A questão de escrever código, basicamente, já está resolvida

Escrevendo: Boris Cherny

Dentro da Anthropic, Boris Cherny é brincando chamado pelos colegas de “Pai do Código Claude”. Ele liderou pessoalmente a equipe na criação deste assistente de programação baseado em um grande modelo profundamente integrado, e também vivenciou a grande transição de «autocompletar código» para «agente inteligente escrevendo 100% do código».

Nesta palestra voltada para empreendedores e engenheiros, ele conta sistematicamente a história do nascimento do Claude Code, por que dizem que “codingissolved (escrever código foi basicamente resolvido)”, e quais mudanças podem ocorrer na indústria de software e na formação de equipes sob essa premissa.

De “projeto acidental” a produto de fenômeno

Boris entrou na Anthropic no final de 2024, quando a empresa tinha uma equipe semelhante a uma incubadora, chamada AnthropicLabs. Essa pequena equipe posteriormente criou rapidamente vários produtos principais, como Claude Code, MCP e aplicativos de desktop, cumpriu sua missão e se dissolveu, mas foi reativada agora, entrando em uma “segunda rodada”.

No contexto de 2024, a imaginação predominante na indústria sobre “IA escrevendo código” ainda se limita à “autocompletação/associação de tipos” dentro de IDEs — pressionar Tab para deixar o modelo ajudar a completar uma linha. A intuição de Boris é: a capacidade do modelo já ultrapassou muito esse formato, e a “forma de produto” real está bastante atrasada, o que eles chamam internamente de “overhang do produto”.

Por isso, o objetivo inicial do Claude Code era muito ambicioso: não criar uma autocompletadora mais inteligente, mas fazer com que o agente assumisse diretamente a tarefa de “escrever todo o código”, enquanto as pessoas ficariam mais responsáveis por revisão e decisão.

Claro que a realidade não foi tão fácil. Nos primeiros 6 meses, quase ninguém usou de verdade o Claude Code; ele conseguia gerar cerca de 10% do código, com uma experiência bastante rudimentar, e dentro da própria Anthropic era apenas uma ferramenta experimental. Somente em maio de 2025, após o lançamento do modelo Opus 4, a curva de uso realmente começou a subir exponencialmente, e cada atualização do modelo (4.5, 4.6, 4.7) trouxe um ponto de inflexão de “melhorou muito de novo”.

Olhar para trás, o aspecto mais especial desse produto é que: desde o primeiro dia, ele não foi projetado para o “modelo atual”, mas para a “próxima geração de modelos daqui a 6 meses”. A equipe sabia que, por um tempo, não haveria ajuste de mercado (PMF), mas insistiu em montar a “interação certa” primeiro, e esperar o modelo alcançar.

Por que dizem que “escrever código foi resolvido”?

Na palestra, Boris perguntou aos programadores na plateia: quem ainda escreve 100% do código manualmente? Quem usa 100% um agente como Claude Code para escrever código? A maioria está na faixa intermediária, e ele brincou: “Então podemos dizer que 50% já foi resolvido”.

Mas para ele, a resposta já é bastante extrema: ele mesmo escreve 100% do código gerado pelo Claude Code.

O próprio banco de códigos do Claude é totalmente criado pelo modelo, usando uma stack bastante convencional: TypeScript + React, sem tecnologias avançadas ou truques sofisticados.

Um dos motivos de escolher essa stack é que, quando as capacidades do modelo ainda eram limitadas, usar “as principais tecnologias de distribuição de treinamento do modelo” ajudava a melhorar significativamente a qualidade da geração.

Com as atualizações do modelo, hoje ele consegue aprender novas linguagens e frameworks quase sem obstáculos, e a escolha da stack deixou de ser um gargalo.

No seu fluxo de trabalho pessoal, Boris consegue fazer dezenas de PRs por dia, e uma vez chegou a “fazer” 150 PRs só para testar até onde sua eficiência poderia chegar; e por trás de todos esses PRs, quem realmente escreve o código é o Claude. Ele atua como produto/arquiteto/revisor.

Claro que ele admite que essa “resolução de 100%” só funciona em alguns cenários:

Repositórios pequenos, claros, com stack principal, já podem ser totalmente deixados para o modelo escrever.

Repositórios muito grandes, históricos, ou em linguagens pouco comuns, ou em ambientes de engenharia muito específicos, ainda apresentam limitações evidentes do grande modelo.

Mas sua avaliação é simples: a maioria dessas limitações é apenas uma questão de “esperar a próxima versão do modelo”.

