas de mudança no GitHub já começa pela mão de um agente. O relatório Octoverse, publicado em 28/10/2026, conta como iniciado por agente o pull request (pedido para incorporar uma mudança ao código principal) cujo primeiro rascunho veio de um agente que a plataforma consegue detectar. Pela própria definição, o GitHub trata o número como piso, porque parte do uso escapa da detecção. Até setembro de 2026, 55% dos usuários mensais do Copilot passaram a usar recursos agênticos, contra 35% um ano antes.

A qualidade aparente dessas entregas também mudou. Em fevereiro de 2026, 83% dos pull requests com agente eram incorporados em até duas semanas, abaixo dos cerca de 86% dos que não tinham agente detectado. Em setembro de 2026, a taxa dos agentes chegou a 90%. As mudanças iniciadas por agente tocam vários arquivos com mais frequência (87% contra 79%, nos dados de 2026), o que aumenta o trabalho de quem revisa cada uma.

Entre os desenvolvedores, a pesquisa do Stack Overflow publicada em 06/10/2026 aponta que 66% de quem usa IA trabalha com assistentes ou agentes de código e que 73% os usam todos os dias. A confiança tem condição: em 2026, 48% confiam na resposta quando conseguem validá-la com facilidade.

Esse dado resume o problema de gestão do ano: a produção ficou barata, e a validação continua cara. As próximas seções tratam das duas pontas, começando pelo que se sabe sobre o ganho real.

Os agentes deixam as equipes mais produtivas?

Ainda não há medida independente que responda com segurança. O estudo mais citado, do METR, mostrou no início de 2025 que desenvolvedores experientes levaram 19% mais tempo com IA do que sem ela. O estudo seguinte, publicado em 24/02/2026 com 57 desenvolvedores e mais de 800 tarefas, inverteu o sinal sem fechar a conta: ganho estimado de 18% para os veteranos do estudo original (intervalo entre 38% mais rápido e 9% mais lento) e de 4% para os novos recrutas (entre 15% mais rápido e 9% mais lento). O METR relatou em fevereiro de 2026 que muitos convidados recusaram participar porque não queriam trabalhar sem IA, e que entre 30% e 50% dos participantes deixaram de enviar tarefas pelo mesmo motivo. A organização considera a estimativa um limite inferior do ganho real.

A segunda referência de mercado também saiu de cena. O DORA, programa de pesquisa do Google Cloud sobre desempenho de entrega de software, anunciou em 03/09/2026 que não publicará o relatório de 2026. O último, de 2025, descreveu a IA como espelho e multiplicador: ela reforça as virtudes das organizações que já entregavam bem e as falhas das que tinham problemas. Daí sai uma hipótese de trabalho, sem prova publicada que a confirme: o ganho do agente acompanha a capacidade da empresa de conferir o que ele entrega, qualquer que seja a ferramenta. Enquanto não houver estudo melhor, cada organização terá de medir o efeito no próprio código, com o próprio denominador.

Quem revisa quando o agente também aprova?

Desde 01/09/2026, a revisão do Copilot pode dar a aprovação que conta para a regra de merge de um repositório. O GitHub cercou o recurso: ele vem desligado, o administrador define quais caminhos de arquivo o agente pode aprovar e qualquer commit novo derruba a aprovação, como acontece com um revisor humano. Com isso, a escolha de quem confere virou configuração, e alguém precisa assiná-la.

O curso chama essa função de engenharia de validação. A ideia central é separar executor e verificador (o padrão Doer-Verifier): quem produziu a mudança não pode ser a única evidência de que ela funciona. Na prática, uma entrega feita por agente chega para aprovação com um dossiê de evidências, que reúne escopo, testes executados, limitações conhecidas e o caminho de reversão. É o que o curso define como Definition of Verified, a definição de verificado que complementa a velha definição de pronto.

As equipes já agem assim por instinto. Na pesquisa rápida que o Stack Overflow publicou em 27/05/2026, 63% disseram que raramente ou nunca deixam um agente rodar sem acompanhamento, e 60% bloqueiam mudanças de sistema sem aprovação. Falta transformar esse cuidado individual em regra da empresa, com três perguntas respondidas por escrito:

Quais tipos de arquivo ou sistema um agente pode alterar sem revisão humana, e quais exigem duas assinaturas?
Que evidência mínima acompanha cada entrega antes de chegar ao revisor?
Quem tem autoridade para recusar uma entrega e pedir correção, e com qual prazo?

