Agentes de IA passaram a fazer parte da sua equipe. Seu ciclo de melhoria ainda não percebeu isso.

Este guia trata da aplicação de algo que as equipes já conhecem — o ciclo de melhoria contínua — a algo novo: o trabalho que sua equipe realiza atualmente com agentes de IA. Nós desenvolvemos software retrospectivo, por isso essa perspectiva é a que melhor conhecemos; o ciclo descrito aqui funciona com quaisquer ferramentas e cerimônias que vocês já tenham.

Quer ver primeiro a versão de 10 minutos? Comece com o post de introdução rápida, colete feedback de agentes de IA, e depois volte aqui para ter uma visão completa.

O truque mais antigo do trabalho em equipe

Todo método que sua equipe utiliza para melhorar é uma versão de um ciclo: fazer o trabalho, analisar como foi, mudar algo, verificar se a mudança surtiu efeito. Deming ensinou isso para a indústria como Plan–Do–Check–Act; a Toyota transformou isso em uma cultura e chamou de kaizen; o setor de software transformou isso em uma cerimônia. O livro Project Retrospectives (2001), de Norm Kerth, popularizou a retrospectiva para equipes de software, e o Manifesto Ágil a estabeleceu como um princípio: “Em intervalos regulares, a equipe reflete sobre como se tornar mais eficaz e, então, aprimora e ajusta seu comportamento de acordo” (princípio 12). As análises pós-incidente sem culpa seguem o mesmo ciclo para incidentes; a análise pós-campanha de uma equipe de mídia e a revisão de triagem de uma equipe de suporte seguem esse ciclo sem nunca usar a palavra “ágil”.

O ciclo funciona com base em uma premissa: o trabalho gera evidências sobre como ele deve mudar. As equipes que aproveitam essas evidências criam um efeito cumulativo: cada ciclo torna o seguinte ainda melhor. As equipes que não o fazem ficam repetindo o mesmo.

Durante setenta anos, as evidências vieram das pessoas. As pessoas percebiam o atrito, reclamavam na hora do almoço e levantavam a questão no retro. Os sensores do circuito eram humanos.

Um novo tipo de trabalhador

Em algum momento nos últimos dois anos, sua equipe começou a delegar tarefas reais a um novo tipo de profissional. Agentes de IA agora escrevem e revisam códigos, auditam contas de publicidade, redigem respostas de suporte, elaboram relatórios e migram conteúdo. E esse profissional tem um perfil peculiar: incansável, rápido, competente — e sem noção de contexto. A definição de Rahul Garg tornou-se o lema da área: “Os assistentes de IA são como desenvolvedores juniores com energia infinita, mas sem nenhum contexto”, e é por isso que “o tempo economizado com o código gerado pela IA costuma ser consumido pelo esforço necessário para corrigi-lo” (Padrões para reduzir o atrito no desenvolvimento assistido por IA).

Esse custo de correção é o atrito, e o trabalho do agente o gera constantemente: o briefing ambíguo que obrigou a um palpite, o documento que não existia, a estrutura da conta que dá trabalho a cada sessão, a ferramenta que expirou, o requisito que mudou no meio da tarefa. Nada disso é novidade — o trabalho humano gera a mesma lista. Mas há dois aspectos novos nisso.

O novo funcionário não reclama na hora do almoço. Um agente se depara com um obstáculo, encontra uma solução alternativa e segue em frente. Ele não fica frustrado o suficiente para levantar o problema na retrospectiva de sexta-feira. O sinal no qual seu ciclo de melhoria sempre se baseou (uma pessoa que fica atenta ao atrito até que uma cerimônia o registre) não é acionado.

E as evidências desaparecem. Quando a sessão termina, o contexto do atrito desaparece junto com ela. Na próxima sessão (próxima pessoa, mesmo agente), o mesmo obstáculo surge de novo. Não dá para melhorar com base em evidências que nunca foram registradas; o ciclo morre silenciosamente, enquanto o trabalho parece estar tudo bem.

Então, a situação é a seguinte, em termos simples: uma parcela cada vez maior do trabalho da sua equipe agora gera evidências de melhoria que o seu ciclo de melhoria nunca foi programado para coletar.

A equipe percebeu — e reconstruiu o circuito sozinha

As pessoas mais próximas do trabalho com agentes perceberam isso logo no início e, em meados de 2026, “identificar o atrito dos agentes e fornecer feedback” já era uma prática consensual conhecida por pelo menos meia dúzia de nomes: o Feedback Flywheel de Garg, a Compound Engineering de Every, a Loop Engineering de Osmani, a engenharia de harness com sensores da Thoughtworks, os loops de memória em escala de frota dos fornecedores de plataforma (“dreaming” da OpenAI, Factory Signals) e o gh-aw do GitHub, cujos fluxos de trabalho de insights de sessão já geram relatórios automatizados de análise de sessão. Até mesmo os fornecedores recorrem a esse termo retrô: a orientação do Codex da OpenAI diz “quando o Codex cometer o mesmo erro duas vezes, peça a ele uma retrospectiva e atualize o AGENTS.md” (melhores práticas).

Esses loops são bons. Se sua equipe já utiliza algum deles, mantenha-o; tudo neste guia se baseia neles, em vez de substituí-los. Mas observe duas lacunas.

Primeiro, a lacuna na prática: observar não significa melhorar. Cerca de 90% das equipes implementam o monitoramento de traços de agentes; apenas cerca de 37–52% avaliam sistematicamente o que capturam (LangChain, junho de 2026). A maioria das equipes possui o painel de controle. Muito menos delas têm o ciclo de feedback.