Um celular + mil agentes: seu fluxo de trabalho pessoal

Boris já compartilhou nas redes sociais seu ambiente de desenvolvimento, e inicialmente não imaginava que geraria tanta discussão, pois para ele era apenas uma “evolução natural” do seu modo de trabalho.

Hoje, a maior parte do seu trabalho já é feita pelo celular: abrir o ClaudeApp, trocar para a aba Code, e lá ver várias sessões paralelas. Normalmente ele mantém de 5 a 10 sessões simultâneas, cada uma com muitos subagentes, totalizando facilmente centenas; à noite, pode ter mais de mil agentes rodando tarefas mais longas em segundo plano.

A ideia-chave que sustenta esse sistema é um comando aparentemente simples: /loop.

O /loop é basicamente fazer o Claude usar uma abordagem semelhante ao cron, para agendar tarefas que se repetirão automaticamente no futuro: podem ser executadas a cada minuto, a cada 5 minutos, diariamente, etc.

Com esse loop, ele construiu um sistema completo de “manutenção automática”:

Tem um loop dedicado a “monitorar PRs”: cuidar do CI, fazer rebase automático, manter a lista de PRs limpa.

Tem um loop responsável por “manter a saúde do CI do projeto”: detectar e corrigir problemas como testes instáveis.

Tem um loop que, a cada 30 minutos, captura feedback do Twitter, faz agrupamentos automáticos e gera resumos de decisão.

Na descrição dele, o loop já é como uma primitive de programação voltada ao futuro: a forma mais simples e viável, mas extremamente poderosa. Com o recente lançamento de routines (fluxos de trabalho de longo prazo rodando no servidor, mesmo com o computador desligado), o modelo consegue avançar continuamente os projetos em background.

Forma de equipe: todos são “generalistas multidisciplinares”

Quando uma pessoa consegue usar IA para escrever 100% do código, aumentando a eficiência de 10 a 100 vezes, a organização naturalmente muda.

A avaliação central de Boris para equipes do futuro é: “Ser um generalista multidisciplinar será muito mais comum do que hoje”.

Hoje, o que chamamos de generalist (profissional generalista) costuma ser alguém que domina várias áreas dentro de engenharia — por exemplo, alguém que cuida de iOS, Web e Server; mas a tendência que ele vê é:

Generalistas vão cruzar mais fronteiras de funções, como: engenharia + design, engenharia + produto + ciência de dados, engenharia + finanças/operações, etc.

Na equipe Claude Code, já há essa situação: gerentes de engenharia, gerentes de produto, designers, cientistas de dados, financeiros, pesquisadores de usuário, todos escrevendo código e usando bastante Claude Code para avançar seus trabalhos.

Em outras palavras, cada um ainda tem sua especialidade, mas “escrever código” deixa de ser privilégio de uma minoria, e passa a ser uma habilidade básica de todos, como hoje é o uso de Office ou PPT.

Isso aponta para uma avaliação mais macro: a barreira de produtividade de software será drasticamente reduzida, e quem entender melhor o domínio será o desenvolvedor mais vantajoso.

Por exemplo, ao criar um software de contabilidade, quem deve liderar a forma e a lógica do produto nem sempre será o engenheiro top de linha, mas um contador que entenda muito de negócios e saiba usar IA para escrever código, pois “codificar” se torna relativamente fácil, enquanto “compreender profundamente o domínio” é o recurso escasso.

De “programador de elite” a “cidadão comum programador”: uma analogia com a imprensa

Para ilustrar a profundidade dessa mudança, Boris faz uma analogia que gosta muito na história da tecnologia: o impacto da IA na produção de software será semelhante ao impacto da imprensa na Europa do século XV.

Antes da invenção da tipografia móvel, na Europa, apenas cerca de 10% das pessoas sabiam ler e escrever, e eram empregadas na estrutura de poder (reis, nobres, igreja), realizando tarefas de “leitura e escrita por outros”. Ler e escrever era uma habilidade altamente especializada, acessível a poucos ao longo da vida.

Após a invenção da imprensa, em apenas 50 anos, a quantidade de textos publicados na Europa ultrapassou toda a produção dos mil anos anteriores, e o custo de um livro caiu cerca de 100 vezes. Nos séculos seguintes, com a evolução do sistema educacional e da estrutura social, a taxa de alfabetização global subiu para cerca de 70%: leitura e escrita passaram de uma profissão de poucos para uma habilidade básica da maioria.

A visão de Boris é que: software e programação estão passando por uma curva semelhante, e a velocidade será ainda maior.

No passado, escrever software era uma atividade “altamente especializada, com barreiras muito altas”.

Agora, escrever software se tornará uma habilidade tão comum quanto “digitar” ou “enviar mensagens”.

