Blog
Macrotend¨ºncias no setor de tecnologia | Abril de 2025
O ÷ÈÓ°Ö±²¥ Technology Radar ¨¦ um panorama semestral de ferramentas, t¨¦cnicas, plataformas, linguagens e frameworks. Essa ferramenta de compartilhamento de conhecimento ¨¦ baseada na experi¨ºncia de nossas equipes globais e destaca coisas que voc¨º pode querer explorar em seus projetos.
?
Cada insight que compartilhamos ¨¦ representado por um ponto. Os pontos podem ser novos no Radar mais recente, ou podem mudar de anel conforme nossa recomenda??o muda.
?
Os an¨¦is s?o:
- Adote: Pontos que achamos que voc¨º deve considerar seriamente usar.
- Experimente:?Op??es que achamos que est?o prontas para uso, mas n?o t?o comprovadas quanto as do anel Adote.
- Avalie:?Op??es para observar atentamente, mas n?o necessariamente experimentar ainda, a menos que voc¨º ache que seja um encaixe particularmente bom para voc¨º.
- Evite: Proceda com cautela.
?
Explore a vers?o interativa por quadrante ou baixe o PDF para ler o Radar completo. Se quiser saber mais sobre o Radar, como us¨¢-lo ou como ele ¨¦ constru¨ªdo, consulte as?Perguntas Frequentes (FAQ).
?
Temas para este volume
?
Em cada volume do Radar Tecnol¨®gico, buscamos padr?es emergentes nos pontos que discutimos. Esses padr?es formam a base de nossos temas.
Agentes supervisionados em assistentes de programa??o
Dois dos nossos temas destacam a r¨¢pida inova??o em IA generativa, e um deles trata da crescente evolu??o dos assistentes de programa??o. Cada vez mais, essas ferramentas permitem que desenvolvedoras conduzam a implementa??o diretamente a partir de um chat com IA dentro do seu IDE ¡ª um modo tamb¨¦m chamado de ¡°agentic¡±, ¡°prompt-to-code¡± ou ¡°chat-oriented programming (CHOP)¡±. Nesta abordagem, os assistentes de IA n?o se limitam a responder a perguntas ou a gerar pequenos fragmentos de c¨®digo; eles navegam e modificam o c¨®digo, atualizam os testes, executam comandos e, em alguns casos, corrigem proativamente erros de linting e compila??o. Enquanto permanecemos c¨¦ticas em rela??o a agentes de programa??o que prometem desenvolvimento de tarefas grandes de maneira totalmente aut?noma, vemos resultados promissores com essa abordagem supervisionada, em que as desenvolvedoras guiam e supervisionam as a??es do agente.?Cursor,?Cline?e?Windsurf?est?o liderando essa tend¨ºncia no espa?o das ferramentas integradas ao IDE, com o?GitHub Copilot?tamb¨¦m evoluindo nesse espa?o. Assistentes agentes, como?aider,??e o??s?o alternativas baseadas em terminais. Apesar desses avan?os, continuamos cautelosos sobre como isso aumenta a?complac¨ºncia com c¨®digo gerado por IA, pois, apesar de alguns resultados muito bons, ainda vemos uma necessidade significativa de orienta??o e vigil?ncia na revis?o do c¨®digo.
Observabilidade em evolu??o
Notamos um movimento significativo no espa?o da observabilidade, impulsionado pela crescente complexidade das arquiteturas distribu¨ªdas. Ainda que a observabilidade sempre tenha sido crucial, ela continua a evoluir em paralelo ao resto do ecossistema de desenvolvimento de software. Um foco emergente ¨¦ a observabilidade de modelos de linguagem de grande porte (LLMs), uma pe?a cr¨ªtica na operacionaliza??o de IA. Observamos tamb¨¦m um aumento em ferramentas para monitoramento e avalia??o de desempenho de LLM, incluindo?Weights & Biases Weave,?Arize Phoenix,?Helicone?e?HumanLoop. Outra tend¨ºncia ¨¦ a integra??o de observabilidade assistida por IA, onde ferramentas utilizam IA para melhorar an¨¢lises e insights. Al¨¦m disso, a ado??o crescente do?OpenTelemetry?est¨¢ promovendo um ambiente de observabilidade mais padronizado, permitindo que as equipes permane?am independentes de fornecedores (vendor-agnostic) e tenham mais flexibilidade na escolha das ferramentas. V¨¢rias ferramentas l¨ªderes de observabilidade ¡ª como?Alloy,?Tempo?e?Loki?¡ª agora suportam OpenTelemetry. A r¨¢pida inova??o nas ferramentas de observabilidade demonstra uma crescente conscientiza??o sobre a import?ncia da observabilidade, criando um ciclo de pr¨¢ticas e tecnologias que se refor?am mutuamente.