Em segundo lugar, a lacuna de integração: quase todos os ciclos nesse campo são isolados. Um profissional ajustando seu manual de procedimentos pessoal, uma plataforma gerenciando a memória de sua frota, uma pilha de observabilidade agrupando seus próprios rastros. Setenta anos de melhoria contínua mostram que a soma dos esforços ocorre na equipe — onde reside a visão agregada, onde as prioridades são reavaliadas, onde processos, documentos e orçamentos têm responsáveis. Essa camada é exatamente a parte que ninguém reconstruiu. Os relatórios existem; a sala ainda não foi reservada.

A anatomia do loop

Quando sua equipe decidir montar esse circuito, o circuito terá mais componentes móveis do que parece à primeira vista. A jornada que uma única peça de fricção precisa percorrer:

Palco	A pergunta
Hospedagem	Onde o agente é executado — e o que isso torna observável?
Detecção	Como o atrito é detectado? (Autodetecção, um agente de revisão, telemetria e correção humana, que ainda é o sensor predominante: ~70% das falhas silenciosas são detectadas inicialmente por uma pessoa)
Instrumentação	O que faz com que o agente registre isso? (Ninguém registra atritos que não tenha sido instruído a procurar)
Gravação	O que um registro útil contém e onde ele fica armazenado?
Colheita	Como os registros de tantas sessões e tantas pessoas se unem?
Síntese	Quais padrões são importantes e em que nível cada correção se enquadra?
Fechar o ciclo	A correção realmente reduziu o atrito — ou foi só encenação?

Três disciplinas fazem a diferença entre um loop e um diário, e cada uma delas tem seu próprio capítulo neste guia:

• Registros, não impressões. Uma entrada útil descreve o momento, identifica uma causa-raiz a partir de um pequeno vocabulário fixo e propõe uma solução do tamanho de um ticket. São os rótulos fixos que permitem que as entradas sejam agregadas: “a documentação era confusa” não pode ser contabilizada; oitomissing-documentationentradas, sim. (Capítulo: Como é um bom registro de atrito)
• A questão do nível de intervenção. Todo padrão recorrente é corrigido em algum nível: uma nota de memória, um prompt, uma configuração, a documentação, o próprio material de trabalho, o processo ou na origem, junto a um fornecedor. Se a correção for aplicada em um nível muito baixo, o problema se repetirá para todos os demais; se for em um nível muito alto, você acabará inchando um artefato que ninguém lê. (Capítulo: Onde a correção deve ser aplicada?)
• Decisão em sala fechada. Algum atrito é deliberado: o ponto de revisão que alguém escolheu como ponto de controle (uma recapitulação da palestra de Ronacher na AIE Europe: “o atrito é o que é necessário… para orientar”; a Thoughtworks agora alerta para a dívida cognitiva do trabalho de agentes com excesso de facilidade). Decisões de manter ou descartar, prioridades e correções envolvendo vários responsáveis são negociações, não cálculos — elas exigem que os responsáveis pelas correções estejam todos na mesma conversa. (Capítulo: O relatório existe. A sala, não.)

Para onde a história vai

A lista de cadência do Garg para o flywheel inclui uma linha que é quase um desafio: “um item da pauta na retrospectiva de sprint atual: o que funcionou com a IA neste sprint?” (martinfowler.com). É esse o fio condutor deste guia. Não é uma cerimônia nova, nem uma conduzida pela IA — é o ciclo de melhoria no qual sua equipe já confia, ampliado para abranger o mais novo colaborador do time, com o agente atuando como participante: ele traz as evidências, elabora as correções, responde às perguntas; a equipe mantém o poder de decisão, pois as correções se refletem em processos, documentos e orçamentos pelos quais as pessoas são responsáveis e prestam contas.

E um ponto de partida realista: se sua equipe simplesmente adicionar o item à pauta e discutir o assunto (sem registro, sem categorias), isso já é melhor do que o silêncio e, para um uso leve por parte dos agentes, pode ser suficiente. O restante deste guia aborda o que você deve acrescentar quando essa conversa se repete constantemente.

Os capítulos

1. Esta página: por que o trabalho assistido por IA precisa do ciclo que sua equipe já segue.
2. O mapa: ciclos de retroalimentação dos agentes, ferramentas e abordagens: o quadro de referência que abrange o ciclo de vida do atrito, os ciclos identificados pela área e os esquemas de classificação em uso. Comece por aqui se você pensa de forma descendente.
3. Como é um bom registro de atrito: capturar o momento, as classificações das causas-raíz, as regras de “nunca registrar”.
4. Onde a correção deve ser aplicada? O problema de altitude e a tabela de roteamento.
5. O relatório existe. A sala, não. Por que a síntese é uma cerimônia em equipe, com preço competitivo em relação aos concorrentes.
6. Realização da sessão retrospectiva de colaboração com IA: o guia do facilitador, com o item da pauta de 15 minutos, o modelo e os cartões de sugestões.
7. Comece em dez minutos: ai-session-retro e ai-retro-brief, as partes de captura e síntese do loop, prontas para instalação.

Prefere a versão resumida? Duas postagens relacionadas no blog: o guia rápido, como coletar feedback de agentes de IA, e a história da primeira vez que fizemos isso nós mesmos, nossos colegas de equipe de IA participaram da nossa retrospectiva.

Preferimos que discutam conosco a que concordem educadamente — cada capítulo termina com o que nos faria mudar de ideia.