Ainda haverá engenheiros profissionais e arquitetos de sistemas de ponta, mas a divisão social do trabalho será completamente reformulada: muitos especialistas de domínio, empreendedores e profissionais comuns poderão colaborar diretamente com modelos para criar software.

SaaS enfrentará uma “extinção em massa”?

Quando a IA reduz o custo de escrever software em 10 ou 100 vezes, o que acontecerá com os produtos SaaS existentes? Haverá uma “extinção em massa de SaaS”? Essa é uma das perguntas mais frequentes que Boris recebe.

A resposta dele é bem mais complexa do que um simples “sim/não”, e ele usa o framework “Seven Powers (Sete Poderes)” mencionado no podcast Acquired para análise.

Na visão dele, a IA vai desvalorizar rapidamente algumas vantagens competitivas:

Custo de troca (Switching Costs): ao usar modelos para migrar dados e reconstruir fluxos de trabalho rapidamente, o efeito de lock-in criado por integrações e configurações complexas se enfraquecerá bastante.

Capacidade de processos (Process Power): muitas empresas dependem de processos e fluxos complexos como vantagem competitiva, mas grandes modelos estão cada vez melhores em entender e melhorar processos, especialmente modelos como o 4.7, que podem “auto-otimizar” (hillclimbing) até atingir o objetivo, explorando ineficiências.

Por outro lado, algumas vantagens mais fundamentais não desaparecerão por causa da IA, mas podem se tornar ainda mais importantes:

Efeito de rede

Economias de escala

Recursos escassos (como dados exclusivos, canais, qualificações especiais)

Outro ponto importante é que, nos próximos 10 anos, o número de startups capazes de “criar produtos comparáveis aos grandes com poucos recursos humanos” deve aumentar significativamente, talvez 10 vezes mais do que na última década.

A razão é que:

Grandes empresas terão dificuldades em reestruturar seus processos e treinar toda a equipe para usar IA, enfrentando grande inércia e resistência interna.

Novas equipes poderão começar “nativas em IA” desde o primeiro dia, usando poucos recursos para gerar alto valor, e assim competir de forma mais eficiente em vários nichos.

Para Boris, esse momento é muito favorável para empreendedores e desenvolvedores — “é um dos melhores tempos para criar produtos e empreender”.

Como a Anthropic “come sua própria comida”

Muita gente pensa que empresas como a Anthropic, que desenvolvem modelos, usam internamente versões “mais avançadas e secretas” para se manter à frente por mais tempo. Mas Boris discorda:

Na sua visão, o que usam internamente é a mesma versão que todo mundo tem acesso (por exemplo, bastante uso do Opus 4.7), com poucos experimentos com modelos de pesquisa como Mythos, mas sem depender de uma versão “privada e difícil de obter” que só eles tenham.

A verdadeira vantagem competitiva, na opinião dele, não está no modelo em si, mas na profundidade da integração de IA na organização.

Mais especificamente:

Não há mais prática de “código manual puro” na empresa, nem mesmo consultas SQL, que são geradas pelo modelo.

As equipes usam o Claude para “colaborar em chat” no Slack, ajudando engenheiros a preencher lacunas e comunicar-se entre equipes.

Muitos processos foram redesenhados em torno de mecanismos como loop, subagentes e routines, permitindo que o modelo avance continuamente os projetos em background.

Por isso, ele acredita que a maior “lacuna” atual não está na tecnologia, mas na organização e no design de processos. Para startups, essa é uma oportunidade enorme: ao invés de reformar lentamente processos antigos, é melhor desde o começo criar uma organização “nativa em IA”.

Oportunidades de produto para os próximos 6 a 12 meses

Voltando às questões de produto e empreendedorismo: se há alguns anos ele via um “overhang de produto na programação”, onde está o próximo?

Ele aponta algumas direções:

ClaudeDesign: uma área já utilizável hoje, mas que se tornará mais impressionante com as próximas gerações de modelos. Representa uma “protoforma de fluxo de trabalho de design profundamente AI”.

Loop/Batch/Agentes em larga escala: fazer centenas ou milhares de tarefas rodando simultaneamente em diferentes agentes, tornando-se uma capacidade padrão, não uma magia reservada a especialistas.

Uso de computador (ComputerUse): fazer o modelo operar diretamente no computador, usando visão e controle, para sistemas legados sem API ou MCP, uma solução universal.

O ponto comum dessas direções é que: hoje já são “meio viáveis”, mas o verdadeiro potencial de explosão virá após uma ou duas gerações de modelos mais avançados.

Assim como no caso do Claude Code, equipes ambiciosas podem começar a projetar produtos pensando no “modelo do futuro”, para garantir vantagem assim que ele chegar.