A chegada da inteligência artificial (IA) impacta fortemente o desenvolvimento profissional de software e de soluções digitais. Por um lado, o uso de ferramentas de IA para geração de código e outras atividades impacta as metodologias e técnicas tradicionais de desenvolvimento. Por outro, o desenvolvimento de sistemas que incorporam modelos generativos de IA (em particular, modelos notáveis como os grandes modelos de linguagem), que são probabilísticos, impacta as arquiteturas e o design dos sistemas.

A engenharia de software não se ocupa apenas de desenvolver programas. Também considera aspectos como o custo do desenvolvimento e do uso das soluções, a qualidade do resultado e a segurança de seu uso, entre outros.

Como exemplo: uma metodologia tradicional de desenvolvimento de software, o modelo V, indicava que antes de cada etapa deveriam ser definidos os testes correspondentes a essa etapa (testes unitários para o desenvolvimento, de regressão para a integração, etc.). Isso quase nunca era cumprido e costumava ser visto como um custo. Hoje, contar com os testes é fundamental, porque está comprovado que os geradores de código funcionam muito melhor quando se dispõe dos testes. Ter datasets de validação deixou de ser um custo e passou a ser um investimento. A verificação automática deixou de ser um luxo e passou a ter um papel fundamental na geração de código de qualidade quando são utilizados ciclos de geração-verificação de software com IA.

Há inúmeros pesquisadores de primeira linha em laboratórios dedicados a estudar esses temas, tanto no meio acadêmico quanto nas empresas. O teste de sistemas que incorporam grandes modelos apresenta desafios únicos, e há resultados interessantes. O desenvolvimento de agentes de IA está deixando de ser artesanal para contar com melhores práticas, e pouco a pouco são incorporados procedimentos para implantá-los de forma mais segura e confiável. Os métodos neuro-simbólicos ou a incorporação de ontologias em sistemas de agentes já contam com código disponível para a comunidade no GitHub. De fato, algumas universidades começam a propor "core competencies" para a engenharia de software na era da IA (que, sem nenhuma surpresa, incluem alguns temas tradicionais, mas acrescentam novos conceitos e práticas).

A ideia de que a IA programe sistemas de IA que possam programar IA (parece um trava-língua, mas é a ideia da IA melhorando a si mesma, tanto no nível de software quanto no nível de hardware) é uma realidade. A empresa Ricursive Intelligence, que trabalha nessa área denominada self-improving, passou a valer 4 bilhões de dólares menos de um ano após sua criação.

Trabalhar com sistemas que incluem não determinismo não é algo novo. Trabalhar com sistemas com o grau de não determinismo dos LLMs, questões semânticas, agentes autônomos, é outra coisa e requer novas técnicas, além da adaptação das técnicas existentes.

Usar geradores de código não é algo novo. Usar ferramentas semânticas que modificam e trabalham sobre as especificações e os requisitos ou tomam a iniciativa em outras etapas do processo de desenvolvimento exige modificar a forma de trabalhar.

Nesse contexto, Nigel Vaz, CEO da Publicis Sapient, foi incluído no Time 100 AI 2026, entre as 100 pessoas mais influentes em IA, por sua visão sobre como integrar a inteligência artificial aos fluxos de trabalho das grandes empresas.

Vaz afirma que usar a IA apenas para reduzir custos é um mau uso de uma tecnologia transformadora e que o verdadeiro valor está em redesenhar os processos operacionais e criar fluxos de trabalho reais.

Pensemos na indústria automotiva. A maior mudança na produtividade não ocorreu por fabricar rodas mais rapidamente ou por reduzir o custo do sistema de refrigeração. Ela aconteceu quando Henry Ford introduziu a linha de montagem em suas fábricas. Isso impactou não apenas a produtividade, mas também o trabalho e as organizações. A verdadeira mudança é sistêmica, não acontece por reduzir um pouco o custo de tarefas isoladas.

A nova engenharia de software precisa de ferramentas, precisa de talento e precisa de engenheiros. Também precisa de uma visão clara, que inclua os processos produtivos como tais e considere as soluções completas.