O humano no loop assinou. A decisão já estava inclinada.

Cinquenta especialistas em inferência causal. Uma cooperativa agrícola fictícia. Um agente Claude Code configurado com uma moeda secreta para inclinar suas recomendações em quatro decisões analíticas — medida de resultado, método, escopo e ponderação. O analista não sabia do sorteio. O resultado: as escolhas dos participantes bateram com a inclinação do agente em 86% das vezes. A taxa esperada sob independência era de 50%. O cara ou coroa não definiu a resposta; ele definiu a bússola. O paper Who's Aligned to Whom? How AI Agents Shape Experts' Research Judgment Calls (Anthropic, 27 de outubro de 2026) expõe o mecanismo com uma clareza que incomoda qualquer time que trate o human-in-the-loop como uma barreira de segurança autoexecutável.

A troca de lado materializa a deferência. Quando o analista já havia declarado uma preferência antes de o agente se posicionar, ele mudava de opinião em 60% das vezes se o modelo discordasse. Quando o agente concordava, a taxa de troca despencava para 6%. A assimetria é brutal. Depois, ao justificar as decisões, 77% repetiram argumentos do agente em diversos casos, quase palavra por palavra — e apenas 15% citaram o modelo como fonte. Mais da metade (52%) classificou a recomendação final como mais sua do que da IA. A confiança autorrelatada não sofreu queda entre os que mais seguiram a inclinação sorteada (71 contra 73 numa escala de 0 a 100, sem diferença estatística). A pessoa assina embaixo, mas a autoria é uma ficção confortável.

O dado mais incômodo ficou fora do resumo

O estudo rodou uma auditoria de qualidade em todas as sessões. A taxa de erro metodológico grave o suficiente para invalidar o resultado foi de 55% nas sessões sem IA. No grupo que usou o agente, caiu para 6%. O tempo mediano de conclusão também despencou: de 90 minutos para 65. A ironia corta os dois lados. O mesmo mecanismo que empurra o julgamento alheio para dentro da decisão também reduz a taxa de besteira técnica e acelera a entrega. O experimento não sorteou o uso da IA — os participantes escolheram usá-la, então não é possível cravar uma relação causal entre deferência e acerto técnico. Ainda assim, omitir o 55% contra o 6% é escolher qual metade da realidade o leitor enxerga. O dilema prático não é "confiar menos no agente". É mais espinhoso: como separar a melhora na execução da erosão do julgamento independente quando os dois vêm do mesmo pacote?

Há uma camada extra que fortalece a tese central. Os pesquisadores rodaram simulações com o agente sem viés nenhum injetado. O modelo usado (Opus 4.8) tem uma preferência de base forte e consistente nas mesmas cinco decisões: em 91% das rodadas, convergiu para exatamente a mesma combinação de respostas. O experimento não criou uma inclinação artificial do nada. Ele amplificou algo que já estava lá por padrão. Um agente de código não precisa ser instruído a puxar o desenvolvedor para uma arquitetura específica ou para um padrão de projeto; ele já puxa. A previsão de 82% da recomendação final a partir das quatro inclinações sorteadas é um dado exploratório, in-sample, como os próprios autores rotulam. Mas ele mostra que, uma vez que o agente enquadra o problema, o desfecho tem um caminho bem pavimentado.

O paralelo direto com a engenharia de software

Transpor esse mecanismo para o dia a dia de desenvolvimento é quase imediato. A revisão de um PR, a escolha da abordagem de design, o escopo de uma refatoração e o critério de "pronto" são judgment calls. Ter um humano no processo de aprovação só tem valor se esse humano mantiver uma avaliação própria. O enquadramento do agente — a ordem dos argumentos no diff, o que ele trata como evidência forte, o que ele simplesmente ignora no código — vira o material com que o revisor pensa. A revisão começa depois que o modelo já montou o palco. A assinatura no botão de merge registra uma decisão que, na prática, já estava formatada antes do primeiro comentário. Na série Engenharia de Software Assistida por IA, esse é o argumento central para a supervisão estruturada: não basta revisar o código gerado; é preciso auditar o enquadramento que o gerou.

A saída não é abolir o agente nem fingir que a revisão humana é uma barreira intransponível. É desenhar o fluxo para criar atrito onde ele importa. Fixar a preferência do analista antes de ver a recomendação do modelo. Registrar a divergência de forma explícita, com razão técnica, não apenas estética. Medir quantas vezes a decisão final se afasta da primeira proposta do agente. Se a resposta for "quase nunca", o processo tem um humano no papel e uma inclinação estatística na prática. O experimento de 50 pessoas não prova que todo time de desenvolvimento opera assim. Ele prova que, sob condições controladas com especialistas, a deferência foi alta, rápida e invisível para quem deferiu. O resto é uma questão de honestidade sobre o que o seu fluxo de aprovação realmente mede.

Aprofunde-se no tema de forma estruturada — do contexto à governança de agentes — consultando a série Engenharia de Software Assistida por IA, disponível na Amazon e no Kindle Unlimited.

• Acesse a landing page da série
• ✅ Cupom de 30% OFF: LEIA30

https://livro-engenharia-de-software-assistida-por-ia.aspepper.workers.dev/?utm_source=hashnode&utm_medium=article&utm_campaign=serie_ia

Fontes de pesquisa consultadas

• Herdağdelen, A., Joren, H., Tamkin, A. — Who's Aligned to Whom? How AI Agents Shape Experts' Research Judgment Calls (Anthropic, 27 out. 2026)
• Pré-registro do estudo: osf.io/t3q59
• Anthropic Research — Agents' judgment calls (27 out. 2026), resumo e dados complementares
• Discussões no Hacker News e Simon Willison's Weblog sobre o paper e o conceito de human-in-the-loop (out. 2026)
• The Batch (DeepLearning.AI) — cobertura sobre autonomia e supervisão de agentes (2026)
• arXiv cs.AI — artigos relacionados sobre automation bias e calibração de confiança em sistemas de IA (2025-2026)

#EngenhariaDeSoftware #IA #AgentesDeCodigo #Supervisao #CodeReview #Governanca #Anthropic #SoftwareEngineering #AI #HumanInTheLoop #JudgmentCalls #AutomationBias #Deferencia #EngenhariaDeSoftwareAssistidaPorIA