Pular para o conteúdo
fernando.moretes.com
BlogEstudosCursosE-booksOpen SourcePodcasts
Loading…
Fernando Azevedo

Arquiteto de TI Especialista

Arquitetura, AWS, IA em produção, sistemas financeiros e FinOps, escritos a partir do que foi operado, com os números.

  • LinkedIn
  • GitHub
  • E-mail

Conteúdo

  • Blog
  • Estudos de arquitetura
  • Cursos
  • E-books
  • Open Source
  • Podcasts
  • Assuntos
  • Trilhas

Ferramentas

  • Moretes Architect MCP
  • Well-Architected self-check
  • Arquitetura deste site
  • Números públicos
  • Histórico de estudo

Sobre

  • Comunidade
  • Hugging Face
  • IA Builder
  • Perfil
  • Currículo (CV)
  • Trabalhe comigo
  • Media kit
  • RSS do blog
  • RSS dos estudos
  • Artigos narrados (podcast)
  • llms.txt
  • Termos, privacidade e uso de IA

(c) 2026 Fernando Francisco Azevedo

Blog/Artigo
RSSMarkdownLLMs
IA & AgentesNotas de Campo

IA Builder na prática: o que é, o que muda e como eu aplico

4 de out. de 2026 11 minIntermediário Com apoio de IA000 visualizações00 reproduções
Ouvir artigo

21:38 · voz do Fernando

No AWS Summit São Paulo de 3 de setembro de 2026, no São Paulo Expo, o fio que atravessou o keynote foi o de um profissional que escreve menos código à mão e passa mais tempo definindo intenção, orquestrando agentes especialistas e validando o que eles produzem. O mercado já chama esse perfil de IA Builder. Eu reconheço o desenho porque este site roda assim: artigos bilíngues, studies semanais e narração em voz clonada saem de uma esteira de agentes que eu orquestro e não escrevo linha a linha. A pergunta que me interessa não é se os agentes conseguem executar. É quem decide o que eles devem fazer, e quem percebe quando eles executam errado. Este texto explica o perfil, o método que a AWS publicou por trás dele e como eu aplico isso todo dia.

O que foi dito no palco

O evento reuniu milhares de pessoas e mais de uma centena de sessões, 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 em volta da palavra build: write it right, ship it fast e keep it modern.

O Kiro apareceu no palco com a 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. 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. 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 do evento não usa o termo. Trato o rótulo como enquadramento útil, não como cargo ou produto com definição publicada. O que tem definição publicada é o AI-DLC, e é nele que eu me apoio daqui em diante.

O que é, afinal, um IA Builder

Não é um cargo nem uma certificação. É um jeito de trabalhar em que a pessoa escreve menos código à mão e gasta o dia em três habilidades.

Definir intenção. Escrever o que é sucesso antes de pedir qualquer coisa. Não é um prompt bonito: é um critério que cabe num arquivo versionado, com o que precisa ser verdade no fim e o que não pode acontecer no caminho. Se o critério só existe na cabeça de quem opera, a aprovação vira gosto do dia, e gosto não se audita.

Orquestrar agentes. Decidir qual agente faz o quê, em que ordem, com qual contexto, e onde o trabalho para para alguém aprovar. Um agente por especialidade funciona melhor do que um agente que faz tudo, e a ordem importa: pesquisa antes de escrita, escrita antes de revisão, revisão antes de publicação.

Validar com evidência. O resultado parecer certo não é validação. Validação é a verificação que teria pego o erro antes de ele existir: um schema de saída, um teste, um portão que compara o que saiu com o que foi pedido. Em sistema financeiro, onde eu trabalho, isso não é cerimônia: o portão de aprovação é o ponto em que alguém assina, e assinatura sem critério vira carimbo.

Repara que nenhuma das três é sobre digitar código. É o trabalho de arquiteto sem a parte de digitar.