R em RAG
Esperamos que diferentes aspectos do ecossistema de IA generativa evoluam em ritmos variados, e nesta edi??o do Radar, vemos isso acontecendo com o ¡°R¡± em RAG (gera??o aumentada por recupera??o). Uma das intera??es principais com a caixa preta dos modelos de linguagem de grande porte (LLMs) ¨¦ personalizar as entradas do prompt para gerar respostas relevantes e ¨²teis. A crescente necessidade de recupera??o eficaz em RAG levou ao surgimento de novas ferramentas e t¨¦cnicas apresentadas nesta edi??o. Por exemplo, discutimos o RAG corretivo, que ajusta dinamicamente as respostas com base em feedback ou heur¨ªsticas; o Fusion-RAG, que combina m¨²ltiplas fontes e estrat¨¦gias de recupera??o para respostas mais abrangentes e robustas; e o Self-RAG, que evita completamente a etapa de recupera??o, buscando dados sob demanda. Tamb¨¦m destacamos o FastGraphRAG, que auxilia na compreens?o ao criar gr¨¢ficos naveg¨¢veis por humanos. Com base nas discuss?es e indica??es da nossa equipe, o ¡°R¡± em RAG ¨¦ um tema quente e est¨¢ evoluindo rapidamente.
Domando a fronteira dos dados
Big data tem sido uma preocupa??o fundamental para a ind¨²stria h¨¢ muito tempo, mas as conversas em torno desta edi??o do Radar n?o se concentraram tanto no tamanho, e sim em como lidar com dados ricos e complexos. Com a crescente presen?a ¡ª e import?ncia ¡ª de dados n?o estruturados nas empresas, garantir que os dados sejam gerenciados e organizados de maneira eficaz para que possam ser aproveitados com sucesso em tudo, desde aplica??es de IA at¨¦ an¨¢lises de clientes, tornou-se essencial para os neg¨®cios.
Isso se reflete em muitos blips: desde ferramentas de bancos de dados vetoriais at¨¦ produtos de an¨¢lise como o?Metabase.?? surpreendente como grande parte do ecossistema de software est¨¢ sendo impulsionada pelo que queremos e precisamos fazer com os dados. No entanto, n?o se trata apenas de ferramentas ¡ª nesta edi??o, destacamos a abordagem da?mentalidade de produto para dados, um framework que incentiva as equipes a aplicarem os princ¨ªpios da mentalidade de produto ¨¤s partes anal¨ªticas de seu ecossistema. O surgimento dessa "mentalidade de produtos para dados¡± ¨¦, em certa medida, um reflexo do desafio cont¨ªnuo de utilizar os dados de forma adequada (algo discutido h¨¢ anos, muito antes da ascens?o da IA). O fato de esse conceito ter ganhado destaque ¡ª e estar presente em nossas conversas no Radar ¡ª demonstra que a necessidade de disciplina na gest?o de dados ¨¦ t?o grande quanto sempre foi. Sem isso, as organiza??es podem ter dificuldades para inovar e acabar em desvantagem competitiva a m¨¦dio e longo prazo.
Conte¨²dos em destaque
Nota: Este conte¨²do pode n?o estar dispon¨ªvel em seu idioma de prefer¨ºncia.
Contribuidoras
?
O Technology Radar ¨¦ preparado pelo Conselho Consultivo de Tecnologia (TAB) da ÷ÈÓ°Ö±²¥, composto por:
?
Rachel Laycock (CTO)???Martin Fowler?(Chief Scientist)???Bharani Subramaniam???Birgitta B?ckeler???Bryan Oliver???Camilla Falconi Crispim???Chris Chakrit Riddhagni???Effy Elden???Erik Doernenburg???James Lewis???Ken Mugrage???Maya Ormaza???Mike Mason???Neal Ford???Ni Wang???Nimisha Asthagiri???Pawan Shah???Selvakumar Natesan???Shangqi Liu???Vanya Seth???Will Amaral
?
O volume 32 foi traduzido para o portugu¨ºs pelo seguinte grupo:
?
?? ?? ?? ?? ?? ?? ?? ? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ?? ??
Inside the Technology Radar?¨¦ um document¨¢rio que oferece insights sobre o Radar.
Assine. Fique por dentro.
Publicamos conte¨²dos relacionados ao Technology Radar ao longo do ano. Inscreva-se para receb¨º-los.