Loops de IA: a nova fronteira da automação de código
No último Scale Conference da Meta, Boris Cherny, responsável pelo Claude Code, recebeu a primeira pergunta do público sobre loops de IA. A curiosidade era simples: seriam apenas mais um hype ou realmente representam um avanço sólido? A resposta de Cherny foi direta: sim, são reais e decisivos.
Do código escrito à mão aos agentes que se auto‑refinam
Há dois anos ainda programávamos linha por linha. Depois, agentes começaram a gerar trechos de código a partir de prompts. Hoje, segundo Cherny, estamos na fase em que agentes criam prompts para outros agentes, que por sua vez escrevem o código. Essa cadeia de auto‑referência, chamada de “loop”, tem o mesmo peso de transição que a própria introdução de agentes.
Como funciona um loop na prática
Em sua demonstração, Cherny descreveu dois agentes em ação constante: um busca otimizar a arquitetura do software, enquanto o outro identifica abstrações duplicadas para unificá‑las. Ambos enviam pull requests como desenvolvedores humanos, e como o código está sempre evoluindo, o processo nunca termina.
Essa abordagem eleva a confiança depositada na IA. Em vez de apenas gerenciar um agente com metas claras, criamos um enxame que opera em segundo plano, ajustando e melhorando o código continuamente. É como ter uma equipe de revisão automática que nunca dorme.
Loops não são novidade, mas são reinventados
Recursão – funções que se chamam repetidamente até atender a uma condição de parada – já é básica em cursos de ciência da computação. Os loops de IA trazem essa lógica ao mundo dos agentes, porém com decisões de parada menos determinísticas, delegadas a sub‑agentes.
Um exemplo popular é o “Ralph Loop”, que resume o que o modelo já fez e pergunta se o objetivo foi alcançado, evitando que o agente se perca em execuções infinitas. Outra estratégia, citada por Noam Brown da OpenAI, é simplesmente aplicar mais poder computacional até que o problema se resolva, ideal para tarefas como refatoração de código onde melhorias incrementais são acumuladas.
Custos e benefícios
É inegável que esses loops consomem tokens rapidamente, muito mais que chats de perguntas‑respostas. Para empresas que vendem acesso a tokens, como a Anthropic, isso pode ser lucrativo; para outras, o gasto pode ser proibitivo.
No entanto, quando o problema justifica – como otimizar bases de código extensas ou garantir qualidade contínua – o retorno pode superar o investimento, desde que haja monitoramento de consumo, deriva e outros riscos clássicos da IA.
“Loops são tão importantes quanto a transição de código fonte para agentes”, afirma Cherny.
Em suma, os loops de IA prometem transformar a maneira como desenvolvemos software, oferecendo uma camada de automação contínua que, embora cara, pode ser decisiva para quem busca velocidade e qualidade.
Fonte: https://techcrunch.com/2026/06/22/the-ai-world-is-getting-loopy/