Em 29 de julho, um mês após deixar a NVIDIA, Yangqing Jia — criador do Caffe, contribuidor central do PyTorch, ex-vice-presidente do Alibaba Cloud e fundador da Lepton AI — anunciou sua nova empresa: Intent Lab.
A notícia, por si só, já carrega peso: este é o pesquisador de IA que vendeu a Lepton AI para a NVIDIA por 700 milhões de dólares no ano passado. Mas o interessante não é “ele fundou outra empresa”. É o que a empresa constrói.
O produto principal da Intent Lab se chama Fleet — não mais um assistente de programação, mas uma “equipe de engenharia de IA”. Na visão de Jia, ele transforma a intenção do usuário diretamente em sistemas de software prontos para produção.
Três resultados iniciais são públicos, e cada um merece atenção individual:
-
Um ganho de velocidade de inferência de 534% para o GLM-5.2: elevando o modelo principal da Zhipu de 102 tokens/s para 647 tokens/s — alegadamente a velocidade de inferência mais rápida já registrada para esse modelo.
-
Um banco de dados compatível com SQLite a partir de uma única instrução: a partir do prompt único “construa um motor de banco de dados SQL compatível com SQLite”, o Fleet construiu o banco do zero e passou todos os 6 milhões de testes de aceitação. Rodando inteiramente em modelos open-source, custou cerca de 350 dólares.
-
AgentFS, um sistema de arquivos distribuído para agentes de IA: projetado para cargas de trabalho de agentes, com consultas de estado de diretório 626× mais rápidas que o AWS EFS.
Mas os resultados importam menos do que como o Fleet funciona — porque é aí que a mudança de paradigma subjacente na programação com IA aparece.
O que o Fleet realmente fez
Comecemos pela otimização do GLM-5.2. O Fleet atacou o problema por quatro frentes:
-
Nível de kernel: fusão de kernels mais código PTX/SASS gerado por agentes reduziram os lançamentos de kernels, adicionando 24% de desempenho de inferência.
-
Nível de runtime: batching H2D alcançou decodificação em regime estacionário com zero cópia, valendo 16%.
-
Nível de comunicação: fundir comunicação coletiva, somas residuais e RMSNorm adicionou 18%.
-
Decodificação especulativa: introduzir o DSpark para propor e verificar múltiplos tokens candidatos de uma vez entregou aproximadamente mais 4× na velocidade de inferência.
Note a quem vai o crédito: nada disso foi um único engenheiro fazendo ajustes manuais. O Fleet analisou os gargalos por conta própria, propôs as correções, validou-as, descartou o que falhou na verificação, manteve o que passou e iterou — com zero intervenção humana no processo.
O segundo resultado é ainda mais impressionante. Partindo de uma única instrução, o Fleet distribuiu o trabalho entre papéis distintos — tomada de decisão, design de arquitetura, codificação, testes, revisão, garantia de qualidade. A execução completa produziu 87,2 milhões de tokens de saída, dos quais a codificação representou apenas 38,6%; os 61,4% restantes foram para processos de design, decisão e verificação. A engenharia de software real nunca foi apenas “escrever código”.
O terceiro resultado mostra a mesma profundidade de engenharia. Ao construir o AgentFS, o Fleet também executou model checking formal (cerca de 1,9 milhão de estados alcançáveis) e aproximadamente 300 testes de integração. Durante a verificação, descobriu e corrigiu sozinho um bug de concorrência — que poderia ter corrompido dados.
O Enquadramento: de IA que escreve código a IA que constrói sistemas
Colocando o lançamento num contexto mais amplo, a mudança de paradigma fica em foco. A programação com IA já passou por três estágios:
Estágio um: autocompletar código (2023–2024). Copilot, CodeWhisperer — um autocomplete mais inteligente.
Estágio dois: programação com agentes (2024–2025). Claude Code, Cursor, Devin — IA que entende o contexto e escreve código de forma autônoma.
Estágio três: construção de sistemas (2026–). O que o Fleet representa: a IA deixa de ser um programador que escreve código e se torna uma equipe de engenharia que entende requisitos, desenha arquitetura, coordena tarefas, escreve código, testa, verifica, implanta e opera.
