PI Coding Agent vs Claude Code: o acerto de contas de 2026

PI Coding Agent vs Claude Code: o acerto de contas de 2026

Uma sessão Claude Code morreu comigo às 23h47 de uma terça-feira de março. Não acidente. Não é erro. Morra daquela maneira mais silenciosa, onde o agente esquece o que estava fazendo, relê os mesmos três arquivos pela quarta vez e escreve um refatorador que contradiz a arquitetura proposta quarenta minutos antes. Meu limite de uso estava diminuindo aproximadamente o dobro da velocidade que eu esperava. O traço pensante, quando tentei inspecioná-lo, estava vazio.

Fechei o laptop e fui para a cama irritado. Então abri o Twitter e vi três outros desenvolvedores descrevendo exatamente a mesma terça-feira.

Essa foi a semana em que comecei a assistir seriamente o agente de codificação PI de Mario Zechner. Não porque PI seja um brinquedo novinho em folha - Mario o construiu explicitamente porque estava com raiva da mesma coisa que eu estava com raiva - mas porque a filosofia por trás dele é a leitura correta sobre para onde os agentes de codificação AI estão realmente indo em 2026. E quanto mais eu assistia a sua entrevista, mais ela reformulou o ano que acabei de viver Claude Code como minha principal ferramenta de codificação.

O que se segue é a versão honesta. Sou motorista diário do Claude Code há meses. As reclamações de estabilidade chegam a mim. Também me peguei no pânico de “a modelo ficou mais burra” – e quero ser específico sobre quais partes disso são reais e quais partes são psicológicas. A conversa entre agente de codificação PI e Claude Code não envolve realmente dois softwares. Trata-se de saber se a próxima geração de agentes será controlada por arneses em forma de empresa, por ferramentas mínimas que você mesmo constrói ou por modelos abertos de equipes que a maioria dos desenvolvedores ocidentais ainda não consegue pronunciar.

Deixe-me mostrar o que quero dizer.

A noite de terça-feira que a Antrópica confirmou que era real

Durante um longo período de fevereiro e março de 2026, presumi que estava sendo dramático. Claude Code se sentiu pior do que em novembro. As sessões pareciam mais fracas. Os refatoradores chegaram pela metade. O agente parecia esquecer o contexto dentro de uma única sessão de trabalho e depois investigou novamente coisas que já havia entendido. A cada poucos dias, eu me convencia de que era um problema de vibração - lua de mel acabando, problemas mais difíceis, meus padrões subindo.

It was not a vibes problem. Em 23 de abril de 2026, a Anthropic publicou uma postmortem reconhecendo três regressões de qualidade distintas atingindo Claude Code em um período de seis semanas. Uma alteração de 4 de março reduziu o esforço de raciocínio padrão de “alto” para “médio” para reduzir a latência. Uma mudança de 26 de março trouxe um bug que fazia com que o modelo descartasse seu próprio histórico de raciocínio no meio da sessão – fazendo com que parecesse esquecido, esgotando os limites de uso mais rápido do que o esperado. Uma mudança de 16 de abril adicionou um limite de prompt do sistema de 25 palavras entre as chamadas de ferramenta, que a própria Anthropic disse “prejudicou mensuravelmente a qualidade da codificação” antes que o limite fosse revertido quatro dias depois.

A community analysis of 6,852 Claude Code session files found that thinking depth had already dropped roughly 67 percent by late February, before redaction even rolled out. The redaction made the regression invisible in the UI — but it was structural. The model needs deep thinking traces to do multi-step research, follow conventions, and modify code carefully. When that thinking budget gets quietly squeezed, the agent's behavior shifts from research-first to edit-first. You watch it skip the investigation phase and just start typing.

That is the exact pattern I had been seeing on my Tuesday nights. Não é um modelo mais inteligente ou mais burro. Um faminto.

Isso é importante para a conversa sobre PI porque Mario construiu PI em outubro de 2025, meses antes de tudo isso chegar ao noticiário. Ele viu a trajetória de velocidade e aumento de recursos que o Antrópico estava seguindo, decidiu que não confiava nele para seu próprio trabalho diário e apresentou uma alternativa mínima que ele pudesse controlar de ponta a ponta. No momento em que o post-mortem foi lançado, PI já estava alimentando o OpenClaw – um projeto que atingiu 250.000 estrelas GitHub em menos de três meses, ultrapassando React.

Essa não é mais uma ferramenta de nicho. Essa é uma tese com tração.

O que PI realmente é - e por que "mínimo" é o ponto principal

Se você ainda não o usou, aqui está o formato da coisa: PI vem com exatamente quatro ferramentas. Ler. Escrever. Editar. Bash. Essa é toda a área de superfície do agente. Você adiciona recursos por meio de habilidades, modelos de prompt e extensões explícitas que você mesmo conecta.

Esse é o argumento completo. E é mais radical do que parece.

Claude Code, neste ponto, é um produto rico em recursos. Possui comandos de barra, habilidades de agente, integrações MCP, subagentes, modo de plano, tudo bem. Cada um desses recursos possui sua própria área de superfície, seus próprios bugs, suas próprias interações com a janela de contexto do modelo. Quando algo regride, você está depurando o modelo, o chicote, o prompt do sistema e qualquer habilidade ou subagente que esteja ativo. Foi exactamente isso que tornou tão difícil diagnosticar os problemas de qualidade de Março-Abril a partir do exterior: havia demasiadas partes móveis e as mais importantes foram ocultadas.

