A era do desenvolvimento agêntico trouxe novas perguntas sobre o que é melhor para criar, manter e evoluir o software de hoje e de amanhã.

Mas antes de debater qual é a melhor opção – seja GeneXus, Globant Coda, Claude Code, Codex ou qualquer outra ferramenta disponível no mercado – vale a pena entender qual problema cada uma resolve, quais são seus alcances e onde aparecem seus limites. Essa perspectiva nos permite ter uma conversa mais honesta, menos guiada pelo hype e mais conectada às necessidades reais do desenvolvimento empresarial.

Código Primeiro ou Conhecimento Primeiro

Se você está criando uma aplicação pequena, um protótipo, uma automação, um script, uma prova de conceito ou um produto onde você mesmo controlará o repositório, provavelmente o Claude Code lhe dará uma experiência mais imediata do que o GeneXus.

Isso ocorre porque o GeneXus não compete apenas no campo de “quem gera um protótipo bonito rapidamente” ou “quem pode criar mais linhas de código mais velozmente.”

A força do GeneXus aparece quando o problema deixa de ser “gerar código rápido” e passa a ser construir, manter e evoluir sistemas empresariais completos: com modelo de dados, regras de negócio, APIs, interfaces, segurança, integrações, rastreabilidade, geração determinística, governança e ciclo de vida longo.

O Claude Code trabalha muito bem sobre código. Você pode usar specs, documentos ou alguma abordagem de desenvolvimento baseado em specs para tentar preservar parte do conhecimento do que está construindo, tudo utilizando IA Generativa.

O GeneXus trabalha sobre uma base de conhecimento primeiro e gera depois. Parte do conhecimento estruturado do sistema (que chamamos de Knowledge Base), que contém dados, regras, relações etc., e a partir daí gera código – mas o faz com um tipo diferente de gerador, uma forma de IA determinística (simbólica) para modelar, inferir e gerar software de maneira consistente.

É uma estratégia análoga no objetivo – acelerar a criação de software – mas muito diferente em sua natureza.

O novo gargalo: Verificar o que foi gerado

A geração de código mediante IA generativa à primeira vista não parece ter limitações, porque qualquer coisa que solicitemos, ela tentará fazer. Não importa o idioma, a linguagem de programação ou o pedido que façamos. Mas os agentes de código também têm uma limitação que se torna evidente quando olhamos para onde o gargalo se deslocou.

Antes, o gargalo era criar código. Agora, cada vez mais, o gargalo passa a ser verificar o que foi gerado: revisar se o código faz o que deveria fazer, se respeita a arquitetura, se não quebra algo existente, se não introduz vulnerabilidades, se é sustentável, se se encaixa com o restante do sistema e se ainda será compreensível daqui a seis meses.

Em aplicações pequenas, esse overhead é totalmente tolerável. Pode até não importar muito. Se algo quebrar, o mesmo desenvolvedor que gerou o código provavelmente o entende, corrige e segue em frente.

Mas em aplicações grandes, com várias equipes, muitas regras de negócio, integrações, compliance, segurança, dados críticos e anos de evolução pela frente, esse custo de controle começa a pesar. A velocidade de geração deixa de ser o único indicador relevante. As perguntas passam a ser outras: Quanto esforço preciso para ir do protótipo funcional ao sistema em produção? Quanto tenho que auditar? Quanto tenho que revisar? Posso confiar no que foi gerado para um sistema empresarial?

Aí o GeneXus tem uma diferença de construção importante.

IA Generativa com governança empresarial

No GeneXus não ignoramos os benefícios da IA generativa. De fato, construímos o Glob.AI OS para poder aproveitá-la melhor em ambientes empresariais e construímos o GeneXus Next sobre essa plataforma.

Hoje, o GeneXus (por meio do GeneXus for Agents e outros assistentes como o Nexa) pode usar IA para assistir, acelerar, interpretar intenção e ajudar a construir o modelo – mas a geração de código não depende de um LLM que gera coisas diferentes em cada interação. A geração parte de uma KB formal e de geradores determinísticos. Isso significa que o código gerado não é uma ocorrência probabilística diferente em cada interação, mas o resultado consistente de um modelo, de padrões comprovados e de uma plataforma projetada justamente para produzir sistemas executáveis a partir de conhecimento estruturado.

