A Braze, plataforma global de engajamento de clientes, acaba de dar um salto que muita empresa ainda sonha em alcançar: em apenas três meses mais de 60 % do código entregue já é gerado por Inteligência Artificial. Sob o comando de Jon Hyman, cofundador e CTO, a equipe de engenharia — hoje com cerca de 300 profissionais — migrou de “sugestões de autocomplete” para agentes autônomos que criam features inteiras durante a madrugada. Entenda os bastidores dessa virada e descubra qual é o impacto direto na escolha de hardware para quem programa e treina modelos em casa.
O ponto de virada: de autocomplete a agentes autônomos
Até o início de 2025, a Braze usava GitHub Copilot, extensão nativa da JetBrains e algumas integrações pontuais com GPT-4 para acelerar revisões. O “clique” definitivo veio em fevereiro, quando a equipe testou o Claude Code 3.0. Em poucas horas os engenheiros perceberam que o modelo conseguia:
- Refatorar serviços legados em minutos;
- Escrever testes de ponta a ponta quase prontos para merge;
- Gerar pull requests completos — inclusive com mensagens de commit coerentes.
A prova de fogo aconteceu numa demanda real: criar do zero um servidor MCP. Dois engenheiros, orientados por prompts, entregaram tudo seis semanas antes do cronograma. A produtividade foi tão evidente que as metas internas passaram a exigir IA em todas as etapas do SDLC.
Ferramentas que destravaram a velocidade
O arsenal que Hyman liberou para todos os colaboradores inclui:
- Cursor IDE – editor baseado em VS Code com chat contextual;
- GitHub Copilot Enterprise – para sugestões em tempo real e revisão de segurança;
- Claude via AWS Bedrock – usado como “engenheiro sênior” para tarefas maiores;
- Graphite – empilhamento de PRs e automação de merges.
A mistura de modelos (OpenAI, Anthropic, Google Gemini) gerou o melhor custo-benefício em cada fase do desenvolvimento.
Produtividade vs. custo: a conta da inferência
Só que velocidade tem preço. Na primeira semana de março, um único dev consumiu US$ 150 em chamadas aos modelos – projeção de US$ 4 500 no mês. Para uma organização do porte da Braze, a fatura pode disparar milhões ao ano caso não haja controle de tokens e seleção cuidadosa de modelos.
Esse debate traz um aprendizado direto para quem monta o próprio setup: rodar modelos localmente volta a fazer sentido quando o custo de nuvem aperta.
Qual hardware comprar para programar (e brincar de IA) em casa
Se você é desenvolvedor, 32 GB de RAM já se tornaram o novo “mínimo confortável” para manter IDE, contêineres Docker e modelos LLM locais sem engasgos. No quesito GPU, vale ficar de olho em:
Imagem: Internet
- NVIDIA RTX 4070 Super – 16 GB de VRAM GDDR6X, excelente para inferência de modelos como Llama 3 de até 13 B parâmetros;
- NVIDIA RTX 4090 – 24 GB de VRAM e barramento largo, ideal para quem quer treinar LoRA ou Stable Diffusion XL sem depender da nuvem;
- AMD Radeon RX 7900 XT – alternativa competitiva em preço/GB de VRAM, desde que o framework usado tenha otimização para ROCm.
Combine a placa com um SSD NVMe Gen4 de pelo menos 1 TB para carregar checkpoints rápido e um teclado mecânico de switches lineares (como o Redragon Kumara K552) para digitar comandos extensos com conforto.
O que vem depois: agentes que codam enquanto você dorme
O CTO da Braze aposta que, já em 2026, cada squad terá agentes rodando 24/7 que:
- Leem erros de produção, geram hotfixes e abrem PRs com testes;
- Refatoram trechos críticos de código legados de forma contínua;
- Prototipam novas telas em frameworks como React Server Components sem intervenção humana.
Para dar conta dessa maratona, manter a infraestrutura — local ou em nuvem — bem dimensionada será tão estratégico quanto escolher a próxima feature.
No fim das contas, a lição da Braze é clara: IA não reduz a necessidade de bons engenheiros nem de hardware poderoso; ela amplia o que podemos construir. Se você quer surfar essa onda, atualizar o setup deixou de ser luxo — virou vantagem competitiva.
Com informações de Stack Overflow Blog
