Code review com agentes na prática

Mais código. Menos revisão. O descompasso é antigo.

A Ericsson resolveu testar uma saída diferente. Em vez de tentar revisar mais rápido, colocou agentes especializados para fazer a primeira triagem de code review com contexto real do projeto.

O estudo foi publicado no arXiv em setembro de 2026 (Using Agentic AI for contextualized and multifaceted code review at Ericsson). Os números são extremamente reveladores — não por serem exagerados, mas pela sua precisão.

O que eles fizeram

A equipe seguiu a metodologia Design Science Research. Isso significa que não montaram um benchmark artificial; pegaram commits reais da empresa e avaliaram a solução em ambiente de produção.

O sistema combina duas bases essenciais:

Skills de agentes: Carregam antipadrões conhecidos e específicos daquele codebase.
Conhecimento do ambiente: Fornece as regras específicas do projeto — arquitetura, convenções e restrições que não estão escritas em nenhum repositório público.

A análise ocorre estritamente em quatro eixos distintos: legibilidade, manutenibilidade, confiabilidade e performance. Nada de termos genéricos como "qualidade geral" ou "boas práticas".

O que os dados mostram

Indicador	Resultado
Issues identificadas	+200
Acurácia na detecção (validada por devs da Ericsson)	96%
Issues considerados importantes	69%
Issues severos (precisam de correção obrigatória)	33%
Issues importantes (deveriam ser corrigidos)	36%

Fonte: Using Agentic AI for contextualized and multifaceted code review at Ericsson (arXiv:2609.15877, setembro/2026)

Por que funcionou?

O agente de review não funcionou bem só porque o modelo subjacente é potente. Funcionou porque recebeu o contexto específico do projeto e skills orientadas aos antipadrões reais daquele código.

Um agente sem contexto gera apenas comentários genéricos que parecem úteis, mas não agregam valor prático:

"Considere dividir este método."
"Talvez extrair esta lógica."
"Avalie a possibilidade de usar injeção de dependência."

Comentários superficiais que o desenvolvedor lê e pensa: "isso eu já sei".

O agente da Ericsson evita isso. Como ele conhece os antipadrões do repositório e as decisões arquiteturais vigentes, suas observações são direcionadas e fundamentadas.

O que Fazer vs. O que Não Fazer

🚫 O que NÃO Fazer

Não peça review genérico: Comandos do tipo "Revise este código" geram sugestões genéricas e ignoram o que realmente precisa de atenção crítica no projeto.
Não use um agente sem contexto do projeto: Sem conhecer os antipadrões locais, o agente se limita a apontar regras óbvias de estilo e repeating de livros didáticos.
Não confunda volume de comentários com qualidade: Um agente que gera 50 comentários genéricos cria ruído e trabalho desnecessário; 5 comentários precisos geram valor imediato.
Não trate o agente como substituto do revisor: A triagem pode ser delegada, mas a decisão sobre o que entra em produção continua sendo responsabilidade humana.

✅ O que FAZER

Forneça contexto específico do projeto: Inclua documentos de arquitetura, convenções e limites técnicos no prompt/agente.
Defina antipadrões conhecidos: Utilize skills focadas nas falhas e vícios de código que seu time já mapeou.
Separe eixos de análise: Avalie o código sob perspectivas bem definidas (legibilidade, manutenibilidade, confiabilidade e performance).
Valide com quem conhece o código: Os indicadores de acurácia só têm valor quando auditados por engenheiros do próprio projeto.
Use o agente para triagem, não para aprovação final: O agente aponta os problemas; o desenvolvedor decide o merge.

A implicação prática

Revisar código gerado por agentes usando outro agente parece, à primeira vista, uma solução mágica: um gera, o outro revisa e o humano apenas aprova.

Na prática, esse fluxo só funciona quando o agente revisor possui o contexto do ambiente. Sem isso, o resultado é ruído puro. O estudo da Ericsson prova que a verdadeira vantagem não reside no modelo de linguagem escolhido, mas na qualidade do contexto fornecido.

"Um agente de review sem contexto gera comentários genéricos. Com contexto, gera comentários úteis. A diferença está no que ele sabe sobre o projeto — não no modelo que ele usa."

📚 Fontes da Pesquisa

arXiv (2026): Using Agentic AI for contextualized and multifaceted code review at Ericsson (arXiv:2609.15877, setembro/2026). Estudo focado em Design Science Research com avaliação de commits reais em 4 eixos estruturados.

📖 Leituras Recomendadas

Quem quiser aprofundar supervisão e auditoria de código gerado por IA encontra o tema tratado de forma estruturada na série Engenharia de Software Assistida por IA, em especial no Volume VI – Supervisão e Auditoria de Código Gerado por IA.

💡 Destaques: