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

No AWS Summit São Paulo 2026 a AWS resumiu o novo perfil de profissional em "a equipe decide em cada fase; a IA executa". Eu trabalho assim neste site. Aqui eu explico o que é um IA Builder, o que ele faz o dia inteiro (definir, orquestrar, validar), como o AI-DLC e o Kiro organizam isso em portões, e onde a minha esteira me ensinou que validar é o trabalho de verdade.

- URL: https://fernando.moretes.com/blog/ia-builder-na-pratica-os-agentes-executam-eu-decido-o-que-vai-ao-ar-aws-summit-s

- Markdown: https://fernando.moretes.com/blog/ia-builder-na-pratica-os-agentes-executam-eu-decido-o-que-vai-ao-ar-aws-summit-s/article.md?lang=pt

- Published: 2026-10-04T13:40:06.047Z

- Category: IA & Agentes

- Tags: ia-builder, ai-dlc, kiro, aws-summit, agentes-de-ia, claude-code, amazon-bedrock

- Reading time: 11 min

- Source: [AWS Summit São Paulo 2026 e o novo perfil de IA Builder](https://www.dp6.com.br/blogdp6/aws-summit-2026)

---

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 (user)
- Skill voz versioned copy (user)
- Review & decision keep, fix or drop (user)

### 🤖 Agents: execute

- scoreSignal() weights per pillar (ai)
- callModel Claude Code default (ai)
- WebSearch + WebFetch dates, prices, limits (ai)

### 🔧 Deterministic gates

- normalizeArticle drops invalid blocks (security)
- index/signals.json dedupe by source link (security)
- no-em-dash.mjs cleans on entry (security)

### 🟧 AWS: serverless

- S3 articles bucket S3 wins by slug (storage)
- Site + newsletter real readers (frontend)

### 🏠 Homelab: narration

- RTX 5050 under WSL cloned voice, 02:00 (compute)

### Fluxos

- pillars -> score: critério escrito
- score -> callmodel: sinal acima da nota mínima
- voice -> callmodel: injetada em todo prompt
- callmodel -> research: confere fatos
- callmodel -> normalize: JSON bilíngue
- normalize -> nodash: blocos válidos
- nodash -> dedupe: link novo?
- dedupe -> s3: publica e indexa
- s3 -> site: leitura
- s3 -> gpu: fila de áudio
- site -> review: leio o publicado
- review -> pillars: ajusta o critério

## Quem faz o quê, etapa por etapa
| Critério | O que eu decido | O que o agente executa | Como eu valido |
| --- | --- | --- | --- |
| Assunto | Pilares, pesos e nota mínima | Pontua os sinais dos feeds | `--plan` mostra nota, motivo e o que caiu |
| Fatos | Regra: abrir a URL antes de citar | Pesquisa, abre páginas, cita | curl em cada referência antes de publicar |
| Voz | A skill `voz` e o que ela proíbe | Escreve pt e en como originais | Leitura do publicado; regra global sem travessão |
| Provider | Critério de troca: medição | Gera o JSON do artigo | Mesmo prompt e sinal nos três providers |
| Publicação | Formato de bloco e índice de dedupe | Sobe para o S3 por script | `normalizeArticle` lança se faltar prosa ou título |
| Narração | Quando gerar e com qual voz | Renderiza MP3 na GPU de casa | Idempotente: 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. **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. **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. **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. **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. **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. **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)

**Pros**
- Volume repetitivo com critério estável
- Troca de executor sem trocar de processo
- Trilha auditável por padrão

**Cons**
- Custo permanente de manter os portões
- Falha silenciosa onde o portão não existe
- Exige quem leia o diff, não só o resumo

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

### Assistente na IDE, humano no comando

**Pros**
- Adoção barata, sem infraestrutura
- Bom em domínio que você ainda não sabe especificar

**Cons**
- Não escala volume
- Decisão fica na conversa, sem trilha

**Verdict:** Use enquanto ainda está descobrindo o que é certo.

### Execução humana, IA só para consulta

**Pros**
- Controle total onde o erro é irreversível

**Cons**
- Lento e caro em volume

**Verdict:** Mantenha em movimentação financeira, IAM de produção e contrato.

> **Nota do curador:** 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

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?

**Rating:** Adote com portões

## Referências

- [Como foi o AWS Summit São Paulo 2026 (Você Certificado)](https://www.vocecertificado.com.br/como-foi-o-aws-summit-sao-paulo-2026/)
- [AI-Driven Development Life Cycle: Reimagining Software Engineering (AWS DevOps Blog)](https://aws.amazon.com/blogs/devops/ai-driven-development-life-cycle/)
- [awslabs/aidlc-workflows (GitHub)](https://github.com/awslabs/aidlc-workflows)
- [Kiro: Specs](https://kiro.dev/docs/specs/)
- [Livelo boosts productivity 30%-50% using Amazon Q Developer and Kiro (AWS case study)](https://aws.amazon.com/solutions/case-studies/livelo-compass-uol/)
- [Introducing Web Search on Amazon Bedrock for foundation model grounding](https://aws.amazon.com/blogs/machine-learning/introducing-web-search-on-amazon-bedrock-for-foundation-model-grounding/)
- [AWS Certified AI Business Strategist (AIB-C01) exam guide](https://docs.aws.amazon.com/aws-certification/latest/ai-business-strategist-01/ai-business-strategist-01.html)
