O GitHub publicou em 6 de novembro de 2026 o guia "Beyond code generation: A developer's guide to agentic engineering", assinado por Nick Liffen e Philip Holleran, que desloca o debate sobre IA no desenvolvimento de software da geração automática de código para a organização do trabalho em volta dele. A proposta é dividir a rotina do desenvolvedor em quatro etapas — Planejar, Construir, Verificar e Observar, e indicar em quais delas os agentes do Copilot podem assumir tarefas, sempre com pontos de decisão que continuam sob responsabilidade humana.
O texto abre com um dado da própria plataforma: em outubro, o GitHub registrou mais de 1,2 bilhão de commits em uma única semana, volume superior a 400% o verificado um ano antes e maior do que o total recebido em todo o ano de 2025. A provocação dos autores é direta: se a produção de código cresceu nessa escala, o desenvolvedor não necessariamente se sente 400% mais produtivo.
O gargalo mudou de lugar
A explicação está no entorno da escrita de código. O guia cita um estudo da Faros AI segundo o qual pull requests passaram 441% mais tempo em revisão quando equipes migraram de baixa para alta adoção de IA.
Ou seja, a aceleração da implementação empurra a pressão para revisão, avaliação de resultados de teste e investigação de problemas em produção. É nesse intervalo entre gerar código e colocá-lo em funcionamento que a proposta de engenharia agêntica se posiciona.
Planejar com o contexto disperso
A primeira etapa descrita é o planejamento. O cenário típico: uma mudança de API cujo desenho está em uma ferramenta, um requisito de compatibilidade perdido em uma conversa no Slack e um pull request antigo que explica por que a implementação atual funciona daquele jeito.
Reunir essas peças costumava consumir horas antes de qualquer linha de código. O guia sugere usar o Copilot integrado ao Slack ou ao Teams para concentrar o contexto e discutir tradeoffs com product managers, designers e demais envolvidos, e depois pedir ao agente que crie issues no GitHub com critérios de aceite e tarefas separáveis.
Para não gastar tempo de planejamento em triagem rotineira, o texto indica os GitHub Agentic Workflows, que aplicam rótulos e estimam complexidade das issues, permitindo delegar diretamente ao Copilot as tarefas de baixa complexidade. Já o Plan Mode serve para comparar abordagens e refinar um plano de implementação, que deve ser revisado e aprovado por uma pessoa antes de ser entregue ao agente.
Construir sem ficar preso a uma máquina
A segunda etapa trata da execução. O guia reconhece a situação comum: o agente está no meio de uma tarefa, a próxima reunião começa em cinco minutos e alguém aponta um caso de borda que precisa ser tratado.
Os recursos apresentados buscam manter o trabalho andando. A continuidade de sessão permite retomar a mesma conversa com o Copilot em outro cliente; os sandboxes em nuvem mantêm a execução fora da máquina local; e o aplicativo do Copilot dá a cada sessão uma cópia isolada do repositório, evitando que uma tarefa de implementação e uma atualização de documentação compartilhem a mesma árvore de trabalho incompleta.
Instruções de repositório registram convenções e comandos de validação, e a memória compartilhada leva esse conhecimento de projeto para cada tarefa.
O que continua exigindo julgamento
O guia não promete autonomia completa. As etapas de Verificar e Observar, revisar mudanças, avaliar resultados de teste e investigar o que acontece em produção, aparecem como o trecho em que a decisão humana segue necessária, justamente o ponto em que o estudo da Faros AI localiza o maior acúmulo de tempo.
A mensagem central é que a IA acelera a implementação, mas o trabalho de contexto, revisão e diagnóstico precisa ser redesenhado para acompanhar esse ritmo.
Para equipes brasileiras que já usam assistentes de código, a leitura prática é que ganhos de velocidade na escrita tendem a se perder se o processo de revisão e o fluxo de contexto entre ferramentas não evoluírem junto. O guia do GitHub funciona menos como catálogo de recursos e mais como mapa de onde colocar agentes sem transferir a responsabilidade técnica para eles.
Fontes e links
- GitHub Blog
- Estudo da Faros AI sobre aceleração por IA
- Documentação do GitHub Agentic Workflows
- Documentação do Copilot sobre sandboxes em nuvem
