Optiver, a empresa de trading proprietário sediada em Amsterdã com grande presença de engenharia nos EUA, reestruturou seu ciclo de vida de desenvolvimento de software em torno de agentes de IA. Seu primeiro teste de estresse em produção no código de conectividade com exchanges entregou 75% de redução no tempo de entrada no mercado, 85% de redução no esforço de engenharia e 90% do output chegando pronto para revisão. Goldman Sachs Research projeta que o consumo global de tokens se multiplicará 24x até 2030, atingindo 120 quadrilhões de tokens por mês, conforme agentes de nível empresarial deslocam cargas de trabalho de chatbot.
Optiver testou agentes em gerenciamento de sessão—o componente que cada novo venue de trading exige: login, heartbeats e comunicação de protocolo. O trabalho é repetitivo mas inflexível. Um único bug na Knight Capital desencadeou uma perda de $440M. Um agente de codificação genérico chegou até a metade: não conseguiu entender o componente, não conseguiu conduzir tooling de testes, não conseguiu inspecionar internals críticos do sistema e preencheu lacunas com workarounds.
Optiver destilou quatro restrições da depuração daquelas falhas. Golden paths devem ser engineered, não esperados. Context deve cobrir sistema, domínio e abordagem—context de domínio foi o mais difícil porque documentação de venue lista mensagens mas não seus efeitos. Optiver resolveu isso equipando agentes para sondar sistemas ao vivo e capturar tráfego real. Terceiro, backpressure importa; erros de agentes se compõem sem controle sem ela. Quarto, tooling deve ser amigável a agentes por design. Optiver agora trata "Claude pode usar isso sem ajuda" como um requisito hard.
Pat Cooney, Head of Global Platform Engineering, disse a repórteres em maio de 2026: "IA agêntica é cada vez mais apenas o jeito que as pessoas constroem sistemas." Optiver está redesenhando seu SDLC desde os primeiros princípios com agentes como contribuidores primários, não acelerando um processo existente dirigido por humanos. Seu framework de orquestração executa agentes através de fases definidas com gates de verificação entre cada uma. Agentes têm latitude em decisões criativas—interpretação de protocolo, escolhas de implementação, tratamento de edge cases—e zero latitude em gates determinísticos: compilou, testes passaram, o cenário foi bem-sucedido contra tráfego em produção.
Cooney: "Nossos usuários são humanos, mas também são agentes. Isso significa que as interfaces que expomos, a documentação, o context que damos aos agentes se torna cada vez mais importante." Bots fazendo mudanças de ambiente via linguagem natural estão rodando em produção. Cooney rejeita a suposição de que agentes aumentam risco líquido: "Não é assimétrico. IA é uma ferramenta que você pode usar em qualquer lugar, inclusive para gerenciar e reduzir risco."
Goldman Sachs projeta que apenas 12% dos knowledge workers executarão cargas de trabalho agênticas até 2030, subindo para 37% até 2040. A cauda empresarial é longa devido a integração, testes, compliance e fricção regulatória. Agentes empresariais também são mais token-intensivos que versões consumer—monitoring, context retrieval, anomaly reasoning, output validation e reporting se acumulam contra um declínio anual de 60–70% nos custos de inferência por token.
O gargalo em deployments agênticos não é capacidade de modelo. É a infraestrutura circundante: specs, tooling, verification gates, context packaging e observability devem ser reconstruídas com um agente como usuário principal antes que números de produtividade se movam.