WhatsApp

Código saudável pode reduzir em 40% a 45% os tokens de agentes de IA

Adam Tornhill diz que bases de código saudáveis favorecem agentes de IA e podem reduzir em 40% a 45% o uso de tokens.

Por Jaime Linhares · 19/11/2026

Adam Tornhill afirmou que bases de código saudáveis podem melhorar o desempenho de ferramentas de inteligência artificial e reduzir o consumo de tokens em tarefas de software. Na palestra sobre código preparado para IA na conferência GOTO Copenhagen e em entrevista à InfoQ, ele defendeu refatoração agêntica e salvaguardas automatizadas para manter a qualidade do código produzido.

Ganhos de velocidade podem desaparecer

Tornhill disse que agentes de IA podem concluir tarefas de duas a três vezes mais rápido, além de reduzir bloqueios e necessidades de coordenação. Mas citou um estudo com mais de mil projetos de código aberto no qual os ganhos de velocidade observados nas primeiras semanas desapareceram após dois meses, à medida que a complexidade do código aumentou.

Na avaliação apresentada por Tornhill, a IA pode escrever código que depois não consegue manter com confiabilidade. Ele definiu saúde do código como a facilidade de compreender, alterar e manter uma base. Estudos anteriores sobre desenvolvimento humano indicavam que código saudável podia tornar o trabalho até dez vezes mais rápido, reduzir o risco de defeitos em 15 vezes e acelerar revisões de código em duas vezes.

Tornhill também afirmou que 95% dos custos de um projeto de software surgem depois da primeira versão. É nessa etapa que qualidade, manutenção e arquitetura ganham peso, enquanto a complexidade acumulada pode comprometer os ganhos iniciais de velocidade obtidos com agentes.

Como avaliar a saúde do código

Na entrevista, Tornhill recomendou combinar métricas de diferentes níveis. No nível dos módulos, a análise verifica se cada parte tem responsabilidades coesas; no das funções, observa o desenho dos blocos e a clareza das APIs; e, na implementação, procura complexidade acidental, lógica profundamente aninhada e repetição excessiva.

Ele afirmou que a base média analisada tinha pontuação de saúde de código de 5,15, enquanto código preparado para IA começaria em 9,5. A avaliação, portanto, não se limita à aparência do código: considera características que facilitam a compreensão, a mudança e a manutenção do software.

Salvaguardas e refatoração com agentes

Para Tornhill, salvaguardas em fluxos agênticos precisam ser automatizadas. Entre os exemplos estão linting, cobertura de testes, testes de mutação — que verificam se os testes detectam alterações no código — e métricas de saúde. Essas ferramentas podem ser disponibilizadas aos agentes por servidores MCP locais ou pela linha de comando.

Ele descreveu a refatoração em escala como um processo iterativo: medir a base e estabelecer uma referência, criar uma rede de segurança com testes confiáveis e fornecer aos agentes retorno objetivo sobre qualidade e resultados. No estudo citado, os agentes também foram orientados a desenvolver um playbook progressivo de padrões de refatoração específicos para cada base.

Segundo Tornhill, Claude conseguiu corrigir cerca de metade dos problemas de saúde em bases de menor qualidade; quando a saúde melhorava, a taxa de correções corretas caía para 20%. Com dados de saúde fornecidos por um MCP, ele relatou uma taxa de correção de 90% a 100% no processo avaliado.

Qualidade também afeta custos

Tornhill afirmou que bases saudáveis podem realizar tarefas com 40% a 45% menos tokens. Ele também associou modularização e refatoração à redução de atritos entre equipes, mas apontou que levar a automação da qualidade dos módulos para o nível de design e arquitetura continua sendo um desafio.

O argumento central da palestra é que os ganhos de velocidade com agentes dependem da capacidade de manter o software produzido. Para as equipes, isso significa acompanhar a qualidade com critérios verificáveis e incorporar testes e métricas ao fluxo de desenvolvimento, em vez de avaliar a IA apenas pela rapidez da primeira entrega.

Visitar site
Informações deste conteúdo

Tecnologias: Agentic AI, Claude, Code Review, Large Language Models, MCP servers

Carreiras: Analista de Qualidade de Software (QA), Desenvolvedor com Inteligência Artificial, Desenvolvedor de Software, Engenheiro de Software, Tech Lead

Idiomas: Português

Tags: apis, claude, coding, ia, mcp, models, software, tokens