🤖Fintech Ramp já gera mais de 75% do seu código com agente de IA
A Ramp, fintech americana de gestão de despesas corporativas, revelou que mais de 75% do código produzido na empresa agora vem de um agente de IA interno chamado Inspect. Não é um experimento: é o dia a dia. Rahul, líder técnico do projeto, detalhou o que foi preciso para chegar nesse ponto. A lista inclui preparação minuciosa dos repositórios (a 'base de código' da empresa), remoção de ferramentas desnecessárias, testes automáticos paralelos e obsessão com velocidade, perseguindo cada milissegundo de atraso. --- Um detalhe interessante é a regra de ouro que eles seguem: as instruções para a IA devem ser descritivas ('corrija isso', 'implemente essa funcionalidade'), nunca prescritivas ('use tal ferramenta específica'). Outro ponto revelador: por enquanto, os 75% se referem principalmente a alterações menores e menos complexas. Para funcionalidades grandes, alguns engenheiros já usam o agente, mas a equipe reconhece que ainda há uma lacuna a fechar. Mesmo assim, o caso da Ramp é um dos exemplos mais concretos de adoção massiva de IA na produção de software.
A Ramp, fintech americana de gestão de despesas corporativas, revelou que mais de 75% do código produzido na empresa agora vem de um agente de IA interno chamado Inspect. Não é um experimento: é o dia a dia. Rahul, líder técnico do projeto, detalhou o que foi preciso para chegar nesse ponto. A lista inclui preparação minuciosa dos repositórios (a 'base de código' da empresa), remoção de ferramentas desnecessárias, testes automáticos paralelos e obsessão com velocidade, perseguindo cada milissegundo de atraso.
— @rahulgs View on X
A fintech americana Ramp revelou que mais de 75% do código produzido pela empresa agora é gerado por um agente de IA interno chamado Inspect. O número não representa um experimento isolado: é a operação diária da equipe de engenharia.
O Inspect em operação
O agente Inspect não substitui engenheiros humanos, mas atua como um copiloto ativo no fluxo de desenvolvimento. Segundo Rahulgs, líder técnico do projeto, a ferramenta foi integrada ao cotidiano após uma preparação rigorosa da base de código. A equipe investiu tempo considerável em limpar repositórios, remover ferramentas obsoletas e estabelecer testes automatizados que rodam em paralelo — uma infraestrutura que permite à IA operar com segurança.
A obsessão com velocidade também é um fator determinante. Cada milissegundo de latência no pipeline foi eliminado, porque a eficiência do agente depende diretamente da rapidez com que ele recebe feedback dos testes.
A regra que faz a diferença
Um detalhe operacional se destaca: a Ramp adota instruções descritivas para o agente. Em vez de dizer "use esta biblioteca específica", os engenheiros descrevem o resultado desejado — "implemente essa funcionalidade" ou "corriga este comportamento". Essa abordagem permite que o Inspect escolha as ferramentas mais adequadas, adaptando-se ao contexto do código existente.
Os 75% atuais se referem principalmente a alterações de menor complexidade — bugs, refatorações pequenas, ajustes pontuais. Para funcionalidades maiores, alguns engenheiros já utilizam o agente, mas a equipe reconhece que ainda existe uma lacuna a ser fechada em tarefas de maior escopo.
O que isso significa para devs brasileiros
O caso da Ramp representa uma das implementações mais concretas de IA generativa em produção de software no mercado norte-americano. Para desenvolvedores e builders no Brasil, o exemplo traz implicações diretas:
- A preparação da base de código é tão importante quanto a escolha do modelo de IA. Repositórios limpos e bem estruturados permitem que agentes gerem código de maior qualidade.
- Testes automatizados não são opcionais: são o alicerce que permite usar IA com confiança em ambiente de produção.
- A mudança de mentalidade — passar de instruções prescritivas para descritivas — é um ajuste cultural que vai além da tecnologia.
Empresas brasileiras que avaliam adoção de IA para geração de código podem olhar para a Ramp como referência operacional, não apenas como caso teórico. O caminho envolve investimento em infraestrutura de testes, disciplina na organização dos repositórios e uma abordagem incremental: começar por tarefas menores e expandir conforme a confiança no sistema cresce.