Duas semanas atrás, você aprovou um piloto de agentes. Talvez tenha sido o novíssimo Managed Agents da Anthropic, talvez o Agents SDK atualizado da OpenAI. A demo do vendor era linda: uma tarefa de nível júnior — triagem de tickets, código boilerplate, limpeza de dados — sumiu em 90 segundos. Você fez as contas. Menos contratações de juniores, seniores liberados para "trabalho de alto valor". O ROI parecia à prova de balas.

A piada que ninguém colocou no slide: seus engenheiros seniores agora gastam mais tempo revisando outputs de agentes do que os juniores jamais gastaram produzindo. E ninguém orçou isso.

A semana que lançou mil agentes

Entre 8 e 15 de abril, os três maiores vendors de IA apostaram tudo em agentes de produção — sistemas autônomos de IA que não apenas respondem perguntas, mas realmente fazem trabalho por conta própria. A Anthropic lançou o Managed Agents em 8 de abril, com Notion, Rakuten e Asana como parceiros de lançamento. A Atlassian plugou agentes no Confluence em 10 de abril. A OpenAI expandiu seu Agents SDK em 15 de abril com ambientes sandbox e tarefas de longo prazo. Agentes enterprise passaram de "estamos experimentando" para "tá em produção" da noite pro dia.

Ninguém perguntou o que acontece depois.

Os dados que ninguém quer no dashboard

As rachaduras já apareciam há meses — se alguém estivesse lendo as pesquisas.

A Faros.ai estudou mais de 10.000 desenvolvedores em 1.255 times (publicado em julho de 2025): devs individuais completaram 21% mais tarefas e mergearam 98% mais pull requests — pedaços de código submetidos para revisão. Parece vitória. Mas o tempo de revisão de PRs saltou 91%. Bugs aumentaram 9%. E no nível da empresa? "Qualquer correlação entre adoção de IA e métricas-chave de desempenho evapora." Velocidade individual subiu. Output do time ficou de lado. Os agentes não eliminaram trabalho — só mudaram ele pra fila de revisão.

A essa altura, os números de apoio já são conhecidos — os 1,7× mais problemas do CodeRabbit em código gerado por IA (dezembro de 2025), a descoberta de Princeton de que a confiabilidade de agentes melhora na metade da velocidade da capacidade (março de 2026). Já cobrimos ambos neste canal. Os dados da Faros explicam por que esses números doem tanto em escala: o gargalo não desapareceu. Ele migrou da produção para a revisão.

A armadilha estrutural

Eis por que o ROI se inverte, e não é um bug que alguém possa corrigir.

Executar uma tarefa exige competência. Revisar o output de um sistema autônomo exige competência mais julgamento mais a capacidade de pegar erros sobre os quais a IA tem certeza absoluta. Supervisão é estritamente mais difícil que execução.

Addy Osmani batizou isso de "dívida de compreensão" — a lacuna crescente entre quanto código existe e quanto qualquer humano realmente entende — no O'Reilly Radar em 13 de abril: "Um engenheiro júnior agora consegue gerar código mais rápido do que um engenheiro sênior consegue auditar criticamente." Um estudo da Anthropic com 52 engenheiros, publicado em fevereiro de 2026, mostrou que devs assistidos por IA pontuaram 17 pontos percentuais a menos em testes de compreensão do código que eles mesmos tinham acabado de "escrever".

O custo humano já é mensurável. A Harvard Business Review reportou em 5 de março que 14% dos usuários de IA experimentam "brain fry" — fadiga mental por supervisão excessiva de IA. Supervisão ficou em primeiro lugar como a atividade de IA mais mentalmente desgastante. Trabalhadores com alta carga de supervisão cometeram 39% mais erros graves e experimentaram 33% mais fadiga de decisão. Também pedem mais demissão: 34% de intenção de sair, contra 25% dos trabalhadores sem brain fry.

Shashi Bellamkonda, do Info-Tech Research Group, chamou de "imposto de supervisão" em 5 de abril. Ele citou um engenheiro da Microsoft usando um agente de código que relatou que "não conseguia sair da frente da tela" — a sensação era de "alguém sendo arrastado por aquilo". O cara esperava delegar trabalho pra um júnior. O que ganhou foi um turno de babá ansiosa onde as consequências de desviar o olhar eram desconhecidas.

O preço que ninguém cotou pra você

Vendors cobram por uso independente da qualidade do output. Horas de supervisão de agentes são invisíveis na contabilidade do projeto — aparecem como "tempo de engenheiro sênior" sem nenhuma linha conectando ao agente que criou o trabalho. O gargalo de expertise que limitava seu time antes dos agentes agora limita seu time depois dos agentes, só numa camada diferente.

A previsão do Gartner de junho de 2025 de que mais de 40% dos projetos de agentes serão cancelados até 2027 está começando a parecer conservadora. A pesquisa da OutSystems de 13 de abril revelou que 94% dos líderes de TI já se preocupam com a proliferação de agentes, e apenas 12% têm plataformas centralizadas para gerenciá-los. Enquanto isso, 52% dependem de "supervisão human-on-the-loop" — o jeito corporativo educado de dizer "uma pessoa fica olhando pro robô e rezando".

O que isso significa pra você

Antes de implantar agentes, calcule o custo de supervisão por hora-agente — não o preço da hora-agente. Se seu time não tem revisores seniores suficientes, agentes amplificam a lacuna de expertise em vez de fechá-la. A calculadora de ROI do vendor não tem um campo pra "quanto custa quando seu melhor engenheiro passa a terça-feira inteira verificando se o agente não quebrou silenciosamente a autenticação".

Faça uma pergunta ao seu vendor: qual é a razão de supervisão esperada? Se ele te olhar com cara de paisagem, você já tem sua resposta.

A primeira segmentação real do mercado de agentes não vai ser por qualidade de modelo ou preço. Vai ser por qual plataforma realmente reduz a carga de supervisão. Essa métrica ainda não existe — e até existir, toda projeção de ROI que você viu está faltando a maior variável. Duas semanas atrás o pitch era "agentes substituem trabalho júnior". Hoje a pergunta é quem substitui a sanidade do engenheiro sênior.