AI-DLC: o ciclo, fase a fase

O AI-DLC organiza o desenvolvimento em três fases. Inception é onde se decide o que vai ser construído e por quê: intenção de negócio, requisitos, desenho. Construction é onde o código nasce, em ciclos curtos. Operations é onde o sistema roda, se observa e se mantém. O sprint dá lugar ao Bolt, um ciclo de horas ou dias, e em toda atividade o mesmo padrão se repete: a IA monta o plano, pede esclarecimento sobre o que falta e implementa; o humano toma as decisões críticas e aprova a passagem de fase.

A AWS desenhou o Kiro em cima dessa ideia. Uma spec no Kiro gera três arquivos, requirements.md (o que precisa ser verdade), design.md (como vai ser feito) e tasks.md (os passos), e entre cada fase há um ponto de aprovação humana antes de seguir. O repositório aberto do AI-DLC, awslabs/aidlc-workflows, sob licença MIT-0, vai além: descreve agentes especialistas por domínio, revisores, estágios por fase e uma trilha de auditoria de 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.

A frase que importa é a segunda metade

"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.

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.

Também não é coincidência que os cases do palco fossem de banco e de serviços financeiros. É onde o erro custa mais caro e onde o portão de aprovação já existe há décadas, com outro nome: segregação de função, dupla verificação, trilha de auditoria. O IA Builder não inventa isso. Ele traz o agente para dentro de um processo que já sabia decidir e validar, e descobre quais portões estavam só na cabeça das pessoas.

Fonte primária, não o resumo do resumo

Um exemplo didático da habilidade de validar, tirado do próprio evento. O resultado da Livelo com o Kiro foi apresentado no palco, depois resumido pela cobertura do evento, e eu fui conferir no estudo de caso oficial da AWS. O que chegou até mim tinha passado por dois resumos e trocado de moeda no caminho; o estudo oficial ainda atribui o ganho ao Amazon Q Developer e ao Kiro juntos, num programa com a Compass UOL. Não vi o slide, então não sei em que camada a unidade se perdeu. De propósito não repito os valores aqui: o ponto não é o número, é o caminho que ele fez. É exatamente o que um agente faz quando ninguém abre a fonte primária. Validar é abrir a fonte.

Como eu aplico: a esteira deste site

Duas vezes por semana, de manhã cedo, 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, expansão regional e digest semanal perdem pontos; sinal abaixo da nota mínima não vira artigo, e semana fraca termina sem publicar, de propósito. Esse é o definir intenção: pilares, pesos e nota mínima existem em código antes de o agente escolher qualquer assunto.

Todo gerador passa por uma única função, callModel. O provider padrão é o Claude Code CLI, escolhido por medição e não por reputação: mesmo prompt e mesmo sinal nos candidatos, comparando tamanho, estrutura, falhas de parse e referências que respondem. 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, em cópia versionada no repositório, porque o cron da madrugada não pode depender de rede nem de token para escrever. O modelo pesquisa a web para confirmar datas, limites e preços. Esse é o orquestrar.

Entre o modelo e a produção ficam os portões: normalizeArticle descarta bloco inválido e lança se faltar prosa ou título; o schema de saída barra JSON malformado; o dedupe é pelo link da fonte, num índice fora do prefixo que o site lista como artigo; uma regra de estilo roda na entrada, não no prompt. Só então o artigo sobe para o S3, de onde o site lê. A narração roda de madrugada com a minha voz clonada numa GPU de casa, com o Mac de fallback. Esse é o validar.

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.

Onde eu decido, onde o agente executa, onde o código barra

As decisões ficam escritas em arquivo; os portões determinísticos ficam entre o modelo e a produção. Nenhuma etapa depende de alguém lembrar de conferir.

