A IA deixa de ser o gargalo antes do que você imagina
Quando Boris Cherny publicou a tabela “Steps of AI Adoption”, imaginei encontrar mais um framework sobre maturidade em IA. Existem dezenas deles. Quase todos descrevem níveis de adoção, ferramentas e capacidades. O interessante dessa tabela aparece em outra coluna, a única que eu recomendaria ler antes das demais: “What’s the bottleneck?”.
Ali fica claro que a IA deixa de ser o problema muito antes do que imaginamos. Conforme Claude Code, Cursor e outros agentes passam a produzir software em quantidade suficiente, o gargalo sobe de camada e vai migrando da tecnologia para a organização.
No primeiro estágio, chamado de Gated, a empresa ainda trata IA como infraestrutura. A discussão gira em torno de SSO, SCIM, gateways internos, aprovação de segurança, orçamento por token e políticas de acesso. Claude pode até existir, mas quase ninguém consegue usá-lo sem abrir chamados ou esperar autorização. O bloqueio não está no modelo, está na empresa.
Quando essas barreiras caem, o trabalho muda rapidamente de natureza.
No estágio Assisted, um engenheiro trabalha com um agente quase como faria com outro desenvolvedor. Boris descreve um cenário familiar para quem já usa Claude Code, Cursor ou GitHub Copilot diariamente: uma tarefa que antes ocupava uma tarde inteira pode ser concluída entre duas reuniões. O problema é que praticamente todo o ganho desaparece quando cada resposta precisa ser revisada antes do merge.
Achei interessante perceber que esse já é o principal comentário que escuto de equipes maduras. Quase ninguém reclama da capacidade do modelo produzir código, a reclamação mudou para “ainda preciso conferir tudo”. O gargalo deixou de ser geração e passou a ser confiança.
É justamente aí que acontece a primeira mudança de profissão.
No estágio Parallel, um engenheiro deixa de conversar com um único agente e passa a coordenar cinco ou dez deles ao mesmo tempo, cada um trabalhando em uma worktree diferente, executando testes, build, lint e revisão automática antes de apresentar qualquer resultado. O desenvolvedor continua responsável pela decisão final, mas já não acompanha cada linha escrita. Ele passa a revisar diferenças consolidadas enquanto distribui trabalho entre vários agentes em paralelo.
Existe uma frase que resume essa mudança melhor do que qualquer previsão sobre IA: o trabalho deixa de ser escrever software e passa a ser organizar produção de software.
A tabela continua subindo e leva o gargalo junto.
No estágio Supervised Autonomy, Boris escreve que a pergunta muda de “você leu esse código?” para “qual contexto faltou para o modelo produzir isso corretamente?”. Parece uma diferença pequena, mas ela muda completamente a prioridade de uma organização.
Durante anos tratamos documentação como burocracia. ADRs esquecidos, wikis incompletas, decisões espalhadas pelo Slack e convenções conhecidas apenas pelos funcionários mais antigos raramente impediam uma empresa de continuar entregando software. Agora impedem.
🔗 Construa uma carreira à prova do futuro, liderando produtos mais inteligentes e eficientes com IA. Cupom de 10%: PRODUCTGURUS
Acesse: https://go.pm3.com.br/ProductGurus-AI-Specialist
Quando dezenas ou centenas de agentes dependem desse conhecimento para trabalhar, documentação deixa de ser registro histórico e passa a funcionar como infraestrutura operacional. Um contexto ruim não atrasa apenas um desenvolvedor, ele atrasa centenas de agentes ao mesmo tempo.
Foi aqui que mudei minha leitura da tabela, achei que ela explicaria como a IA evolui dentro das empresas. Na verdade, ela explica como as empresas precisam evoluir para acompanhar a IA.
O último estágio, chamado AI-native, leva essa lógica ao limite. Os agentes deixam de esperar comandos humanos para iniciar tarefas, passam a abrir novos fluxos automaticamente, monitoram canais, executam rotinas recorrentes e só escalam uma decisão quando encontram uma exceção relevante. Nesse cenário, o trabalho da liderança deixa de ser distribuir atividades e passa a definir intenção, estabelecer limites e decidir quais partes do negócio merecem automação contínua.
Se você observar apenas a coluna dos gargalos, aparece uma história diferente daquela que normalmente contamos sobre inteligência artificial.
No começo, o problema é infraestrutura.
Depois, atenção humana.
Em seguida, revisão.
Mais adiante, contexto.
No fim, o desafio passa a ser escolher o que realmente vale automatizar.
O modelo continua melhorando durante toda essa trajetória, mas deixa de ser o principal fator limitante muito antes do último estágio.
Essa talvez seja a melhor frase que consegui tirar da leitura da tabela:
Toda revolução tecnológica começa acelerando máquinas. As que realmente mudam empresas acabam acelerando decisões.
Talvez seja por isso que tantas organizações anunciem grandes investimentos em IA e, alguns meses depois, continuem entregando praticamente na mesma velocidade. Elas compraram modelos melhores, mas continuam operando com processos, documentação, governança e formas de decisão que pertencem ao estágio anterior.
A IA avança em ritmo exponencial. O gargalo sobe junto. A pergunta que fica é quanto tempo as empresas vão continuar investindo na tecnologia enquanto ignoram justamente aquilo que passou a determinar a velocidade dela.
🔗 Você trabalha com pessoas, times ou empresas de diferentes países? A Deel criou os Global Badges para transformar essa experiência em um sinal claro no LinkedIn. A certificação é gratuita e ajuda o mercado a entender melhor sua trajetória global. Descubra qual badge combina com você em https://productgurus.short.gy/pPAeWy