Obviamente, ainda é necessário testar. É preciso validar regras de negócio, experiência do usuário, integrações e comportamento funcional – mas muda a natureza e a escala do problema: você não está auditando uma massa de código gerada livremente por um agente, mas verificando um sistema produzido a partir de uma fonte de verdade governada.

O fator econômico dos agentes de código

A IA generativa é de alta qualidade é extremamente cara. Para desenvolvedores individuais ou projetos pequenos, e por enquanto, esse custo é subsidiado pelas plataformas.

Existem planos que oferecem grande quantidade de tokens a um custo razoável. Mas em ambientes enterprise a situação muda: os planos, os preços, os controles e as restrições não são os mesmos. E quando falamos de Enterprise, não falamos apenas da equipe de desenvolvimento. Falamos de empresas onde dezenas ou centenas de pessoas começam a usar IA para projetar, analisar, documentar, automatizar, revisar, gerar e operar processos. Em uma organização de 150 pessoas ou mais, o custo de IA deixa de ser anedótico.

Nesse contexto, uma estratégia baseada unicamente em geração generativa pode se tornar cara, difícil de governar e difícil de escalar.

Por que a combinação importa mais do que a substituição

Hoje a pergunta que nos fazemos internamente é: O que acontece quando combinamos a produtividade dos agentes modernos com uma base de conhecimento GeneXus governada e declarativa, IA generativa e geração determinística?

Acreditamos que aí está a oportunidade e diferença para o GeneXus no ambiente empresarial.

O GeneXus já demonstrou durante décadas que o caminho para a criação de sistemas empresariais passa por elevar o nível de abstração: não escrever tudo à mão, mas modelar conhecimento e gerar sistemas a partir desse conhecimento. O mercado chegou agora a uma conclusão parecida, embora por outro caminho: o código será gerado cada vez mais.

Chegou por outro caminho, mas chegou: o código será gerado cada vez mais; a diferença estará em a partir de onde é gerado, como é governado e quanto custa verificá-lo.

Agora, com o Glob.AI OS para governança, o GeneXus for Agents para a interação agêntica com bases de conhecimento do GeneXus e com o GeneXus Next (e inclusive o GeneXus 18), estamos trabalhando para demonstrar que o caminho da combinação das inteligências artificiais nos dá os melhores resultados.

Em uma palestra, Gaston Milano (CTO Glob.AI OS) falava justamente sobre isso – a diferença não está mais apenas no modelo, mas em todo o harness de engenharia que rodeia o modelo: as ferramentas, a memória, o sistema de arquivos, os bancos de dados, os loops de execução, os mecanismos de controle e as capacidades fornecidas ao agente.

E aí aparece uma palavra-chave para entender para onde a indústria está indo: neuro-simbólico
. Ou seja, IA generativa criando texto ou código, combinada com engenharia, regras, ferramentas, memória, mecanismos de controle e estruturas de conhecimento que delimitam, guiam e validam o que o modelo pode fazer.

No GeneXus, essa ideia tem uma tradução muito concreta. Não partimos de código solto, mas de conhecimento formalizado em uma base de conhecimento. E não geramos apenas mediante uma saída probabilística de um LLM, mas combinando IA generativa com uma camada simbólica/determinística baseada em regras, inferência e geradores comprovados. Em termos atuais, poderíamos dizer que o GeneXus está evoluindo em direção a uma arquitetura neuro-simbólica aplicada ao desenvolvimento de software: agentes generativos para capturar intenção e operar, e uma base de conhecimento determinística para governar, validar e gerar sistemas empresariais sustentáveis, auditáveis e evolutivos.

Este é o nosso foco agora: mostrar o que pode ser construído quando os agentes não trabalham apenas sobre arquivos de código, mas sobre uma base de conhecimento empresarial, e quando a geração não depende unicamente de IA probabilística, mas de modelos governados e geração determinística.

Para trabalhar nesse mundo híbrido, usando o poder dos agentes de código e do GeneXus ao mesmo tempo, é que criamos o GeneXus for Agents.