.webp){kind=small}
Engenheiros de software na divisão de condução autônoma da General Motors (GM) passam apenas 15% do seu tempo escrevendo código, segundo Rashed Haq, vice-presidente de veículos autônomos da GM, em uma entrevista recente no palco do VB Transform 2026.
A GM está agora usando agentes de inteligência artificial para acelerar grande parte do restante de 85% - incluindo a análise de dados de veículos, triagem de problemas, execução de experimentos e teste de soluções potenciais.
O resultado, disse Haq, é cerca de três vezes mais solicitações de pull unificadas em toda a organização de engenharia de veículos autônomos da GM, lançamentos mais rápidos e menos defeitos escapando para as fases posteriores de desenvolvimento.
Haq disse que a GM alcançou esses ganhos redesenhando completamente os fluxos de engenharia em torno de agentes - e não apenas adicionando um assistente de codificação de IA.
"Se você der a alguém apenas um chatbot que pode fazer codificação, ainda há muito ineficiência construída nesse processo", disse Haq durante uma conversa ao vivo no Hotel Nia, em Menlo Park, Califórnia.
Os engenheiros passavam a maior parte do seu tempo fora do editor de código antes da AI agente.
A figura de 15% da GM pode parecer surpreendentemente baixa, mas uma pesquisa realizada antes do surgimento da IA gerativa e agente chegou a uma conclusão semelhante.
Um estudo da Microsoft de 2019, baseado em respostas de 5.971 desenvolvedores profissionais, encontrou que eles passavam uma média de 96 minutos escrevendo código em dias de trabalho bons e 66 minutos em dias ruins. Isso equivale a cerca de 20% e 14% de um dia de oito horas, respectivamente. Uma pesquisa da Stripe de 2018 encontrou que o desenvolvedor médio passava mais de 17 horas por semana em trabalho de manutenção, como depuração e refatoração.
Não há um único benchmark de indústria: os pesquisadores da Microsoft observaram que estudos anteriores colocaram a codificação em qualquer lugar de 9% a 61% do tempo dos desenvolvedores, dependendo de como os pesquisadores definiram e mediram o trabalho. Mas os achados reforçam a argumentação central de Haq. Antes que os agentes chegassem, a escrita de código representava apenas uma parte do engenharia de software. Acelerar apenas esse passo deixa grande parte do processo de desenvolvimento intocado.
"Faça-o em loop se tornou muito importante", disse Haq.
A GM dividiu seu trabalho de veículos autônomos em vários loops: desenvolvendo e testando software em simulação, testando veículos em ruas públicas e monitorando veículos após eles chegarem aos clientes. Em seguida, procurou o gargalo mais longo em cada loop, automatizou-o e repetiu o processo.
A GM deu acesso aos agentes a ferramentas internas e petabytes de dados da empresa.
A GM conectou os agentes a ferramentas internas e petabytes de dados da empresa por meio de servidores de protocolo de contexto de modelo (MCP) personalizados. Ela também criou "habilidades" controladas por versão, ou documentos de instruções que dizem aos agentes como realizar tarefas específicas.
Uma aplicação de alta valor envolve a telemetria coletada de veículos em ruas públicas. Os agentes podem analisar esses dados, realizar uma triagem inicial e criar problemas para os engenheiros investigarem. Por meio de conexões MCP, eles também podem chamar as ferramentas subjacentes usadas pelo WebViz, o sistema da GM para visualizar a telemetria de veículos, em vez de depender do mesmo visualizador gráfico.
Interface que uma pessoa vê.
As descobertas ainda precisam fazer sentido para os engenheiros. "A saída tem que ser legível por humanos", disse Haq. Um agente pode identificar um problema potencial, localizar o componente afetado, pesquisar dados históricos para incidentes semelhantes e fornecer exemplos que apoiem sua conclusão.
A GM baseia as permissões de um agente nas do engenheiro que a usa.
“Se um engenheiro fosse fazer essa tarefa e precisasse de acesso a essas coisas, então.
Seu agente precisa ter acesso a essas coisas ", disse Haq. "O engenheiro ainda é responsável pela saída do agente."
A empresa também usa agentes em segundo plano para executar experimentos de aprendizado de máquina em paralelo. Um engenheiro define um experimento e seus parâmetros, então os agentes executam testes e coletam os resultados.
Três vezes as solicitações pull — com menos defeitos escapados.
A GM tratou sua plataforma de agente interno como um produto e atribuiu quatro.
Engenheiros implantados para trabalhar diretamente com as equipes de engenharia. Eles ajudaram os funcionários a identificar fluxos de trabalho úteis, disseminar práticas bem-sucedidas e adotar as ferramentas.
Haq disse que o aumento resultante nas solicitações pull mescladas representa mais do que um volume de código mais alto. "A velocidade com que estamos lançando novos recursos" aumentou, disse ele, enquanto os lançamentos produziram "menos fugas de teste, fugas de bugs" e outros problemas.
As pessoas permanecem responsáveis em situações críticas.
Pontos de controle. Haq disse que o GM estabeleceu testes estruturados e não estruturados e medições de desempenho antes de acelerar o fluxo de trabalho mais amplo. Os engenheiros analisam essas medições e determinam se cada teste ainda captura seu objetivo pretendido antes que o trabalho avance em direção à produção.
Haq disse que a GM inicialmente esperava um ganho de produtividade mais modesto. - Acho que nossa única surpresa foi o quanto poderíamos fazer - disse ele.
A abordagem da GM não começou com.
Entregando a cada desenvolvedor um gerador de código. Tudo começou com o mapeamento do caminho completo desde a descoberta do problema até uma correção verificada em cada loop — simulação, testes de estrada, monitoramento pós-implantação — e, em seguida, dando aos agentes acesso controlado às ferramentas e dados necessários para encurtar o maior gargalo em cada estágio."
| ℹ️ | Nota do editor: O AR NEWS 24H publica conteúdos baseados em fontes externas. As informações e opiniões presentes no material original são de responsabilidade de seus respectivos autores. Este conteúdo foi traduzido e adaptado para o português do Brasil com auxílio de ferramentas automatizadas. |
