Quando um agente de IA falha em produção, o problema nem sempre está no modelo. O tratamento frágil do contexto, contratos de ferramentas pouco robustos, a ausência de ciclos de avaliação e mecanismos de proteção adicionados tarde demais podem comprometer até os modelos mais capazes.

Esta sessão apresenta o harness engineering como uma disciplina essencial no desenvolvimento e na entrega de soluções, explorando os componentes e padrões de design por trás de agentes confiáveis.

Com exemplos do mundo real, mostra por que simplesmente trocar para um modelo maior pode mascarar problemas mais profundos e onde as equipes devem concentrar seus esforços ao desenvolver agentes que precisam funcionar além das demonstrações.

Os agentes de IA estão mudando a forma como as equipes de tecnologia trabalham, assumindo tarefas que tradicionalmente faziam parte da jornada de aprendizado de profissionais em início de carreira. À medida que a produtividade aumenta, o caminho para o aprendizado e o desenvolvimento de expertise também está mudando.

Este painel explora a tensão entre o desempenho potencializado pela IA e o conhecimento especializado adquirido na prática, as experiências que continuam sendo essenciais para desenvolver o pensamento crítico e a capacidade de julgamento, e como o conceito de senioridade em tecnologia está evoluindo. A conversa também abordará como essas mudanças podem redefinir o acesso e as oportunidades, abrindo novos caminhos para alguns profissionais, mas também criando possíveis barreiras para a próxima geração de talentos em tecnologia.

Nesta palestra, vamos explorar como a IA pode ser utilizada em processos de desenvolvimento de software, com foco no desenvolvimento orientado por especificações. Abordaremos como essa abordagem pode acelerar a capacidade de desenvolvimento das equipes e por onde começar sua adoção.

A LATAM Airlines reduziu o Time to Market P85 em 69%, de 275 para 85 dias, em mais de 20 squads, utilizando um ciclo de desenvolvimento de produtos nativo em IA. Mas o maior impacto não veio da geração de código. Ele aconteceu antes, nas etapas de Discovery e Definition. Nesta palestra, serão apresentados os resultados de um estudo de seis meses, incluindo métricas auditadas e hipóteses validadas, que mostram como a IA ajudou a melhorar os artefatos de decisão e reduzir o tempo de Build em 84%. A sessão traz uma perspectiva prática, baseada em evidências, sobre como escalar o uso de IA no desenvolvimento de software e alcançar resultados de negócio mensuráveis.

À medida que a IA evolui dos chatbots para agentes autônomos, o desafio deixa de estar apenas no desenvolvimento de modelos mais inteligentes e passa a envolver os dados dos quais eles dependem. Os sistemas agênticos precisam de mais do que informações que possam ser pesquisadas. Eles precisam de dados confiáveis, contextualizados, rastreáveis, governados e preparados para apoiar ações no mundo real. Esta palestra explora os fundamentos de dados necessários para uma IA agêntica confiável, desde a arquitetura e a governança até as práticas operacionais que ajudam a levar a IA além de demonstrações promissoras e colocá-la em sistemas de produção resilientes.

Um acúmulo de mais de 3,8 milhões de imagens, documentos e vídeos não classificados exigiria quase 100 mil horas de trabalho manual, gerando uma carga operacional significativa em escala empresarial. Nesta palestra, vamos explorar como um fluxo de trabalho de machine learning em produção automatizou a classificação desses arquivos com aproximadamente 97% de precisão, utilizando uma arquitetura em nuvem segura, resiliente e orientada a eventos, projetada para processar milhões de arquivos sem interromper os serviços existentes. Também vamos mostrar como essa solução se tornou uma base reutilizável para integrar machine learning a produtos empresariais e viabilizar futuras iniciativas de automação inteligente.

O Grupo Guanabara iniciou um processo de modernização de um sistema complexo de precificação de passagens, envolvendo machine learning, decisões em tempo real, regras de negócio e conhecimento especializado. Mas a solução se tornou o ponto de partida para algo maior: construir as bases tecnológicas de uma organização orientada por dados. Esta sessão explora como uma arquitetura modular na AWS, um ecossistema moderno de MLOps e capacidades compartilhadas de IA ajudaram a ir além de uma iniciativa isolada de machine learning, criando uma base para novos produtos de IA, agentes inteligentes e tomadas de decisão com participação humana (human-in-the-loop).

E se fosse possível testar o que funciona antes de assumir um grande investimento em tecnologia? Em um projeto com uma das 50 maiores empresas da lista Fortune 500 do setor varejista, diante de uma oportunidade de recuperar US$ 400 milhões em receitas não capturadas de fornecedores, a equipe utilizou pequenos experimentos apoiados por IA para avaliar a preparação dos dados, a captura de informações contratuais e os cenários de perda de receita antes de desenvolver qualquer solução. Nesta palestra, você vai descobrir como essa abordagem orientada por experimentos transformou uma oportunidade complexa em um roadmap validado e priorizado em semanas, em vez de trimestres, além de conhecer um método replicável para reduzir os riscos de grandes investimentos em plataformas antes mesmo de escrever código para produção.

