GeneXus for Agents: da intenção ao software, com o conhecimento no centro
Em 2023, enquanto participávamos do processo de um Quadrante Mágico do Gartner, montamos uma história para explicar como víamos a evolução do desenvolvimento de software. Pouco depois, Gastón Milano (CTO da Glob.AI e da GeneXus) a retomou no Encontro GeneXus GX30:
A ideia era simples: desde que começamos a fazer coisas com computadores, sempre existiu uma distância entre a intenção de uma pessoa e o sistema capaz de materializá-la. Durante muito tempo essa distância foi enorme, porque criar software exigia traduzir uma necessidade, projetar, programar, compilar, testar, corrigir e implantar. Somente depois alguém podia usar aquilo que havia sido imaginado e criado.
A história da indústria pode ser lida como uma sucessão de tentativas de reduzir essa distância. CASE (Computer Aided Software Engineering), RAD (Rapid Application Development), model-driven development, knowledge-driven development e plataformas “Low-Code” buscaram descrever mais do problema e escrever menos da implementação.
A GeneXus nasceu dentro dessa busca e durante décadas se concentrou em formas de capturar conhecimento sobre o sistema e gerar soluções a partir disso. O No Code ampliou quem podia criar soluções e depois, com os LLMs, surgiu uma nova simplificação e aproximação: a linguagem natural podia nos aproximar da intenção original.
Em 2023 já falávamos de uma convergência entre criar e usar software e, hoje, uma tarefa pode começar em uma conversa, continuar em um terminal, modificar um repositório, executar testes e terminar integrada a um produto. E enquanto essa distância diminui, torna-se cada vez mais central uma pergunta que a GeneXus se fez desde o início: onde fica o conhecimento sobre o sistema?
Quando criar e usar começam a se aproximar
Nesta nova era agêntica, e de linguagem natural, uma IDE não ocupa mais necessariamente o centro do desenvolvimento, nem constitui seu único meio nem sua porta de entrada obrigatória. O desenvolvimento ocorre agora em um sistema mais distribuído, com chats, CLIs, repositórios, documentação, processos automatizados e agentes.
É verdade, durante décadas organizamos o desenvolvimento em torno da separação entre design time e runtime: havia um lugar para criar e outro para usar. Mas hoje, com os agentes de codificação ou as interfaces de chats com LLMs, essa fronteira tornou-se tremendamente difusa. Podemos interagir com um produto ao mesmo tempo em que ele gera uma consulta ou uma modificação de software para resolver uma nova intenção. Na prática, estamos usando e criando ao mesmo tempo.
Essa mudança torna mais importante preservar o que sabemos. As interfaces, os agentes, os modelos de IA e as tecnologias de implementação vão mudar, mas o conhecimento que explica por que um sistema existe e como deve se comportar precisa sobreviver a essas mudanças.
A indústria está buscando uma nova fonte da verdade
Boa parte da evolução do desenvolvimento agêntico e das conversas que os desenvolvedores de hoje estão tendo responde a essa necessidade. Coding agents, arquivos de contexto persistente, wikis, spec-driven development, knowledge graphs, skills, MCP, memória e sistemas de regras são todos temas que convergem porque compartilham um problema: um agente precisa de contexto conhecido para agir bem.
Um sistema empresarial concentra regras de negócio, estruturas de dados, integrações, decisões de arquitetura e exceções. Parte desse conhecimento vive no código; outra parte está distribuída entre documentação, tickets, conversas e pessoas – ou até mesmo uma parte com certeza já se perdeu. Por isso surgem tantas ferramentas que tentam construir novas camadas de contexto ao redor do código. Algumas geram documentação automaticamente a partir do repositório. Outras mantêm arquivos onde são registradas decisões de produto e arquitetura. Outras exigem escrever especificações antes de implementar. Outras constroem grafos para representar as relações entre diferentes partes do sistema.
O sinal é claro: os agentes precisam de mais do que código. Aí a GeneXus oferece uma diferença histórica importante: enquanto boa parte da indústria tenta reconstruir conhecimento a partir do software existente, ou busca formas de preservá-lo ao codificar com IA, a GeneXus sempre buscou fazer o caminho inverso – gerar software a partir de conhecimento ou de uma base de conhecimento.
GeneXus e a separação do What e do How
A proposta da GeneXus sempre foi descrever a realidade do negócio, capturar esse conhecimento em uma Knowledge Base e derivar as implementações necessárias. O código aparece como consequência de objetos, atributos, relações, regras, estruturas e dependências que representam o que sabemos do sistema.
Isso permitia separar duas coisas que no desenvolvimento tradicional estavam fortemente acopladas: o What e o How. O What expressa o que o negócio precisa; o How determina como implementá-lo em uma tecnologia determinada. Se muda um banco de dados, uma linguagem, uma arquitetura, uma plataforma ou um dispositivo, o conhecimento deveria continuar sendo válido. O que muda é uma de suas possíveis implementações.
Esse princípio hoje alcança modelos de IA, agentes e superfícies de desenvolvimento. Hoje pode ser Claude, Codex, Glob.AI Desktop, Globant Coda, uma CLI, um agente corporativo ou uma experiência web. O conhecimento de um sistema deveria sobreviver a todos eles, porque a tecnologia vai mudar muito mais rápido do que o conhecimento do negócio.
