Quando a dti tirou o gargalo da construção de software com a Operação AI-Native, um padrão ficou visível em vários repositórios ao mesmo tempo. Times que já usavam IA para acelerar a escrita de código esbarravam em um problema mais antigo, que a velocidade da IA deixou impossível de ignorar. Muitos desses repositórios não tinham testes automatizados, ferramentas de controle de qualidade e de segurança ou um registro claro e verificável das regras de negócio, que seguiam existindo só na cabeça de quem construiu o sistema anos atrás.
Ao delegar mais execução a um agente de IA, esse débito técnico, que antes as pessoas compensavam com o conhecimento que tinham sobre o sistema, passa a limitar o que o agente consegue fazer sozinho. Sem verificação suficiente, ele não tem como saber se quebrou algo que já funcionava ou violou uma regra de negócio. Ele produz código que compila e parece correto, e o risco de impacto em produção, que sempre existiu, cresce no ritmo do agente.
O harness ao redor de cada agente
Nem todo repositório recebe a mesma dose de revisão humana quando um agente entra para trabalhar nele. A diferença está no harness em torno de cada agente. Ou seja, os guias que orientam o que o agente deve fazer e os sensores que verificam o que ele fez. Detalhamos esse conceito em Harness Engineering.
Harnessability é o nome que usamos para medir o quanto dá para confiar nesse harness. É o quanto um repositório permite que um agente, operando dentro desse harness, trabalhe sozinho com segurança. Para nós, funciona como o critério que define o nível de autonomia que um agente recebe em cada projeto, e onde a revisão humana continua obrigatória. E isso depende menos da IA e mais de princípios de engenharia de software. Um repositório com harnessability alta tem testes automatizados, ferramentas de controle de qualidade e de segurança e regras de negócio explícitas e verificáveis, que dão aos sensores uma referência clara do que é o comportamento correto.
Mas isso não significa que só repositórios assim podem trabalhar com agentes. Na prática, harnessability funciona menos como um portão de entrada e mais como uma régua. Um time com harnessability baixa ainda consegue usar agentes com a dti, só que com menos autonomia, até o time construir as camadas que faltam.
Os kits de IA da dti
Os kits de IA da dti, que apresentamos na Operação AI-Native, são o harness empacotado: os guias e sensores que nossos times mais experientes construíram, prontos para entrar em cada projeto. Nenhum deles aumenta a harnessability de um repositório, já que isso continua sendo trabalho de engenharia. O que eles fazem é expor onde está a lacuna, cada um no seu contexto.
No ai-native.kit, nossa mecânica central voltada para a construção, a harnessability é o ponto de partida. Em um repositório com poucos testes automatizados ou com regras de negócio que não estão explícitas, o kit sinaliza onde falta referência para os sensores verificarem, antes mesmo de qualquer linha de código ser gerada por um agente. A lacuna fica visível, e o time decide como elevar a base antes de acelerar. Onde a base já existe, o kit automatiza o que a estrutura do projeto permite.
Na modernização de legados, a harnessability nasce baixa quase por padrão. Um sistema antigo costuma carregar documentação incompleta e regras de negócio espalhadas pelo próprio código, então não há em que um sensor se apoiar. Por isso o ai-refactor.kit reforça a necessidade de testes de equivalência antes de qualquer migração: são eles que garantem que o sistema novo se comporta como o antigo. Detalhamos esse processo no conteúdo sobre migração de legados com multiagentes.
O ai-ops.kit leva o mesmo raciocínio para a sustentação. Um time de sustentação costuma responder por vários produtos e repositórios ao mesmo tempo, e o que mais consome tempo em um chamado costuma ser descobrir onde mexer e se alguém já resolveu aquilo antes. O kit atua no fluxo inteiro, da ingestão estruturada do chamado até a investigação da causa raiz, deixando cada análise versionada junto com o código. Aqui, uma harnessability maior reduz o tempo entre a abertura do chamado e o momento em que alguém, ou algum agente, consegue entender o que fazer.
O que diferencia os kits de uma lista de boas práticas?
As decisões que os times mais experientes da dti já tomaram passam a valer por padrão nos projetos que utilizam os kits, mesmo que a composição do time mude. Isso significa mais previsibilidade para o cliente sobre o padrão que vai receber.
O que a harnessability muda na adoção de agentes
A leitura de harnessability decide, projeto a projeto, se devemos priorizar elevar a base de verificação antes de acelerar, ou liberar mais autonomia para o agente porque a base já aguenta. E essa não é uma preocupação só da dti.
O tema ganhou peso no mercado em 2026. Em uma apresentação recente no QCon, a OpenAI discutiu por que agentes de IA em produção falham. Os motivos vão muito além de alucinação do modelo. A causa mais comum, segundo eles, é a ausência de fronteiras claras de execução e de verificação para o agente. É esse tipo de problema que um harness bem construído busca resolver.
Essa é a mesma visão que a dti aplica internamente, só que com kits próprios integrados ao processo. Para nós, harnessability deixou de ser conceito de bastidor e virou parte do que entregamos. Ela é o critério que determina quanto um agente pode fazer sozinho em um projeto, sustentado pelo harness que construímos ao redor dele.