Que risco de segurança entrou pela porta do agente?

O caso mais claro de 2026 apareceu em setembro. Segundo o resumo da Cloud Security Alliance, de 18/09/2026, sobre relatório da Mandiant, um invasor assumiu a sessão ativa de um assistente de código na máquina de um desenvolvedor de uma empresa de software como serviço. O assistente recomendou um pacote externo já envenenado, o desenvolvedor aceitou, e a sessão serviu para instalar um ladrão de credenciais. Com os tokens do GitHub capturados, o worm Shai-Hulud se espalhou por cerca de cem repositórios internos e levou segredos e código-fonte. O relatório não identifica a vítima nem o assistente usado.

O episódio mostra o raio de dano (blast radius, o alcance máximo de uma falha) de um agente com as credenciais de quem o opera. As recomendações da Mandiant e da CSA são diretas:

conferir dependências sugeridas por IA contra listas aprovadas e somas de verificação;
tirar do alcance do assistente chaves de API e tokens de longa duração;
passar o tráfego de pacotes por repositórios internos controlados;
inventariar assistentes, extensões e servidores MCP (Model Context Protocol, o protocolo que liga agentes a ferramentas) e monitorar instalações fora do padrão.

A mesma lógica vale para agentes que operam o navegador, tema de Agentes no navegador: MCP e Chrome em 2026. No curso, ela vira a escada de autonomia L0 a L5: cada nível de permissão, da consulta à execução em produção, fica associado ao dano que uma falha naquele nível pode causar e ao controle exigido para liberá-lo.

Como medir custo e resultado de um agente?

A unidade que interessa ao conselho é a mudança verificada. Contar pull requests, linhas ou tarefas mede atividade, e o Octoverse mostra que atividade cresce sozinha quando o agente entra. O curso propõe o custo por mudança verificada: modelos, ferramentas, infraestrutura, tentativas descartadas e horas de revisão somados e divididos pelas entregas que passaram na conferência. A conta de tokens é só uma parte, como mostra o erro de cálculo no custo de tokens de IA.

Indicador comum	O que ele deixa de mostrar	Indicador do modelo operacional agêntico
Pull requests abertos	Quantos foram recusados, refeitos ou revertidos	Entregas aceitas com dossiê completo
Linhas de código geradas	Volume a revisar e dívida criada	Custo por mudança verificada
Story points e velocity	Esforço humano gasto em supervisão	Horas de revisão por entrega aceita
Taxa de merge	Falhas que aparecem depois da publicação	Regressões e tempo até restaurar o serviço

A medição depois da publicação depende de evals, testes recorrentes que comparam o comportamento do sistema com casos de referência. O artigo Evals: a disciplina que quase ninguém desenha trata de como montá-los. Vale a lei de Goodhart: quando a meta é um único número, o agente e a equipe aprendem a mover o número. O painel para a diretoria precisa cruzar entregas aceitas, custo completo, prazo, falhas e capacidade de revisão no mesmo período.

O que muda nos papéis da equipe?

O trabalho humano se desloca da digitação para a intenção, a especificação e a conferência. O curso organiza essa divisão em cinco camadas, com dono nomeado para cada uma: intenção (o que o negócio precisa), especificação (o pedido escrito com objetivo, limites, exemplos e condição de parada), execução (o agente), verificação (quem confere com evidência) e governança (quem define permissões e responde por elas). Times pequenos, os tiny teams, conseguem entregar mais com essa divisão, desde que a camada de verificação acompanhe o volume.

O risco que o curso aponta é a carga de supervisão que ninguém mede. Quando o agente produz dez propostas por dia e o revisor dá conta de quatro, a fila cresce ou a revisão perde profundidade. A segunda saída é a mais perigosa, porque não aparece em indicador nenhum até a primeira falha em produção. Empresas que estão redesenhando a operação inteira em torno de IA enfrentam o mesmo dilema, discutido em Sistema operacional nativo de IA nas empresas.

O que o executivo deve decidir agora?

