Como a equipe do Claude Code faz revisão de código

Artigo original ↗ Discussão no Hacker News ↗

A afirmação da Anthropic de que sua equipe do Claude Code agora permite que a IA escreva e revise cerca de 90% de suas mudanças — supostamente em torno de 30.000 merges por dia — provoca um debate intenso sobre o que esse ritmo realmente entrega. Comentadores questionam a qualidade do código, a estabilidade, a segurança, o churn de UX e a manutenibilidade de longo prazo quando humanos deixam de manter um modelo mental coerente do sistema e passam a depender de agentes para resumir e autoverificar grandes bases de código. Outros veem valor em pipelines de revisão automatizada e maior throughput, mas alertam que custos de tokens, exigências de conformidade e métricas “Goodhartadas” como “mudanças por dia” tornam essa abordagem arriscada ou inacessível para a maioria das equipes.

Escala da Mudança e Qualidade do Código

  • Muitos são céticos quanto ao alegado volume de ~30k mudanças/dia e ~90% de código escrito por IA, especialmente para o que parece ser uma TUI/harness relativamente simples.
  • Vários კომენტadores veem isso como churn: infinitos PRs pequenos, trabalho sem valor e refatorações em vez de progresso significativo de funcionalidades.
  • Usuários relatam regressões frequentes, instabilidade da interface e bugs no Claude Code e em ferramentas relacionadas, interpretando-os como consequências da velocidade extrema de mudança.
  • Outros argumentam que métricas de volume (PRs, LOC) são inúteis sem contexto e podem mascarar baixo progresso real.

Código Gerado por IA: Poder vs. Slop

  • Relatos repetidos de que código gerado por LLM tende a ser:
    • Redundante, excessivamente verboso e mal arquitetado.
    • Propenso a bugs sutis e a uma complexidade “vibe-coded” que é difícil de entender depois.
  • Alguns dizem que a IA pode escrever código melhor que a média sob restrições rígidas e boas especificações; outros dizem que projetos totalmente vibe-coded rapidamente se tornam imantíveis.
  • Preocupação de que, uma vez que uma base de código é “infectada” por slop de IA, humanos passam cada vez mais a depender da IA apenas para entender e modificá-la.

Revisão de Código, Testes e Responsabilidade

  • Entusiastas destacam a revisão por IA como um grande ganho de produtividade: revisão inicial rápida, revisores multiagente, ações personalizadas do GH e melhor cobertura de bugs.
  • Céticos observam:
    • Revisões automatizadas podem perder problemas de design mais profundos e complexidade de longo prazo.
    • As métricas da Anthropic (taxas de incidentes/reversões) ignoram dívida arquitetural e coesão.
    • A responsabilidade humana e o modelo mental do sistema continuam críticos, especialmente em domínios de alto risco.
  • Alguns descrevem fluxos de trabalho em que humanos se concentram em especificações, estrutura e arquitetura, enquanto agentes cuidam da implementação e de ciclos repetidos de revisão.

UX, Estabilidade do Produto e Experiência do Desenvolvedor

  • Mudanças frequentes na UI dos produtos Claude estão ligadas à alta taxa de mudanças; alguns veem melhorias reais de funcionalidades e UX, outros veem interrupção constante e pouco respeito aos fluxos de trabalho dos usuários.
  • Há preocupação de que a iteração rápida orientada por IA normalize o envio de regressões e trate usuários como testadores.

Segurança, Conformidade e Custos

  • Questionamentos sobre SOC2 e controles corporativos quando o código pode ser mesclado com apenas o autor mais a revisão da IA.
  • Preocupações de que a revisão de segurança baseada em IA seja explicitamente vulnerável a prompt injection e possa incentivar descartar verdadeiros positivos como “falsos”.
  • Debate sobre gasto de tokens: alguns veem a revisão por IA como mais barata do que o tempo humano; outros observam que a maioria das equipes é “pobre em tokens” e não pode espelhar o uso generoso da Anthropic.