IA Builder na prática: os agentes executam, eu decido o que vai ao ar

O evento teve mais de 170 sessões e cerca de 18 mil participantes, segundo o relato da comunidade. Cleber Morais, diretor-geral da AWS no Brasil, abriu marcando os 15 anos da AWS no país. Laura Grit, VP e Distinguished Engineer, falou de sistemas agênticos no desenvolvimento e organizou o ciclo em três movimentos: write it right, ship it fast e keep it modern.

O Kiro apareceu no palco com uma frase que resume a proposta: "a equipe decide em cada fase; a IA executa". Ela vem do AI-DLC (AI-Driven Development Life Cycle), metodologia que Raja SP publicou no blog de DevOps da AWS em 31 de julho de 2025. O ciclo tem três fases (Inception, Construction e Operations), troca sprint por Bolt (ciclos de horas ou dias) e repete um padrão em toda atividade: a IA monta o plano, pede esclarecimento e implementa; o humano toma as decisões críticas.

Os anúncios citados no keynote foram o AWS DevOps Agent, a modernização contínua do AWS Transform, o AWS Continuum e o Web Search no Amazon Bedrock AgentCore. Vários estavam em preview e tinham sido anunciados antes, no Summit de Nova York em 17 de junho. Nas sessões, apareceu também a nova certificação AWS Certified AI Business Strategist (AIB-C01).

Uma ressalva honesta: o rótulo IA Builder eu encontrei no relato da DP6 ("a AWS está chamando de IA Builder"), não numa página oficial da AWS. A agenda oficial do evento não usa o termo. Trato o rótulo como enquadramento útil, não como produto ou cargo com definição publicada. O que tem definição publicada é o AI-DLC, e é nele que eu me apoio daqui em diante.

"A IA executa" é a metade que vende. "A equipe decide em cada fase" é a metade que dá trabalho, porque decidir exige um critério escrito antes, e validar exige evidência depois. Em sistema financeiro isso não é cerimônia: o portão de aprovação é o ponto em que alguém assina, e assinatura sem critério vira carimbo.

A AWS desenhou o Kiro em cima dessa ideia. Uma spec no Kiro gera três arquivos, requirements.md, design.md e tasks.md, e entre cada fase há um ponto de aprovação humana antes de seguir. O repositório aberto do AI-DLC, awslabs/aidlc-workflows, foi mais longe: na versão 2.10.0, sob licença MIT-0, ele descreve 5 fases e 33 estágios, 14 agentes (11 especialistas de domínio, 2 revisores e um compositor adaptativo) e uma trilha de auditoria de 112 eventos. O workflow seleciona o caminho a partir do pedido, pergunta o que falta decidir e para nos portões de aprovação antes de avançar.

O detalhe que mais me chamou atenção está na lista de ferramentas suportadas: Claude Code, Kiro CLI, Kiro IDE, Codex CLI, Cursor, opencode e GitHub Copilot. Duas delas são exatamente as que rodam a minha esteira. Isso diz uma coisa importante sobre o modelo IA Builder: o método é o desenho dos portões, não a ferramenta. Dá para trocar o executor sem trocar o processo, desde que o processo esteja escrito em algum lugar que não seja a cabeça de quem opera.

É aqui que a conversa sobre produtividade costuma ficar rasa. Ganho de velocidade com agentes é real e fácil de medir na entrada. O custo aparece na saída: no portão que não existia, no erro que passou porque ninguém tinha escrito o que é errado. Esse custo não é o de construir a esteira, é o de manter os portões funcionando por anos.

Terça e sexta, às 07:10 de Brasília, um cron no meu homelab chama o gerador de artigos. Ele lê os feeds e dá nota a cada sinal pelos quatro pilares do blog: sistemas financeiros, agentes de IA em produção, resiliência e segurança, FinOps e plataformas de dados. Serviço fora do perfil perde 60 pontos, expansão regional perde 35, digest semanal perde 40. Abaixo de 20 (ARTICLE_MIN_SCORE) não vira artigo, e semana fraca termina sem publicar, de propósito. Na primeira execução com essa regra, a curadoria escolheu o caso do China Merchants Bank, com nota 96, em vez do anúncio regional que estava no topo do feed.

Todo gerador passa por uma única função, callModel. O provider padrão é o Claude Code CLI, escolhido por medição: no mesmo prompt e no mesmo sinal, o Bedrock Sonnet entregou 3.182 palavras em português e 14 blocos; o Codex, 2.252 palavras e 15 blocos, e falhou 6 vezes no artigo longo devolvendo JSON com um colchete a mais; o Claude Code, 3.186 palavras, 17 blocos, de primeira, com 8 de 8 referências respondendo 200. Codex e Bedrock continuam disponíveis por LLM_PROVIDER, sem editar código.

Antes de cada prompt entra a skill voz, que descreve como eu escrevo a partir do que já publiquei. Ela é cópia versionada no repositório, porque o cron das 07:00 não pode depender de rede nem de token do GitHub para escrever. O modelo pesquisa a web para confirmar datas, limites e preços, e o dedupe é pelo link da fonte, num índice index/signals.json fora do prefixo que o site lista como artigo. Studies saem um por quarta. A narração roda às 02:00 com a minha voz clonada numa GPU de casa, uma RTX 5050 sob WSL, com o Mac de fallback. O backend é serverless e pago por uso, com meta abaixo de US$ 5 por mês.