👤 Fernando: decide
  • Pillars + minimum score · what is worth writing
  • Skill voz · versioned copy
  • Review & decision · keep, fix or drop
🤖 Agents: execute
  • scoreSignal() · weights per pillar
  • callModel · Claude Code default
  • WebSearch + WebFetch · dates, prices, limits
🔧 Deterministic gates
  • normalizeArticle · drops invalid blocks
  • index/signals.json · dedupe by source link
  • no-em-dash.mjs · cleans on entry
🟧 AWS: serverless
  • S3 articles bucket · S3 wins by slug
  • Site + newsletter · real readers
🏠 Homelab: narration
  • RTX 5050 under WSL · cloned voice, 02:00

Quem faz o quê, etapa por etapa

O que eu decidoO que o agente executaComo eu valido
AssuntoPilares, pesos e nota mínimaPontua os sinais dos feeds--plan mostra nota, motivo e o que caiu
FatosRegra: abrir a URL antes de citarPesquisa, abre páginas, citacurl em cada referência antes de publicar
VozA skill voz e o que ela proíbeEscreve pt e en como originaisLeitura do publicado; regra global sem travessão
ProviderCritério de troca: mediçãoGera o JSON do artigoMesmo prompt e sinal nos três providers
PublicaçãoFormato de bloco e índice de dedupeSobe para o S3 por scriptnormalizeArticle lança se faltar prosa ou título
NarraçãoQuando gerar e com qual vozRenderiza MP3 na GPU de casaIdempotente: pula objeto que já existe

Três lições que a esteira me ensinou

Nenhuma delas veio de um erro que o agente cometeu na execução. Todas vieram de um portão que não existia ou que verificava a coisa errada. Fico com o padrão, não com os números.

O dedupe que nunca deduplicava. A versão antiga do gerador sondava uma chave no S3 derivada do título da fonte e gravava outra derivada do título gerado. As chaves nunca coincidiam, então a verificação de "é novo?" respondia sim sempre. A uma execução por dia, ninguém via. No dia em que rodei várias invocações seguidas, saíram artigos repetidos sobre o mesmo assunto. O agente fez o trabalho dele perfeitamente em todas. O erro estava no portão, não na execução. A correção foi deduplicar pelo link da fonte e documentar o bug no fallback.

A categoria errada que parecia certa. A função de classificação testava a substring ai solta, sem fronteira de palavra, e era a primeira regra a casar. "available", "domain" e "maintain" casavam. Artigo sobre banco de dados saiu marcado como agentes de IA. Lendo um artigo por vez, ninguém percebia. Percebi olhando a distribuição do acervo inteiro. A correção trocou a primeira regra que casa por contagem de ocorrências, com o título pesando mais que o resumo, e um script idempotente reclassificou o acervo.

A regra de estilo que só existia no prompt. A skill de voz foi extraída do meu texto publicado e tratou um tique de pontuação como ritmo meu. Só que boa parte daquele texto tinha sido escrita junto com modelos, e o tique era assinatura de texto gerado. Pedir no prompt para não usar não bastava; o modelo devolvia mesmo assim. A regra virou código que limpa na entrada, aplicado ao acervo inteiro e varrido pelo sitemap até zerar.

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.

Como eu valido, na prática

  1. 1

    Escreva o critério antes de pedir a execução

    Pilares, pesos e nota mínima existem em código antes de o agente escolher qualquer assunto. Se o critério só existe na minha cabeça, a aprovação vira gosto do dia, e gosto não se audita.

  2. 2

    Ponha um portão determinístico entre o modelo e a produção

    normalizeArticle descarta bloco desconhecido e lança se faltar prosa ou título; o schema de saída barra JSON malformado. O modelo pode errar à vontade antes desse ponto; depois dele, não.

  3. 3

    Confira a fonte primária, não o resumo

    O caso da Livelo mostra o motivo: o resultado trocou de moeda em dois resumos. Toda referência é aberta antes de entrar no texto, e número que não fecha com a fonte oficial sai ou vem com ressalva.

  4. 4

    Meça antes de trocar de executor

    Troquei de provider com o mesmo prompt e o mesmo sinal nos candidatos, comparando tamanho, estrutura, falhas de parse e referências que respondem. Reputação de modelo não entra na planilha.

  5. 5

    Audite o acervo, não só o item do dia

    A categoria errada só apareceu numa contagem do acervo inteiro. Erro sistemático é invisível na unidade e óbvio no histograma.

  6. 6

    Saiba o que o fallback não tem

    O gerador de reserva não recebe a skill voz e carrega o dedupe antigo. Está documentado e desligado. Religou, confira a voz antes de publicar.

