Em resumo
- Em grandes sistemas, de 14,8% a 24,4% das correções de erros já em produção estavam erradas e afetaram usuários, segundo estudo acadêmico com quatro sistemas operacionais.
- A regra que quebra o ciclo: todo chamado vira primeiro um teste automatizado que reproduz o erro. Só depois vem a correção, e o mesmo problema não volta.
- Agentes de IA aceleram triagem e diagnóstico, 24 horas por dia, mas, sem um gate de qualidade, a velocidade vem acompanhada de instabilidade.
Todo gestor de tecnologia conhece a cena: um erro é corrigido, o chamado é fechado, e semanas depois o mesmo problema volta, às vezes acompanhado de outro. A sustentação vira uma esteira de incêndios, e o time que deveria evoluir o sistema passa o mês apagando fogo.
Por que o mesmo erro volta
Corrigir um erro é, em si, uma mudança no sistema, e toda mudança pode quebrar alguma coisa. Um estudo apresentado na conferência FSE em 2011 analisou correções feitas em quatro grandes sistemas operacionais, incluindo Linux e FreeBSD, e concluiu que de 14,8% a 24,4% das correções de erros pós-lançamento estavam erradas e afetaram usuários. O mesmo estudo mostrou que 27% das correções erradas foram feitas por desenvolvedores que nunca tinham mexido naqueles arquivos.
É o retrato de quem assume um sistema de terceiros, legado ou sem documentação: a pessoa que corrige não conhece o código, e nada impede que a correção quebre o que funcionava.
14,8% a 24,4%
das correções de erros pós-lançamento em grandes sistemas estavam erradas e afetaram usuários
27%
das correções erradas foram feitas por quem nunca tinha mexido naqueles arquivos
+30%
de erros com correção plausível quando um agente gera antes o teste de reprodução (Google, 2025)
Fontes: Yin et al., "How Do Fixes Become Bugs?", FSE 2011; Cheng et al., Google, 2025.
A regra que quebra o ciclo: teste antes da correção
A solução é antiga e simples de enunciar: antes de corrigir, escreva um teste automatizado que reproduz o erro. O teste falha, a correção é feita, o teste passa e fica para sempre na bateria que roda a cada entrega. Se alguém, um dia, reintroduzir o problema, o teste acusa antes de chegar à produção.
Vale um cuidado com um argumento muito repetido nessa discussão: a ideia de que um erro encontrado em produção custa cem vezes mais do que um encontrado no desenvolvimento. A origem desse número é discutida há anos, e um estudo com 171 projetos não encontrou evidência consistente desse efeito. O argumento mais sólido para os testes é outro: eles impedem que o mesmo problema volte e que uma correção quebre outra parte do sistema.
Com o tempo, o efeito se acumula. Cada chamado deixa um teste novo, a cobertura cresce mês a mês e o sistema fica, literalmente, mais estável a cada problema resolvido.
Onde os agentes de IA entram
Escrever o teste que reproduz o erro é uma das partes mais trabalhosas da correção, e é onde os agentes de IA já mostram resultado. Pesquisadores do Google publicaram em 2025 um estudo em que um agente gerou testes plausíveis de reprodução para 28% de 80 erros reais, contra 10% do método anterior. Quando esses testes foram entregues ao sistema de correção automática, o número de erros com correção plausível subiu 30%.
Na sustentação, isso se traduz em três ganhos práticos:
- Triagem imediata, a qualquer hora. O agente lê o chamado, os registros e o código, e entrega um diagnóstico em minutos, inclusive de madrugada.
- Teste de reprodução gerado junto com o diagnóstico. O que antes levava horas de investigação vira o ponto de partida da correção.
- Melhoria contínua com as horas livres. O clássico estudo de Lientz e Swanson já mostrava que a maior parte da manutenção é evolução, não conserto: 51,3% do esforço ia para melhorias e 21,7% para correções. Com a triagem automatizada, sobra mais tempo para o que faz o sistema avançar.
Velocidade sem gate vira instabilidade
Há um porém importante. O relatório DORA 2024, do Google Cloud, encontrou que um aumento de 25% na adoção de IA estava associado a uma queda de 7,2% na estabilidade das entregas. A edição 2025, com quase 5 mil profissionais, resumiu assim: a IA não conserta um time, ela amplifica o que já existe.
Por isso, o agente de IA na sustentação precisa de disciplina em volta: revisão em cadeia, gate de qualidade que bloqueia o que não passa e liderança técnica que responde pelo resultado. Sem isso, a velocidade só produz mais incêndios, mais rápido.
Observabilidade: saber antes do cliente
O último elemento é enxergar o problema antes que ele vire chamado. Na pesquisa Observability Forecast 2025, da New Relic, com 1.700 profissionais de 23 países, empresas com observabilidade completa relataram metade do custo por hora de indisponibilidade em relação às demais e menos interrupções graves semanais. É uma correlação, não uma prova de causa, mas a direção é consistente com outro dado: para 90% das empresas ouvidas pelo ITIC em 2024, uma hora de sistema fora do ar custa mais de US$ 300 mil.
Perguntas rápidas
Por que o mesmo erro volta depois de corrigido?
Porque a correção não foi protegida por um teste automatizado, e porque toda correção é uma mudança que pode quebrar outra parte do sistema. Em grandes sistemas, estudos encontraram de 14,8% a 24,4% de correções erradas.
Agentes de IA substituem o time de sustentação?
Não. Eles aceleram a análise dos chamados e a criação de testes, a qualquer hora, mas precisam de controle de qualidade e de liderança técnica para não deixar o sistema mais instável.
Na prática
Pode Dormir: sustentação 24/7 com plantão
Seu sistema monitorado, com a operação garantida e agentes de plantão 24 horas, e mais estável a cada mês.
Fontes
- How Do Fixes Become Bugs? (FSE 2011). Yin, Yuan, Zhou et al., 2011.
- Everyone cites that bugs are 100x more expensive to fix in production research, but the study might not even exist. The Register, 22/07/2021.
- Are delayed issues harder to resolve? (Empirical Software Engineering, 2017). Menzies, Nichols, Shull e Layman, 2017.
- Agentic Bug Reproduction for Effective Automated Program Repair at Google. Cheng et al. (Google), 2025.
- Lientz and Swanson on Software Maintenance. DZone, s/d.
- Announcing the 2024 DORA report. Google Cloud, 22/10/2024.
- Announcing the 2025 DORA Report. Google Cloud, 23/09/2025.
- Observability Forecast 2025. New Relic, 17/09/2025.
- ITIC 2024 Hourly Cost of Downtime Report. ITIC, 2024.
Os dados foram conferidos nas fontes acima na data de publicação. Pesquisas citadas por veículos de imprensa estão indicadas com o nome do veículo.