Em uma frase: a Anthropic agora faz o Claude rodar quatro verificações automáticas no próprio código antes de entregá-lo — e o foco competitivo da programação com IA está girando de “quem escreve mais rápido” para “quem verifica com mais precisão”.
O Que Aconteceu
Em 22 de julho, a equipe do Claude Code publicou seu loop de verificação interno: depois de escrever código, o Claude não entrega mais o resultado diretamente. Ele executa quatro Skills em sequência —
-
/code-review — revela possíveis bugs e produz comentários de revisão;
-
/simplify — elimina implementações redundantes e simplifica a estrutura;
-
/verify — roda a coisa de ponta a ponta para confirmar que a funcionalidade realmente funciona;
-
/design — se a UI mudou, confere a implementação visual item por item contra o DESIGN.md.
Se as quatro passarem, vai para produção. Dito de outra forma: a IA passou de “sabe escrever código” para “sabe conferir o próprio código”.
A Mudança Profunda: o Gargalo Se Moveu
Aqui está a parte que vale a pena digerir. Por décadas, praticamente todos os processos da engenharia de software — documentos de requisitos, ciclos de planejamento, revisões em camadas, reuniões intermináveis — existiam por uma única razão de fundo: escrever código era lento, e o tempo dos engenheiros era caro. Toda essa cerimônia era um andaime construído em torno de um recurso escasso.
Quando a IA torna a escrita de código rápida e barata, essa premissa evapora. O próprio diagnóstico da equipe do Claude Code:
O gargalo não desapareceu — ele se moveu. Da escrita de código para a verificação, a revisão de código e a segurança.
O código agora é gerado mais rápido do que qualquer um consegue absorver, e as novas perguntas são: esse código está realmente correto? Quem vai mantê-lo? Os revisores humanos conseguem acompanhar o que a máquina produz? Isto não é uma atualização de ferramenta. É uma migração estrutural do palco onde a corrida da programação com IA acontece.
Há um efeito de segunda ordem que torna a verificação autorreforçada, e não apenas importante. Execuções de agentes de longo prazo — o tipo em que um agente trabalha por horas sem supervisão — só são possíveis quando o agente pode confiar na própria saída intermediária. Cada verificação que a máquina faz em si mesma compra mais tempo de execução autônoma; cada verificação que ainda depende de um humano limita a execução à atenção desse humano. A verificação, portanto, não é apenas o novo gargalo de qualidade. É o recurso que determina até onde os agentes conseguem ir.
A Arquitetura: Quatro Níveis de Automação
A Anthropic classifica os gatilhos de verificação do mais frouxo ao mais rigoroso:
-
Standalone — invocado manualmente, sempre que você lembrar;
-
Embedded — integrado ao fluxo de uma tarefa, rodando junto;
-
Chained — vários Skills de verificação encadeados para executar automaticamente em sequência;
-
On every PR — toda submissão passa automaticamente pela verificação.
O nome oficial para a transição intermediária é “do hábito ao contrato”: “eu lembro de rodar /verify depois do /simplify” é um hábito pessoal; encadeado, ele se solidifica em uma invariante de nível de sistema. A cadeia percorre o loop de desenvolvimento por conta própria e volta apenas para decisões realmente humanas. Cadeias mais longas aumentam a confiabilidade — com a ressalva oficial de que a verificação encadeada consome tokens de verdade, então comprove estabilidade primeiro e escale gradualmente.
Uma Skill Não É um Prompt — É um Módulo de Capacidade
Um equívoco precisa ser corrigido: uma Skill não é um bloco de prompt em Markdown. É um módulo de capacidade que contém instruções, estruturas de arquivos, scripts, chamadas de ferramentas, configuração e um fluxo de trabalho inteiro — as verificações da sua equipe, os padrões de design e as cicatrizes conquistadas na prática, empacotados em algo pronto para uso.
Mais consequente ainda: as Skills estão se tornando um padrão aberto entre fornecedores, e não uma funcionalidade exclusiva do Claude Code. GitHub Copilot, Cursor, OpenAI Codex e Gemini CLI adotaram o mesmo formato. Os ativos de verificação que sua equipe construir não ficarão presos a nenhuma ferramenta única — uma propriedade rara e consequente neste mercado.
A Consequência: Mesmo Modelo, Gaps de Eficiência Várias Vezes Maiores
O que produz uma realidade desconfortável: o mesmo Claude, em equipes diferentes, entrega eficiências que diferem em múltiplos. A diferença não está no modelo. Está no fluxo de trabalho, e se reduz a três perguntas: Você escreveu suas verificações como Skills? Você construiu um loop de verificação? Você deixou o agente fechar o próprio circuito de feedback?
A capacidade de um agente é um problema de adição: modelo + ferramentas + mecanismo de verificação + fluxo de trabalho. O termo do modelo converge para o mesmo valor em todos os fornecedores. Os outros três termos estão inteiramente nas mãos dos usuários — e é aí que a distância se abre.
Ação: Escreva Sua Primeira Skill de Verificação
-
Anote, em linguagem simples, o passo que você executa manualmente toda vez — como se estivesse treinando um novato no primeiro dia.
-
Se não conseguir articular, peça ao Claude para redigir primeiro uma versão genérica de boas práticas, e depois edite. Os pontos em que a sua versão diverge da genérica são justamente os que valem a pena registrar.
-
Verificações não precisam ser julgamentos vagos. “Qualquer mudança que remova um campo do banco de dados sem uma migração de dados correspondente é rejeitada” é uma regra da casa que nenhum linter genérico jamais vai detectar.
-
Qualquer linha vermelha que você só consegue garantir olhando manualmente é candidata a virar um loop.
E depois? Entregue suas anotações ao skill-creator e deixe que ele faça uma entrevista para lapidá-las, ou simplesmente coloque um arquivo Markdown em .claude/skills/ — a Skill de verificação mais simples é umas poucas linhas de instrução mais um corpo.
Avaliação Editorial
Para deixar claro o que isto não é: isto não é “a IA agora escreve software sozinha”. Ela ainda precisa de engenheiros, e a entrega em nível de produção ainda passa pelas pessoas. Mas a direção é inconfundível. Passamos décadas ensinando a IA a escrever código; agora estamos começando a ensiná-la a conferir se o que escreveu está certo.
O dia em que “só mais uma revisão manual antes de encerrar o expediente” puder ser entregue com confiança real é o dia em que a IA começa a carregar peso de verdade por você.
