Quando o Claude escreve sua própria ferramenta, a revisão encontra um obstáculo
Em outubro de 2026, a Anthropic publicou um relatório impressionante: o Claude, sua IA principal, escreve cerca de 90% do código do Claude Code, sua própria ferramenta de programação. Isso levanta uma questão fundamental para o desenvolvimento de software: como uma equipe revisa o software quando a própria ferramenta é a autora principal? O paradigma tradicional de revisão humana linha por linha encontra um obstáculo.
A escala desse desafio é impressionante. A Anthropic relatou que seu monorepo absorveu mais de 30.000 alterações diárias em setembro, um salto enorme em relação às cerca de 2.500 em maio. Isso se traduz em mais de 20 alterações por minuto, um ritmo no qual a revisão humana simplesmente não consegue acompanhar.
Essa mudança exigiu uma reavaliação das métricas de qualidade. De junho a setembro, os pull requests do Claude Code mais do que dobraram. No mesmo período, a parcela dessas alterações que exigiram reversão — sendo desfeitas — caiu mais de 40%. O sistema alcançou maior rendimento com menos rollbacks, sugerindo uma nova era para a garantia de qualidade de código.
A resposta é uma linha de montagem de revisão, não um super-revisor
A resposta da Anthropic ao código gerado por agentes é uma linha de montagem em camadas, não um único super-revisor. Uma alteração passa por várias verificações automatizadas: primeiro, agentes verificam o trabalho executando testes ou inspecionando saídas; depois, revisores de IA paralelos procuram bugs, com as descobertas sendo publicadas apenas se agentes suficientes concordarem. Cada descoberta requer uma correção ou um encerramento fundamentado.
Em seguida, uma revisão de segurança automatizada e verificações de CI tradicionais (como builds) bloqueiam alterações inseguras. Finalmente, a aprovação humana escala com o risco: correções de documentação de autores confiáveis não precisam de aprovação de pares, alterações comuns de produto precisam de uma pessoa e código de alto risco requer duas.
Duas regras de responsabilidade governam este sistema: a aprovação de um agente nunca substitui a de um humano, e a pessoa que solicita um agente é responsável pela alteração. Isso evita loops infinitos de revisão de agentes; após três rodadas, o revisor pede ao autor que repense sua abordagem. Essa mudança por si só aumentou as aprovações de PR em rodada única de 65% para 78%. Cada incidente passado também se torna um caso de teste, melhorando continuamente o revisor de IA.
Mais verificações podem significar menos gargalos humanos
Sistemas confiáveis prosperam com verificações em camadas e repetíveis, não com a inspeção humana de cada transação. Pense em códigos de correção de erros na memória, checksums TCP em pacotes de internet ou contabilidade de partidas dobradas. Esses mecanismos detectam erros automaticamente, evitando gargalos humanos e garantindo a integridade em escala.
Os papéis de engenharia mudam drasticamente. Desenvolvedores seniores movem-se para o upstream, definindo o escopo do projeto e padrões arquiteturais. No downstream, eles projetam os testes, restrições e controles de risco cruciais que orientam os sistemas agenticos. A atenção humana torna-se o recurso escasso, direcionado para decisões estratégicas que as máquinas ainda não podem tomar, como se vale a pena construir algo ou identificar códigos de alto risco que exigem supervisão humana.
A publicação da Anthropic de outubro de 2026 sobre a revisão de Claude Code oferece um vislumbre deste futuro, detalhando como seu multi-layered pipeline permite mais de 30.000 merges por dia. Para leitura adicional, consulte How the Claude Code Team Does Code Review. Uma palavra de cautela: a Anthropic está avaliando o seu próprio trabalho. Seus números de desempenho relatados — uma duplicação de pull requests mesclados e uma queda de 40% nas taxas de reversão entre junho e setembro de 2026 — não são verificados de forma independente. A empresa também gasta recursos significativos em uso de modelos e infraestrutura personalizada, como seu sistema de controle de versão Scion, o que pode não ser viável para outros.
Gostando do artigo? Receba um assim na sua caixa de entrada toda manhã.
um e-mail por dia · cancele em dois cliques · sem rastreadores de terceiros
Construa a saída de emergência antes de abrir a mangueira de incêndio
O pipeline em camadas da Anthropic oferece um limite prático: as equipes não devem reduzir a revisão humana até que possam testar alterações, preparar lançamentos, usar feature flags e reverter rapidamente. Isso reflete como sistemas confiáveis sempre operaram, com verificações em camadas detectando erros antes que se propaguem.
As equipes devem transformar incidentes anteriores em testes recorrentes para seus revisores de IA. Comentários repetidos de revisão humana — aquelas descobertas comuns que consomem atenção valiosa — devem se tornar regras duráveis, testes automatizados ou novas ferramentas. Isso garante que as máquinas aprendam com a experiência humana, em vez de apenas descarregá-la.
As implicações organizacionais são profundas. Os líderes devem ser medidos pelo seu span of accountability, garantindo que a responsabilidade permaneça clara mesmo à medida que a automação se expande. As decisões devem ser mapeadas para o nível correto de supervisão humana, permitindo que as máquinas coordenem tarefas rotineiras sem fazer com que o julgamento ou a propriedade humana desapareçam.
Em última análise, o objetivo não é eliminar os humanos, mas elevar seu papel. As pessoas mudam da inspeção linha por linha para a tomada de decisões estratégicas: o que construir, qual código é arriscado demais apenas para máquinas, quais designs definem padrões e se as evidências se sustentam. Uma pessoa permanece responsável por cada mudança que é enviada, independentemente de quem a digitou.
Perguntas Frequentes
Como a Anthropic revisa o código escrito pelo Claude?
A Anthropic combina verificação executada por agentes, revisões de bugs por IA, verificações de segurança, testes automatizados, aprovações humanas baseadas em risco e salvaguardas de reversão.
A Anthropic permite que a IA aprove seu próprio código?
Não. A regra declarada da Anthropic é que a aprovação do agente não conta como aprovação humana, e uma pessoa permanece responsável por cada alteração.
Por que os engenheiros não podem revisar todas as alterações geradas por IA?
Em volumes muito altos de alterações, a revisão linha por linha consome mais atenção humana do que as equipes possuem. Verificações automatizadas lidam com riscos rotineiros enquanto as pessoas se concentram em decisões importantes.
Toda empresa deveria copiar o processo de revisão da Anthropic?
Não sem salvaguardas. As equipes precisam de testes confiáveis, lançamentos em etapas, feature flags e reversão rápida antes de reduzir a revisão humana.