Essa meta explica a troca de provider. O Bedrock custou US$ 84 em 30 dias, e 85% disso (US$ 74) saiu de dois dias de jobs em lote que reenviavam contexto enorme, com 7 e 14 milhões de tokens de entrada. O gerador diário sozinho custava perto de US$ 20 por mês. Os dois CLIs rodam sobre assinatura, então o custo marginal por artigo virou zero.

O meu papel nisso: defino os pilares, a voz e os critérios de qualidade, reviso o que sai e decido o que fica. Os agentes executam.

Três falhas reais, todas silenciosas, todas pegas por mim e não pelo agente.

Dedupe que nunca deduplicava: o Lambda antigo de geração sondava uma chave no S3 derivada do título da fonte e gravava outra derivada do título gerado. As chaves nunca coincidiam, então candidateIsNew devolvia true sempre. A uma execução por dia, ninguém via. No dia em que rodei três invocações seguidas, saíram três artigos sobre o mesmo assunto. O agente fez o trabalho dele perfeitamente nas três vezes. O erro estava no portão, não na execução. A versão local passou a deduplicar pelo link da fonte; o Lambda ficou de fallback, com a regra do EventBridge desabilitada e o bug documentado.

Categoria errada em 86 de 123 artigos: classifyCategory() testava ai como substring solta, sem fronteira de palavra, e era a primeira regra. "available", "domain" e "maintain" casavam. Artigo sobre SAP HANA no EC2 e sobre DocumentDB saiu marcado como ai-agents. Corrigi trocando a primeira regra que casa por contagem de ocorrências, com o título pesando 3 vezes o resumo, e um script idempotente reclassificou 64 artigos. Ninguém percebeu artigo por artigo. Percebi olhando a distribuição do acervo inteiro.

O travessão: a skill voz foi extraída do meu texto publicado e mediu perto de 85 travessões por artigo, tratando isso como ritmo meu. Só que boa parte daquele texto tinha sido escrito junto com modelos, e o travessão virou assinatura de texto gerado. Brasileiro não escreve assim. Em 3 de outubro de 2026 a regra virou código: um módulo único que limpa na entrada, aplicado a 150 arquivos commitados e aos 110 artigos no S3, com varredura das 465 URLs do sitemap terminando em zero ocorrências. Pedir no prompt não bastava; o modelo devolvia o travessão mesmo assim.

Há falhas menores no mesmo padrão. O primeiro artigo gerado pelo Codex publicou [object Object] no rótulo das referências, porque o modelo devolveu objeto bilíngue num campo de texto puro. O artigo longo quebrava com um colchete a mais até eu passar a exigir um schema de saída.

A lição dura: nenhuma dessas falhas gerou erro. Todas passaram pela validação que existia. Validar não é ler o resultado com atenção. É desenhar a verificação que teria pego o erro antes de ele existir.

Cada anúncio do keynote cabe no desenho "a equipe decide, a IA executa". A minha leitura é sobre onde fica o portão em cada um.

AWS DevOps Agent: em disponibilidade geral desde 31 de março de 2026, cobra US$ 0,0083 por agent-second em investigações, avaliações e tarefas de SRE sob demanda, o que dá cerca de US$ 29,88 por hora de agente. O trial de 2 meses inclui, em cada mês, até 10 agent spaces e 20 horas de investigação, e não há cobrança com o agente ocioso. A revisão de prontidão de release entrou em preview em junho. Cobrança por segundo significa que investigação longa custa; o portão que me importa num ambiente financeiro é outro: o que o agente pode alterar. Leitura ampla, escrita só pelo fluxo de mudança que já existe.

AWS Transform, modernização contínua: em preview, varre repositórios contra baselines configuráveis e abre pull request de correção. Quem aprova o PR é a pergunta inteira. Um PR por dependência desatualizada em centenas de repositórios é volume que nenhum revisor humano lê com atenção; o critério de merge automático precisa existir antes do primeiro PR.

Web Search no Bedrock: disponível nos EUA, com processamento da consulta dentro de us-east-1, us-east-2 e us-west-2, sem egress de dados por padrão, para os modelos openai.gpt-5.4, 5.5 e 5.6 pela Responses API. Eu já usei a versão do AgentCore no Lambda antigo, a cerca de US$ 0,007 por consulta, por um gateway MCP criado fora do Terraform e com SigV4 escrito à mão. Aposentei quando a geração foi para um CLI com busca nativa: era uma dependência de infraestrutura sem versionamento. Para instituição brasileira regulada, a ausência de sa-east-1 na lista de processamento em região é uma conversa com o time de risco antes de ser uma conversa técnica.

AWS Certified AI Business Strategist (AIB-C01): 130 minutos, nota de 100 a 1.000 com corte em 700, quatro domínios (24%, 28%, 24% e 24%), sem código. O guia diz que o candidato trabalha ao lado de times técnicos mas não constrói soluções de IA. A AWS separou, na certificação, quem decide de quem constrói. Na minha esteira essa separação não funcionaria: quem decide precisa conseguir ler o diff, senão o portão vira carimbo.