Gradue a autonomia pelo raio de dano. Defina, por sistema, o que o agente pode consultar, preparar e executar, e a condição de aprovação de cada nível.
Tire credenciais de longa duração do alcance dos agentes. Tokens com escopo mínimo e validade curta reduzem o alcance de uma sessão sequestrada.
Exija o dossiê de evidências antes da aprovação. Escopo, testes, limitações e caminho de reversão acompanham toda entrega de agente.
Troque volume por custo por mudança verificada. Leve à diretoria entregas aceitas, custo completo, falhas e horas de revisão no mesmo painel.
Comece por um piloto de 90 dias. Escolha um sistema de baixo dano, marcos observáveis e uma condição explícita para continuar, ajustar ou parar.

Para o piloto, a ordem de trabalho que o curso sugere cabe em quatro passos:

Mapear o caminho do pedido à operação e marcar onde cada conferência entra.
Escrever o pedido ao agente com exemplos de comportamento aceito e recusado antes da implementação.
Rodar o piloto em um repositório com reversão simples e medir o custo por entrega aceita desde a primeira semana.
Rever a autonomia ao fim de cada marco, com base nas falhas observadas.

Para aprofundar: o curso

O curso Agentes de IA fazendo software: o modelo operacional agêntico explicado para conselheiros, CFOs e diretores tem 19 aulas gratuitas, sem pré-requisito técnico, organizadas em cinco etapas e um apêndice. A primeira etapa separa atividade de resultado, examina identidade, permissões e saída contratual dos fornecedores de agentes e mostra onde surge a carga de supervisão. A segunda define limites de atuação com a escada L0 a L5 e as condições para ampliar ou suspender a autonomia. A terceira trata da conferência: engenharia de validação, mapa de evidências, Definition of Verified e evals depois da publicação. A quarta organiza a execução, do pedido escrito como contrato de entrega às cinco camadas de responsabilidade. A quinta escolhe indicadores para a diretoria e monta o plano de 90 dias. O apêndice, para a equipe técnica, cobre testes escritos por agentes, coordenação de agentes em paralelo e o cálculo do custo por entrega aceita.

Na próxima reunião de diretoria, peça um número só: quantas entregas feitas por agente foram aceitas no último mês e quanto custou cada uma, revisão incluída. Se ninguém souber responder, o primeiro marco do piloto de 90 dias já está definido.

Perguntas frequentes

As respostas abaixo resumem os pontos que mais aparecem quando o tema chega à diretoria, do volume de código feito por agentes ao primeiro passo de governança.

Quanto do código no GitHub já começa com um agente?

Em setembro de 2026, mais de 40% dos pull requests do GitHub começaram com o primeiro rascunho de um agente detectável, contra 17% em março, segundo o Octoverse de 28/10/2026. O GitHub trata o número como piso, porque parte do uso de agentes escapa da detecção.

Agentes de código aumentam a produtividade dos desenvolvedores?

A evidência independente ainda é fraca. Na atualização de fevereiro de 2026, o METR estimou ganho de 4% para os desenvolvedores recém-recrutados, com intervalo entre 15% mais rápido e 9% mais lento, e classificou o dado como sinal pouco confiável. A recomendação prática é medir na própria empresa o custo por entrega aceita.

O GitHub Copilot pode aprovar pull requests sozinho?

Pode, em prévia pública desde 01/09/2026, para os planos Pro, Pro+, Max, Business e Enterprise. O recurso vem desligado, o administrador escolhe os caminhos de arquivo que o Copilot pode aprovar e a aprovação é derrubada quando entra commit novo.

Qual é o maior risco de segurança dos agentes de código?

O agente opera com as credenciais de quem o usa. No caso descrito pela Mandiant em setembro de 2026, a sessão sequestrada de um assistente instalou um ladrão de credenciais e permitiu que um worm alcançasse cerca de cem repositórios internos. Credenciais de curta duração e dependências conferidas contra listas aprovadas reduzem esse alcance.

Por onde um executivo começa a governar agentes de código?

Por três decisões: quanta autonomia cada agente recebe conforme o dano possível, que evidência acompanha cada entrega antes da aprovação e qual indicador vai à diretoria. O curso gratuito Agentes de IA fazendo software organiza essas decisões em 19 aulas e num plano de 90 dias.