Ao longo de 2025, múltiplas organizações, trabalhando independentemente, convergiram no mesmo insight: a qualidade do que agentes de IA produzem é quase inteiramente determinada pela qualidade e estrutura das instruções que recebem.
A habilidade chave no desenvolvimento assistido por agentes não é codificação. É escrita de especificações. A Thoughtworks identificou o SDD como uma prática definidora do ano. O GitHub open-sourced o Spec Kit. A Amazon lançou o Kiro, uma IDE cujo modelo inteiro de interação é construído sobre especificações estruturadas.
A mecânica central: em vez de alimentar um agente com um prompt conversacional e torcer pelo melhor, você cria um documento de especificação formal e versionado que define o que o software deve fazer, quais restrições deve respeitar e como é 'pronto'. Essa especificação vive no repositório junto com o código. É versionada, revisada em pull requests e legível tanto por humanos quanto por máquinas.
No meu trabalho com uma grande utility na modernização da arquitetura de dados, vimos como convenções não documentadas criavam atrito em cada camada. Novos engenheiros levavam semanas absorvendo conhecimento tribal. Imagine esse ambiente com agentes de IA: cada sessão precisaria redescobrir essas convenções não escritas, ou (mais provavelmente) violá-las silenciosamente. O SDD elimina esse problema tornando convenções explícitas e legíveis por máquinas.
Decisões de arquitetura, padrões de codificação, padrões de integração e requisitos de segurança vivem em arquivos estruturados que agentes leem antes de gerar qualquer coisa. Quando um auditor regulatório pergunta por que uma abordagem específica foi escolhida, o raciocínio está no histórico de commits, não reconstruído da lembrança de alguém sobre uma conversa de meses atrás.
O alinhamento com compliance é natural: especificações bem estruturadas mapeiam diretamente para frameworks como ISO 42001, NIST AI Risk Management e SOC 2. Governança deixa de ser exercício post-hoc de auditoria e se torna algo incorporado ao workflow de desenvolvimento.
Existe um princípio mais profundo aqui que conecta com como sempre pensei sobre plataformas de dados e arquitetura de analytics. Quando eu construía plataformas de dados empresariais na Austrália uma década atrás, a lição mais difícil era que o valor da plataforma não estava no stack tecnológico. Estava na camada de metadados: dicionários de dados, rastreamento de linhagem, regras de qualidade e políticas de governança que tornavam os dados confiáveis e reutilizáveis. Retire essa camada e você tem um data lake caro que ninguém confia. O mesmo princípio se aplica ao desenvolvimento orientado por agentes. As especificações, convenções e registros de arquitetura são a camada de metadados da sua fábrica de software.
O relatório Qodo 2025 de AI Code Quality fornece suporte quantitativo. Equipes usando processos estruturados de revisão de código por IA viram melhorias de qualidade saltarem para 81 por cento (contra 55 por cento sem estrutura). Um estudo separado da Atlassian mostrou que quase 39 por cento dos comentários deixados por agentes de IA em revisões de código levaram a correções reais.
Este artigo é de O SDLC Agêntico por Carlos Aggio.