O fluxo de trabalho do Fleet passa por seis estágios: entender → projetar → coordenar → construir → verificar → evoluir.
Isso significa que o usuário não fornece nem um PRD nem sequer uma especificação limpa. O Fleet trabalha com o usuário para esclarecer objetivos e convertê-los em restrições concretas e critérios de aceitação. Quando novas informações surgem no meio da construção, ele atualiza arquitetura e código em conjunto. Após o lançamento, continua observando o comportamento do sistema e realimenta dados de operação no design.
Um circuito fechado: intenção entra → sistema sai → feedback operacional → melhoria contínua — dinâmico, iterativo, autocorretivo, em contraste fundamental com o pipeline linear de requisitos → design → código → teste → implantação.
O que isso significa para a indústria
1. A engenharia de software está perdendo exigência de habilidade na base
Quando a IA pode construir bancos de dados, otimizar motores de inferência e criar sistemas de arquivos distribuídos a partir de uma intenção vaga — e cuidar de testes e correções de bugs por conta própria —, o valor de mercado de “sabe programar” como habilidade profissional cai rapidamente. O papel tradicional do engenheiro sênior está devendo uma redefinição.
2. O excedente de produto está se expandindo
A própria trajetória de Jia é um sinal: da Lepton AI (orquestração de nuvem de GPUs) à Intent Lab (equipes de engenharia de IA autônomas) é uma aposta completamente diferente — menos “empilhar GPUs”, mais “deixar a IA usar computação para construir sistemas produtivos”. Isso ecoa um conceito articulado por Boris Cherny, criador do Claude Code: o excedente de produto — capacidades que os modelos já têm e que os produtos ainda não liberaram. Jia enxerga essa lacuna e aposta que ela vai se alargar.
3. O colapso de custos tem consequências estruturais
O Fleet reconstruiu um banco de dados por 350 dólares em modelos open-source — cerca de 2.000 dólares no Opus 4.8. Qualquer um dos valores está ordens de grandeza abaixo de um esforço tradicional de vários homens-mês. Quando construir software se aproxima do custo marginal de descrever uma intenção, a curva de oferta da indústria se desloca para a direita, e projetos que nunca fechavam a conta — ERPs customizados, CRMs verticais, ferramentas de nicho — de repente se tornam viáveis.
O que os desenvolvedores devem levar disso
1. Design de engenharia de alto nível vence escrever código. Se o caminho do Fleet está certo, “sabe programar” continua perdendo valor enquanto “sabe projetar sistemas” continua ganhando — trade-offs de arquitetura, restrições de sistema, consistência distribuída, gargalos de desempenho. A IA não substitui isso facilmente.
2. Pedir é, em si, uma técnica. O Fleet parte da intenção do usuário, mas trabalha ativamente para refinar os objetivos junto com ele. Transformar uma ideia vaga em restrições claras está se tornando uma meta-habilidade: boas descrições de requisitos equivalem a bons sistemas de software.
3. Capacidade de verificação é o fosso competitivo. A parte mais subestimada do Fleet é seu sistema de verificação. Em um teste de checkout de código base do Kubernetes, o S3FS falhou na checagem; o AgentFS passou. Ele não apenas “gerou código” — gerou um sistema verificado, pronto para produção. Quem construir o loop de verificação mais rápido por trás do código gerado por IA pode levar a IA para produção com mais segurança. A velocidade de verificação está deslocando a velocidade de programação como dimensão competitiva.
Duas ressalvas honestas: esses são resultados iniciais, e se o Fleet consegue lidar com estabilidade, a um custo aceitável no longo prazo, com projetos reais mais bagunçados ainda precisa ser comprovado na prática.
Mas a escolha em si é o sinal mais forte. Quando um dos construtores com mentalidade mais engenheira da indústria aposta sua próxima empresa em “IA construindo sistemas autonomamente”, é hora de parar de descrever o que está acontecendo como “IA escrevendo código”.
Isto não é IA escrevendo código. Isto é IA construindo sistemas — um marco divisor na história da programação.