A indústria usa IA generativa e busca preservar conhecimento e obter resultados repetíveis. A GeneXus chega a esse ponto a partir de uma tradição baseada em conhecimento e geração. A tecnologia de interação mudou. Se as IDEs deixam de ser a superfície central de trabalho, precisamos de outra forma de conectar a ideia mais permanente da GeneXus – que tudo parte do conhecimento – com a forma atual de trabalhar, que cada vez mais passa por agentes. Nessa interseção entre o permanente e o novo é onde entra o GeneXus for Agents.
GeneXus for Agents e o poder do conhecimento
O GeneXus for Agents abre a Knowledge Base para uma nova classe de operadores: os agentes. Um agente pode receber uma intenção em linguagem natural, aprender conceitos e práticas da GeneXus por meio de skills, inspecionar uma representação textual da Knowledge Base, consultar seus objetos, propor modificações e executar operações via CLI e MCP.
O conhecimento continua sendo GeneXus, enquanto a superfície de trabalho se amplia. A Knowledge Base pode participar em um ambiente onde humanos, agentes, repositórios e processos automatizados consultam, modificam, versionam, revisam e validam mudanças.
Um LLM pode interpretar uma intenção, explorar alternativas, navegar linguagem natural e nos ajudar a entender algo que ainda não está formalizado. A GeneXus pode pegar aquilo que já conhecemos, convertê-lo em conhecimento operativo e derivar software de forma consistente, repetível e confiável.
A IA generativa pode ainda fazer algo ainda mais interessante do que simplesmente gerar código. Pode nos ajudar a navegar o ambíguo e converter progressivamente aquilo que aprendemos em conhecimento reutilizável: uma regra, uma relação, uma abstração, um padrão ou uma nova parte do modelo.
A IA generativa amplia assim a ideia de Knowledge-Based Development tradicional da GeneXus.
De modelar conhecimento a modelar intenção
O próximo passo que estamos dando leva a separação entre What e How um nível acima, porque mesmo antes do What existe uma intenção (o que quero fazer… e por quê, como diria Simon Sinek). Uma pessoa começa com um problema: quer que um cliente complete uma tarefa, mudar uma regra de negócio, reduzir um risco, modificar um processo ou responder uma pergunta.
A linguagem natural permite começar perto desse ponto. Seu valor cresce quando a conversa pode se converter em conhecimento estruturado. As trocas são efêmeras: meses depois pode ser difícil reconstruir por que o sistema terminou funcionando de certa maneira. O software empresarial precisa de uma memória capaz de conservar fatos, relações, regras, restrições e decisões em um modelo verificável.
A conversa passa então a ser a interface para modificar esse conhecimento. No GeneXus clássico descrevíamos um sistema por meio de uma IDE e gerávamos diferentes implementações. Daqui para frente, humanos e agentes podem conversar sobre o negócio enquanto a plataforma transforma essa conversa em um modelo formal de intenção e conhecimento: versionável, capaz de explicar mudanças, analisar dependências e impacto, e de sobreviver ao agente, ao modelo de IA e às tecnologias que ajudaram a construí-lo.
O próximo capítulo
A direção que imaginávamos em 2023 continua válida. Passamos de programar cada detalhe a modelar, de Low-Code a No-Code, e da linguagem natural aos agentes. Cada salto aproximou criação e uso cada vez mais.
Nesta etapa, o conhecimento adquire ainda mais importância. Quando produzir código se torna mais barato, importa saber o que deve existir, por quê, quais regras deve respeitar e o que pode mudar ou permanecer. O GeneXus for Agents estende essa ideia a uma nova geração de ferramentas e operadores. Abre a Knowledge Base para os agentes e converte a linguagem natural em uma nova porta de entrada ao conhecimento do sistema, sem que uma IDE precise ser o ponto de partida.
A história continua avançando. O futuro da GeneXus deveria se aproximar cada vez mais da intenção: capturar melhor o que as pessoas querem alcançar, convertê-lo em conhecimento formal e utilizar esse conhecimento para criar e adaptar software continuamente. E fazê-lo de forma confiável, porque na era dos geradores de código estocásticos, precisamos criar confiança, ou seja, encontrar formas de poder confiar no código gerado (essa mesma confiança que tínhamos com o código da GeneXus, que era gerado deterministicamente).
É aí onde estaremos trabalhando, tanto na GeneXus quanto no Glob.AI OS: em permitir aos nossos clientes construir sistemas de software de missão crítica, confiáveis e baseados em conhecimento, aproveitando a inteligência artificial para gerar código. Em outras palavras, na equipe da GeneXus continuamos inovando para que nossos clientes possam continuar fazendo o que vêm fazendo há quase 40 anos: construir sistemas a partir do conhecimento, evoluí-los facilmente e aproveitar, em cada momento, as tecnologias mais avançadas.
Para se aprofundar no que há de mais recente em nossa tecnologia, você pode explorar:
Você também pode estar interessado em ler:
O novo GeneXus: modelar a intenção, não apenas escrevê-la
GeneXus e a Arquitetura Neuro-Simbólica
O problema do desenvolvimento baseado em prompts
GeneXus for Agents: 15 perguntas essenciais respondidas