Estou usando LLMs pesadamente em engenharia de software para ganhos de codificação e produtividade. Embora eficazes em projetos verdes, a qualidade cai drasticamente em bases de código legado com dependências pesadas, forte acoplamento e dívida técnica. O modelo inventa ortografias inconsistentes de conceitos, escreve adaptadores onde não são necessários, ou chama onde adaptadores são necessários. Isso decorre de confusão e linguagem compartilhada ausente no código-fonte.

Projetos brownfield têm duas camadas: profundidade técnica e confusão abaixo. O modelo adivinha errado porque o sistema não responde a perguntas-chave. A prontidão pode ser construída incremental. No início da engenharia de software, a única preocupação era dívida técnica. Equipes entregam rápido, pagando trade-offs. A resposta usual é gastar 10-20% do orçamento em limpezas, mas decidir o que mudar continua caro enquanto implementação ficou barata com LLMs.

Divido a autoria em trabalho estratégico e trabalho tático. O trabalho estratégico envolve ler o sistema, decidir o que precisa mudar e garantir alinhamento. O trabalho tático leva decisões para arquivos. O trabalho estratégico requer profundo entendimento do sistema; o trabalho tático agora é rentável. Crio problemas no GitHub analisando codebases genericamente, depois abordo-os com sistemas de IA usando habilidades e sub-agentes. Habilidades são procedimentos em Markdown garantindo execução consistente.

Entidades-chave: Pessoas: John Ousterhout