Autor: The Pragmatic Engineer
Tradução: Deep潮 TechFlow
Leitura destacada da Shenchao: A IA está escrevendo código cada vez mais rápido, mas a revisão ainda é feita por humanos. Essa contradição está se transformando em uma crise: engenheiros estão sendo inundados por PRs gerados por IA, seja por estarem sobrecarregados e revisando sem atenção, seja por simplesmente aprovar sem análise, apenas porque a IA não sinalizou erros. Grandes empresas estão desenvolvendo suas próprias ferramentas para lidar com isso, mas até agora ninguém tem uma resposta padrão.
Olá, sou Gergely, e este é um suplemento gratuito da Pragmatic Engineer Newsletter. Em cada edição, relato sobre grandes empresas de tecnologia e startups a partir da perspectiva de engenheiros sênior e líderes de engenharia. Hoje, discutimos um dos quatro tópicos da edição anterior do The Pulse. Os assinantes completos receberam este artigo há uma semana. Se este e-mail foi encaminhado para você, você pode se inscrever aqui.
Ouvi muitos líderes de engenharia mencionarem que a maior preocupação deles é lidar com o aumento contínuo da carga de revisão de código. Esse tópico já existe há algum tempo, e agora essas conversas parecem estar se tornando cada vez mais comuns.
Para mim, isso começou em janeiro deste ano, quando o Opus 4.5 e o GPT 5.4 começaram a escrever mais e melhor código na maioria das empresas. Aproximadamente desde então, executivos de nível diretor começaram a discutir que o gargalo no desenvolvimento de software estava se deslocando da fase de codificação para a fase de revisão.
Explosão de ferramentas de revisão de código de IA
Desde fevereiro, houve um crescimento explosivo em ferramentas de revisão de código baseadas em IA para lidar com o aumento da carga, com experimentação e adoção de ferramentas especializadas como CodeRabbit, Greptile, Qodo e SonarQube (agora também Gitar). Além disso, ferramentas fornecidas diretamente por plataformas de codificação, como Claude Code Review, Cursor Review e GitHub Copilot Review, também estão sendo adotadas. Por fim, ferramentas que anteriormente não envolviam revisão de código, mas possuem contexto sobre o repositório, estão entrando nesse espaço, como os Seer AI Reviews da Sentry e as code reviews da Linear.
Ferramenta interna desenvolvida por grandes empresas: Code Inbox da Uber
Grandes empresas estão construindo ferramentas internas para melhorar a experiência de revisão de código. O Code Inbox da Uber é um exemplo:
A atribuição inteligente é uma funcionalidade no Code Inbox destinada a avançar o processo de revisão:
Figura: Configuração de atribuição inteligente (Smart assignment) do Code Inbox para avançar o processo de revisão. Fonte: The Pragmatic Engineer
Além disso, há a função de perfil de risco, usada para avaliar o impacto das alterações e incentivar os desenvolvedores a prestarem atenção especial às alterações de alto risco:
Figura: Função Perfil de Risco do Code Inbox, que estima o risco das alterações de código e sugere áreas para atenção especial. Fonte: The Pragmatic Engineer
Já relatamos como a Uber utiliza IA no desenvolvimento de software, e não é apenas a Uber: Cloudflare (AI Code Reviewer), Faire (Fairey), HubSpot (Sidekick) e muitas outras empresas também desenvolveram ferramentas para tornar seus processos de revisão de código mais fluidos, pois descobriram que implementações internas funcionam melhor do que soluções de fornecedores externos.
Mudar de “revisão” para “verificação”
Outra abordagem é pensar em como validar o código, em vez de revisá-lo. Falar é fácil, fazer é difícil; teoricamente, testes abrangentes deveriam ser capazes de validar se o código funciona conforme o esperado. Mas quantos testes constituem “abrangentes”? Que tipos de testes estamos considerando? Incluem testes de integração e end-to-end? E testes de fuzz? E métodos formais? Como validar que novos testes cobrem adequadamente as funcionalidades conforme o esperado? Como conectar tudo isso à observabilidade?
A censura excessiva está sobrecarregando os engenheiros
Revisões de código excessivamente detalhadas estão exaurindo os engenheiros e levando à diminuição da qualidade das revisões. Ouvi muitos relatos de desenvolvedores que, ao verem que outros não conseguem mais revisar código com atenção, simplesmente aprovam quando as revisões de IA não oferecem comentários substanciais. Ao mesmo tempo, os desenvolvedores que continuam dedicando o mesmo esforço e tempo às revisões de código sentem-se submersos pelos PRs de lixo gerados por IA que recebem.
O problema existe, a solução ainda é experimental
O problema existe, mas a solução parece mais como um experimento.