A programação com IA tornou o CI um gargalo, então reformulamos o nosso para acompanhar

Artigo original ↗ Discussão no Hacker News ↗

A programação com IA está aumentando enormemente o volume e a velocidade das mudanças de código, expondo os pipelines de integração contínua (CI) como um novo gargalo. Os desenvolvedores estão experimentando sistemas de build mais rápidos (como Bazel), runners auto-hospedados ou de terceiros, cache agressivo e até mover mais verificações para o loop local ou do agente para manter os tempos de feedback aceitáveis à medida que as suites de testes crescem. Muitos comentaristas também questionam quanto desse teste extra realmente melhora a qualidade do produto, sugerindo que QA humano, decisões de produto e valor para o usuário continuam sendo as verdadeiras restrições, mesmo com o throughput bruto de programação e CI acelerando.

CI como o novo gargalo

  • Muitos relatam que os pipelines de CI se tornaram o fator limitante assim que os agentes de IA aumentaram massivamente o volume de código/PRs.
  • Builds longos (10+ minutos) desaceleram tanto humanos quanto agentes; as pessoas miram ciclos de menos de 2–5 minutos, às vezes abaixo de 60 segundos.
  • Alguns argumentam que o verdadeiro gargalo agora é QA, validação de produto e clientes (adoção, fadiga de atualizações), não apenas CI.

Bazel, cache e sistemas de build

  • Bazel é elogiado por builds incrementais de ~10s em grandes codebases poliglotas com um cache quente; os agentes tornam migrações para Bazel muito mais rápidas do que antes.
  • Outros destacam tradeoffs: configuração complexa, overhead de sandbox por tarefa, ergonomia que exige ferramentas “normais” paralelas e resultados mistos para JS/TS.
  • O cache remoto pode ser limitado por rede e I/O de disco; otimizações incluem buscar apenas digests, chunking definido por conteúdo para artefatos grandes e construir imagens de contêiner de forma hermética (sem Dockerfile).
  • Alguns defendem sistemas semelhantes ao Bazel, mas mais simples (por exemplo, RWX, ferramentas customizadas) e agendadores unificados que tratem build + teste como um único grafo.

Escolhas de infraestrutura de CI

  • O GitHub Actions hospedado é visto como lento/pouco confiável e caro em escala; muitos estão migrando para:
    • Runners de terceiros com CPUs/NVMe mais rápidos e melhor cache.
    • Runners auto-hospedados (on‑premise ou boxes baratos na cloud) com workspaces quentes, contêineres LXD e paralelização agressiva.
  • O peering direto / links de rede com o GitHub ainda podem ser instáveis; caches locais atenuam isso, mas não resolvem totalmente.

Programação agêntica, testes e QA

  • Agentes geram enormes quantidades de testes; alguns pipelines relatam suites de testes aproximadamente quadruplicadas.
  • Vários comentaristas veem muitos testes unitários escritos por IA como triviais ou redundantes, “slop”; testes end-to-end e de caracterização são considerados mais valiosos.
  • Algumas equipes agora revisam testes mais do que código, confiando que, se os testes relevantes passarem, grandes refatorações provavelmente são seguras.
  • Outros questionam se 4× mais testes trazem 4× mais valor, ou apenas maior custo de CI.

Repensando o SDLC e a arquitetura

  • As sugestões incluem:
    • Mover a maioria das verificações de lint/unit para o loop do agente e manter o CI para verificações pesadas/irreplicáveis.
    • Permitir mais trabalho de CI nas máquinas dos desenvolvedores com artefatos assinados, embora o risco de supply chain seja mencionado.
    • Projetar serviços menores, orientados a contratos, ou monólitos modulares para permitir que agentes iterem mais rápido dentro de contextos delimitados.

Os ganhos de produtividade da IA melhoram os produtos?

  • Alguns relatam ganhos claros: grandes refatorações e migrações concluídas em dias em vez de meses, ganhos de desempenho, limpezas de infraestrutura, melhorias de acessibilidade e projetos solo/indie mais ambiciosos.
  • Outros veem principalmente mais código, mais apps triviais, software mais bugado e pouca melhoria visível em produtos carro-chefe ou na produtividade macro, enquadrando grande parte da programação acelerada por IA como “mais código, não mais valor”.