Os anúncios, pela lente de quem opera

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: investigações, avaliações e tarefas de SRE sob demanda, cobradas por tempo de agente. Cobrança por tempo significa que investigação longa custa; mas 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: 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: grounding com busca na web, com processamento da consulta dentro de regiões dos Estados Unidos e sem egress de dados por padrão. Eu já usei a versão do AgentCore num gerador antigo, por um gateway MCP criado fora do Terraform. 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): uma certificação sem código, em quatro domínios, para quem 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.

A trilha é o produto

A trilha de auditoria de eventos no AI-DLC é o instinto certo, e não por compliance de fachada. Cada decisão desta esteira saiu de uma mensagem de commit que explica por que, não o que: a medição que escolheu o provider, a correção da classificação, a regra de estilo que virou código. Se eu tivesse deixado os agentes commitarem "fix category" e "update generator", eu não conseguiria reconstruir nenhuma dessas decisões três semanas depois. Em ambiente regulado, a evidência de quem aprovou o quê, com qual critério, é o que você entrega para a auditoria. O código é o que ela olha depois.

Anti-padrões que eu já paguei

  • Portão humano sem critério escrito: a aprovação vira carimbo, e carimbo não pega o dedupe que nunca deduplicou.
  • Confiar no resumo do resumo: o resultado da Livelo trocou de moeda em duas camadas; o agente reproduz qualquer camada que você der a ele.
  • Validar o item e nunca o acervo: erro sistemático, como categoria errada em boa parte do acervo, não aparece lendo um artigo por vez.
  • Regra de estilo só no prompt: o modelo devolve o tique mesmo pedindo que não; regra que importa vira código na entrada.
  • Trocar de executor por reputação: sem o mesmo prompt e o mesmo sinal nos candidatos, você troca de modelo e descobre a regressão em produção.
  • Fallback que ninguém exercita: o gerador de reserva ainda escreve na voz antiga; religado sem conferência, publicaria fora do padrão.

Quando adotar o modelo IA Builder

Esteira de agentes com portões (IA Builder)

Prós
  • Volume repetitivo com critério estável
  • Troca de executor sem trocar de processo
  • Trilha auditável por padrão
Contras
  • Custo permanente de manter os portões
  • Falha silenciosa onde o portão não existe
  • Exige quem leia o diff, não só o resumo

Adote quando o critério cabe num arquivo e o erro se reverte em minutos.

Assistente na IDE, humano no comando

Prós
  • Adoção barata, sem infraestrutura
  • Bom em domínio que você ainda não sabe especificar
Contras
  • Não escala volume
  • Decisão fica na conversa, sem trilha

Use enquanto ainda está descobrindo o que é certo.

Execução humana, IA só para consulta

Prós
  • Controle total onde o erro é irreversível
Contras
  • Lento e caro em volume

Mantenha em movimentação financeira, IAM de produção e contrato.

FA
Nota do curador
Arquiteto de TI Especialista

Depois de 16 anos construindo plataformas financeiras, o que eu reconheci no palco do Summit não foi uma função nova. Foi o trabalho de arquiteto sem a parte de digitar. O que eu faria de novo, desde o primeiro dia: escrever o critério de cada portão antes de deixar qualquer agente publicar, e guardar o porquê de cada decisão no commit. O que eu faria diferente: teria olhado a distribuição do acervo inteiro na primeira semana, não meses depois. O erro sistemático estava lá desde o começo; faltou só alguém olhar o histograma.

Veredito

Adote com portões

O perfil IA Builder descreve bem o que já acontece com quem opera agentes em produção, e o AI-DLC dá nome e estrutura a isso: definir a intenção, orquestrar os agentes, validar com evidência. O risco é ler só a metade da frase que vende. Use o modelo quando três condições estiverem presentes: o critério de qualidade cabe num arquivo versionado, existe um portão determinístico entre o modelo e a produção, e o erro se reverte em minutos. Foi o caso deste site: artigo errado se republica, categoria errada se reclassifica. Não use, ou use só como consulta, quando o erro for irreversível ou regulado e você não conseguir escrever o critério de aprovação antes de executar: movimentação financeira, permissão de IAM em produção, contrato. Nesses casos a frase do palco continua certa, mas o "decide" precisa vir com assinatura e evidência, e isso ainda é trabalho humano. Fica a pergunta para quem já trabalha com agentes: das três habilidades, qual é a mais difícil no seu time hoje, definir, orquestrar ou validar?

