Escalando Código Agêntico para Mais de 150 PRs/Semana: Lições de US$ 85 Mil em Tokens na Lovable

Alexander Lebedev entrou na Lovable em janeiro de 2026, logo após o boom dos agentes de codificação com IA. Em junho, ele havia escalado de um desenvolvedor solo com alguns agentes fazendo 20–30 PRs mesclados por semana para um humano supervisionando 6–7 agentes (cada um com seu próprio enxame de subagentes) gerando 150+ PRs mesclados semanalmente. O custo: ~$25K/mês em maio, totalizando ~$85K em tokens desde janeiro. Veja como ele fez — e o que quebrou ao longo do caminho.

De 30 para 150+ PRs/Semana: A Arquitetura

Em janeiro, o processo era tradicional: modo planejamento, solicitações de permissão, revisão humana clássica de código. Em junho, Lebedev havia construído um agente dedicado que escreve tarefas para outros agentes, com múltiplos níveis de agentes de implementação e revisão. Mudanças grandes agora são entregues como um stack de 10 PRs em vez de um único PR. A revisão humana só toca em decisões importantes, raramente no código em si.

Para Onde os Tokens Vão: 75% Implementação, 25% Automação

A maior parte dos $85K gastos — cerca de 75% — vai diretamente para implementação (criação de código). Os 25% restantes (e crescendo) financiam automação: revisões de IA fora do ambiente de desenvolvimento, revisões de IA pós-mesclagem e tarefas automatizadas de rotina. Lebedev prevê que a participação da automação continuará aumentando à medida que mais trabalho sai do loop de PR de criação de código.

Revisão Humana: Exceção, Não Regra

Lebedev argumenta que a revisão linha por linha de código escrito por IA é tão impraticável quanto revisar a saída do compilador após a mudança de assembly para linguagens de alto nível. Em vez disso, a revisão humana é reservada para as mudanças mais impactantes — geralmente não em PRs, mas no nível RFC/ADR: discussões de design de sistema, sessões de quadro branco, escolhas de infraestrutura. Uma única decisão de design pode ter mais impacto do que 50 PRs de implementação.

A desvantagem: a revisão de código era uma ferramenta de aprendizado e um mecanismo de difusão de conhecimento. A engenharia agora precisa de novas maneiras de preservar esses efeitos de segunda ordem. Lebedev admite: "Ainda não vejo boas soluções, apenas espaço para novos experimentos."

Classificação de Risco de Mudança: A Rede de Segurança

Ignorar a revisão humana não funciona ingenuamente em escala — especialmente para novos integrantes que não sabem o que não sabem. Lebedev construiu um fluxo de trabalho de IA que classifica cada PR por nível de risco e impõe rigidamente a revisão humana em PRs de alto risco. O classificador usa:

• Um único arquivo de política markdown lido pelo agente, que inspeciona o diff do PR e metadados.
• Dimensões de classificação: tamanho, nível de risco, propriedade do código (a equipe do autor é dona da maior parte do código alterado?).
• Categorias de alto risco: infraestrutura, autenticação, diffs grandes, funcionalidades de produção.
• Exemplo de baixo risco: publicar um post de blog.

A saída da classificação alimenta uma ferramenta determinística que aplica a política via ações do GitHub e regras de branch para permitir ou negar a mesclagem.

Principal Conclusão

Escalar codificação com agentes requer não apenas mais agentes, mas mudanças estruturais: agentes geradores de tarefas, empilhamento de PRs, classificação automatizada de riscos e uma mudança consciente da atenção humana da revisão linha por linha para decisões de nível arquitetônico. A conta de $85K em tokens é um investimento para provar que o modelo funciona — mas os problemas difíceis (compartilhamento de conhecimento, integração) permanecem sem solução.