{"id":20017,"date":"2026-06-09T19:52:54","date_gmt":"2026-06-09T22:52:54","guid":{"rendered":"https:\/\/fenati.org.br\/anthropic-salto-automacao-desenvolvimento-uso-claude\/"},"modified":"2026-07-02T23:11:52","modified_gmt":"2026-07-03T02:11:52","slug":"anthropic-salto-automacao-desenvolvimento-uso-claude","status":"publish","type":"post","link":"https:\/\/fenati.org.br\/en\/anthropic-salto-automacao-desenvolvimento-uso-claude\/","title":{"rendered":"Anthropic relata salto na automa\u00e7\u00e3o do desenvolvimento com uso do Claude"},"content":{"rendered":"

Anthropic –<\/strong> A intelig\u00eancia artificial<\/a> j\u00e1 responde pela maior parte do c\u00f3digo produzido dentro da Anthropic. De acordo com um relat\u00f3rio da empresa, mais de 80% do c\u00f3digo incorporado ao reposit\u00f3rio interno utilizado no desenvolvimento, nos testes e na manuten\u00e7\u00e3o dos modelos Claude e das ferramentas associadas foi gerado pelo pr\u00f3prio sistema.<\/p>\n

O percentual considera o c\u00f3digo que percorre o pipeline oficial da companhia, passa por revis\u00e3o e, posteriormente, \u00e9 integrado aos sistemas respons\u00e1veis pelo treinamento dos modelos, pela infraestrutura tecnol\u00f3gica e pelos produtos de intelig\u00eancia artificial desenvolvidos pela empresa.<\/p>\n

LEIA: Senado debate cronograma de PEC do fim da escala 6\u00d71 e redu\u00e7\u00e3o da jornada<\/strong><\/a><\/p>\n

Al\u00e9m de aumentar a participa\u00e7\u00e3o da IA na escrita de software, a mudan\u00e7a tamb\u00e9m impactou a produtividade dos engenheiros. Dados internos mostram que a quantidade de linhas de c\u00f3digo produzidas por trimestre cresceu oito vezes em rela\u00e7\u00e3o ao per\u00edodo entre 2021 e 2025. Nesse cen\u00e1rio, a atividade dos profissionais passou a se concentrar menos na escrita manual e mais na orienta\u00e7\u00e3o e revis\u00e3o do trabalho realizado pelos modelos.<\/p>\n

A transforma\u00e7\u00e3o ocorreu de forma gradual ao longo dos \u00faltimos cinco anos. Entre 2021 e 2023, a programa\u00e7\u00e3o era feita manualmente. Em 2024, os primeiros chatbots come\u00e7aram a ser utilizados para gerar pequenos trechos de c\u00f3digo. No ano seguinte, agentes passaram a atuar sobre arquivos completos. J\u00e1 em 2026, esses sistemas conseguem executar tarefas longas com pouca interven\u00e7\u00e3o humana.<\/p>\n

A evolu\u00e7\u00e3o tamb\u00e9m aparece nos indicadores de autonomia. O benchmark METR registrava aproximadamente 35 segundos de opera\u00e7\u00e3o aut\u00f4noma em modelos como o GPT 3.5 em 2022. Em 2026, o Claude Opus 4.6 alcan\u00e7a 16 horas em tarefas complexas. Segundo a Anthropic, a dura\u00e7\u00e3o das tarefas realizadas pelos sistemas dobrava a cada sete meses e passou a dobrar a cada quatro meses. Mantida essa tend\u00eancia, a expectativa \u00e9 que os modelos assumam atividades que demandem v\u00e1rios dias de execu\u00e7\u00e3o j\u00e1 em 2027.<\/p>\n

Os m\u00e9todos tradicionais de avalia\u00e7\u00e3o tamb\u00e9m come\u00e7am a perder capacidade de diferencia\u00e7\u00e3o. O SWE-bench, benchmark amplamente utilizado para medir desempenho em programa\u00e7\u00e3o, j\u00e1 n\u00e3o consegue distinguir de forma eficiente os modelos mais recentes. Ao mesmo tempo, os ganhos de performance continuam avan\u00e7ando. Em 2025, vers\u00f5es do Claude chegaram a triplicar a velocidade de execu\u00e7\u00e3o de programas. Em abril de 2026, o Claude Mythos Preview registrou acelera\u00e7\u00e3o de 52 vezes em casos documentados pela pr\u00f3pria Anthropic.<\/p>\n

Outro aspecto destacado pela empresa \u00e9 a capacidade dos modelos de gerar dados, corrigir falhas e criar novos desafios para si mesmos. Esse ciclo reduz a necessidade de curadoria humana, j\u00e1 que a pr\u00f3pria IA passa a realizar etapas de prepara\u00e7\u00e3o de dados e ajustes que antes dependiam diretamente dos engenheiros.<\/p>\n

A Anthropic reconhece, por\u00e9m, que esse processo tamb\u00e9m amplia riscos conhecidos. Pequenos vieses podem ser refor\u00e7ados ao longo das sucessivas itera\u00e7\u00f5es, enquanto mudan\u00e7as nos crit\u00e9rios internos de decis\u00e3o podem ocorrer sem visibilidade direta. Para reduzir esses riscos, a empresa afirma utilizar ambientes isolados para testes e modelos independentes encarregados de auditar cada altera\u00e7\u00e3o gerada.<\/p>\n

Com a produ\u00e7\u00e3o de c\u00f3digo em ritmo cada vez mais acelerado, surge um novo desafio operacional. A Anthropic recorre \u00e0 lei de Amdahl para explicar que a parcela do processo que permanece sem automa\u00e7\u00e3o tende a concentrar o tempo total de execu\u00e7\u00e3o. Atualmente, esse papel \u00e9 desempenhado pela revis\u00e3o humana. Assim, quanto mais c\u00f3digo \u00e9 produzido pela intelig\u00eancia artificial, maior \u00e9 o esfor\u00e7o necess\u00e1rio para que pessoas validem cada modifica\u00e7\u00e3o antes de sua implementa\u00e7\u00e3o.<\/p>\n

(Com informa\u00e7\u00f5es de Hardware)<\/strong><\/em><\/p>\n

(Foto: Reprodu\u00e7\u00e3o\/Magnific\/DC Studio)<\/strong><\/em><\/p>","protected":false},"excerpt":{"rendered":"

Relat\u00f3rio aponta que mais de 80% do c\u00f3digo integrado aos sistemas da empresa \u00e9 gerado pelo Claude, enquanto a revis\u00e3o feita por pessoas passa a ser o principal entrave do processo<\/p>","protected":false},"author":10,"featured_media":20018,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[35],"tags":[13],"class_list":["post-20017","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ti","tag-sindical"],"_links":{"self":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts\/20017","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/users\/10"}],"replies":[{"embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/comments?post=20017"}],"version-history":[{"count":1,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts\/20017\/revisions"}],"predecessor-version":[{"id":20386,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/posts\/20017\/revisions\/20386"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/media\/20018"}],"wp:attachment":[{"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/media?parent=20017"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/categories?post=20017"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fenati.org.br\/en\/wp-json\/wp\/v2\/tags?post=20017"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}