Referências

Como foi o AWS Summit São Paulo 2026 (Você Certificado)AI-Driven Development Life Cycle: Reimagining Software Engineering (AWS DevOps Blog)awslabs/aidlc-workflows (GitHub)Kiro: SpecsLivelo boosts productivity 30%-50% using Amazon Q Developer and Kiro (AWS case study)Introducing Web Search on Amazon Bedrock for foundation model groundingAWS Certified AI Business Strategist (AIB-C01) exam guide
#ia-builder#ai-dlc#kiro#aws-summit#agentes-de-ia#claude-code#amazon-bedrock
Compartilhar:LinkedInWhatsAppXBaixar em Markdown
Fonte analisada: AWS Summit São Paulo 2026 e o novo perfil de IA Builder
Próximo passo
Agentes de IA em produção na AWSComo eu desenho, oriento e audito agentes que vão ao ar, com os números e as fontes.Ver o IA BuilderTrilha Arquiteto de IA, gratuitaFundamentos, LLMs, RAG, tools, MCP e arquitetura na AWS, em aulas curtas e interativas.Começar a trilha

Continue lendo

IA & AgentesMigrando agentes do GPT-5.6 Terra para o GPT-6.1 Terra no BedrockO GPT-6.1 Terra chegou ao Amazon Bedrock em 26/10/2026 com preço de token pelo menos 50% menor que o do GPT-5.6 Terra. O model card, no entanto, muda região de origem, suporte de API, cache e quota em relação ao modelo anterior. Este é o roteiro que eu seguiria para migrar um agente em produção sem descobrir essas diferenças pelo plantão.Ler IA & AgentesGPT-6 Astra no Bedrock: o endpoint decide o que você auditaA GA do GPT-6 Astra no Amazon Bedrock, em 8 de setembro de 2026, trouxe 1.050.000 tokens de contexto e uma bifurcação de arquitetura: o modelo é servido por bedrock-runtime e por bedrock-mantle, e cada endpoint recusa algo que o outro entrega. Analiso o que cada caminho custa em dinheiro, em quota e em rastro auditável, e por que, para carga regulada no Brasil, a conversa começa e termina em residência de dados.Ler IA & AgentesClaude Fable 5.1 na AWS: o modelo que exige histórico imutávelO Fable 5.1 chegou ao Bedrock em 1º de setembro de 2026 com o mesmo preço de entrada e saída do Fable 5, mas com leitura de cache a um quarto do custo. O que ninguém colocou no anúncio é que ele troca flexibilidade de orquestração por qualidade de raciocínio: tool_choice forçado morreu e editar o histórico passa a ser erro. Avaliei o que isso significa para quem opera agentes de longa duração dentro do perímetro AWS.Ler
AnteriorRemediation plans no Security Hub: remediação por causa raiz, dissecadaPróximoPrivate CA registra cada emissão: guia de campo do IssueCertificateDetails
Gostou desta análise? Receba a próxima.

Deep dives de arquitetura, AWS, IA e mercado: direto no seu email. Grátis.

Sem spam · cancele quando quiser

Pergunte ao Fernando sobre isto

Uma resposta focada sobre este artigo, do meu assistente de IA, baseada no meu trabalho.

Participe da conversa

Entre para comentar

Confirme seu e-mail para participar, você também recebe a newsletter. Sem senha.

Neste artigo
O que foi dito no palcoO que é, afinal, um IA BuilderAI-DLC: o ciclo, fase a faseA frase que importa é a segunda metadeComo eu aplico: a esteira deste siteArquiteturaQuem faz o quê, etapa por etapaTrês lições que a esteira me ensinouComo eu valido, na práticaOs anúncios, pela lente de quem operaAntipadrõesQuando adotar o modelo IA BuilderVereditoReferências