A GenAI está mudando quem desenvolve software e o que essas pessoas esperam das plataformas internas. À medida que se torna cada vez mais possível criar aplicações funcionais usando linguagem natural, o desafio deixa de ser a construção de um protótipo e passa a ser como colocá-lo em produção com segurança e rapidez. Com base em experiências reais da Thoughtworks e da Meta, esta palestra explora como a engenharia de plataformas está evoluindo de componentes reutilizáveis para habilidades de agentes de IA, orquestração e governança, permitindo acelerar o desenvolvimento sem comprometer a segurança ou a qualidade.

Os design systems foram criados para designers e desenvolvedores humanos. Agora, agentes de IA estão projetando interfaces, escrevendo código, revisando pull requests e fazendo a manutenção de produtos, tornando-se um novo tipo de usuário desses sistemas. Com base em experimentos de construção de um design system agêntico, esta palestra explora como os design systems podem evoluir para além das bibliotecas de componentes e se transformar em conhecimento estruturado que a IA consiga compreender e utilizar, por que a documentação tradicional pode não ser mais suficiente e quais princípios as equipes podem adotar para preparar seus design systems para a IA.

A IA está acelerando o desenvolvimento de software, mas o feedback sobre qualidade ainda pode ser lento, complexo e cada vez menos determinístico. Adicionar mais automação ou avaliações baseadas em LLMs pode ajudar, mas também pode criar mais um ciclo de feedback que precisa ser mantido. Esta palestra explora um caminho prático para passar de avaliações probabilísticas a verificações determinísticas integradas ao ciclo de desenvolvimento de software. A sessão mostra como as equipes podem usar avaliações para compreender problemas complexos de qualidade, identificar o que pode ser verificado de forma determinística e transformar esses aprendizados em verificações rápidas, repetíveis e confiáveis, capazes de acompanhar o ritmo do desenvolvimento de software assistido por IA e baseado em agentes.

A IA pode gerar código em segundos, mas desenvolver software confiável continua sendo a parte mais difícil. Depois de trabalhar com produtos baseados em IA, agentes de programação e plataformas sensíveis ao contexto, os limites do vibe coding ficam evidentes à medida que a geração de código acelera e a intuição, por si só, deixa de ser suficiente. Com base em experiências reais, incluindo sucessos, falhas e aprendizados, esta palestra explora a transição da engenharia de prompts para a engenharia de contexto, por que a revisão manual já não consegue acompanhar esse ritmo e como especificações, validação automatizada e práticas de engenharia determinísticas podem ajudar a manter o software desenvolvido com IA confiável, sustentável e pronto para produção.

A observabilidade moderna parte do princípio de que é possível instalar um agente na máquina. Mas, quando os clientes alugam infraestrutura de GPUs, essa premissa deixa de valer: o hardware é sua responsabilidade, mas o contrato não permite que você acesse as máquinas. Nesta sessão, compartilhamos aprendizados da construção de uma solução de observabilidade para um provedor de nuvem com mais de 18 mil GPUs. Vamos explorar sinais de GPUs, hosts, redes, energia e refrigeração líquida: o que ainda é possível monitorar sem acesso direto às máquinas, quais são os custos das alternativas com menor nível de detalhamento e quais perguntas se tornam impossíveis de responder.

Investir em IA não se traduz automaticamente em valor para o negócio. Mesmo iniciativas com investimentos significativos podem perder força após a implementação se as pessoas não utilizarem a IA com confiança e competência em suas atividades diárias.

As organizações que estão obtendo resultados não estão apenas implementando IA mais rapidamente. Elas estão concentrando seus esforços em entender como a adoção realmente acontece. Esta keynote explora o lado humano da IA, a relação entre adoção, utilização e ROI, e como as organizações podem reduzir a distância entre o investimento em IA e a geração de valor mensurável para o negócio.

A adoção de IA não é a linha de chegada. O valor para o negócio é.

Veja o AI/works em ação em uma demonstração prática focada na modernização de sistemas existentes. Utilizando uma aplicação Java do setor de saúde, esta sessão explora como o AI/works analisa o código existente para identificar a arquitetura do sistema, suas dependências e regras de negócio, transformando esse conhecimento em especificações estruturadas que podem apoiar os esforços de modernização.

Conheça a abordagem da Thoughtworks para o desenvolvimento com agentes de IA e descubra como o AI/works pode ajudar as equipes a compreender melhor sistemas complexos e acelerar sua modernização. Ao final, haverá espaço para perguntas e respostas.