PI faz o oposto. A filosofia de design de Mario, que ele expôs em sua entrevista e no escrito do Pragmatic Engineer, é que o agente deve ser pequeno o suficiente para que você possa segurar cada token em sua cabeça. Você escreve o modelo de prompt. Você decide qual contexto o agente vê. Você assiste a cada chamada de ferramenta. Nada no arnês muda entre terça e quarta-feira, a menos que você o altere.

Isso não é nostalgia de uma era mais simples. É uma decisão de engenharia de suporte de carga. Porque em 2026, o gargalo não é a capacidade bruta do modelo – é a retenção de contexto. Cada agente de codificação em produção atualmente é construído com base em um modelo que, dado o contexto certo, pode fazer o trabalho. A questão é se a estrutura em torno do modelo preserva esse contexto ou o destrói silenciosamente.

Direi mais sobre isso em um momento - há um modo de falha específico nos agentes de codificação modernos sobre o qual quase ninguém fala, e é contra isso que o PI foi realmente projetado para combater. Mas primeiro quero fundamentar a comparação em algo concreto.

Lado a lado: o agente de codificação PI versus a matriz de decisão Claude Code

Construí esta mesa a partir da entrevista de Mario, do meu próprio uso diário de ambas as ferramentas e do material post-mortem público. Não é uma referência. É o formato de decisão que eu orientaria um amigo se ele me perguntasse qual escolher amanhã.

integrado aos agentes gerenciados e ao stack comercial da Anthropic | Centrado no desenvolvedor, opinativo, projetado para pessoas que leem o código-fonte | | Modelos de peso aberto | Fechado, somente antrópico | Incentiva a conexão de Kimi K2.6, DeepSeek V4, tudo o que for executado | | Usuários não técnicos | Possível, mas a área da superfície é intimidante | Surpreendentemente acessível – não programadores estão usando-o para construir ferramentas internas | | Cadência de atualização | Frequente, agrupado, às vezes quebrando | Lento de propósito – a questão é que nada te surpreende | | Melhor ajuste | Equipes que desejam um produto gerenciado e confiam no roadmap da Anthropic | Construtores individuais, agências e desenvolvedores que desejam possuir a pilha até o prompt |

Se você está lendo isso e pensando “Eu quero os dois”, você está lendo corretamente. Eu corro ambos. Eu uso Claude Code na maior parte do meu trabalho diário porque ainda estou em um plano Antrópico pago e a integração com minha biblioteca de habilidades existente é real. Eu uso PI quando desejo executar um tipo específico de tarefa com controle total - geralmente refatoradores longos onde não posso me dar ao luxo de alterar silenciosamente o comportamento no meio da sessão.

Mas a questão mais interessante não é qual ferramenta. É o que diz a aposta de Mario no controle mínimo sobre os próximos dois anos.

A retenção de contexto é o jogo completo (e quase ninguém diz isso em voz alta)

Quero desacelerar neste ponto porque penso que é o argumento mais importante da entrevista de Mario, e a parte que quase ninguém captou.

A afirmação de Mario: em 2026, o modo de falha do agente de codificação dominante não é o modelo ser fraco. É o arnês que corrompe o contexto do modelo. Os rastros de pensamento da sessão são apagados, os prompts do sistema são truncados, os resultados da ferramenta são resumidos prematuramente e o agente acaba trabalhando a partir de uma cópia degradada do que realmente descobriu anteriormente. O modelo parece idiota. O modelo não é burro. A modelo está faminta.

Isso é exatamente o que a análise post-mortem de 6.852 sessões mostrou. Quando a profundidade de pensamento caiu 67%, o comportamento do agente mudou de forma mensurável – de pesquisar primeiro para primeiro editar, de seguir convenções para ignorar convenções. Os pesos do modelo não mudaram. O contexto tinha.

Depois de ver isso, você verá em todos os lugares.

A onda “Claude é mais burro agora” que atingiu o Twitter em março foi em grande parte real, mas a causa subjacente não foi o que a maioria das pessoas supôs. Não foi a Anthropic trocando silenciosamente por um modelo menor. Foram os cortes no orçamento de raciocínio e os erros no histórico de raciocínio que aumentaram sob carga de trabalho. Uma regressão real do modelo teria aparecido nos benchmarks, teria sido detectada pelas próprias avaliações da Anthropic e teria sido corrigida em dias. Em vez disso, o que obtivemos foi uma lenta decadência do nível de arreios que levou seis semanas de pressão pública para ser totalmente revertida.

Portanto, quando Mario constrói PI com o objetivo explícito de que "cada token na janela de contexto é algo que você coloca lá", ele não está sendo precioso em relação ao minimalismo. Ele está resolvendo o problema real.

Vou dizer isso de peito cheio, porque acho que importa: a maioria das reclamações de “modelo ficou mais burro” em 2026 são reclamações reais sobre uma degradação real, mas a causa raiz é o arnês, não os pesos. E a única saída é confiar que seu fornecedor será transparente sobre cada troca de chicote enviado ou possuir o chicote você mesmo.

Mario escolheu o segundo caminho. Isso é o que é PI.

A insurgência de peso aberto: Kimi K2.6 e DeepSeek V4 mudam a matemática

A outra coisa que a entrevista de Mario me fez sentar foi a questão do peso em aberto, e é aqui que meu próprio cálculo de custos mudou fortemente nos últimos quatro meses.

Em 20 de abril de 2026, Moonshot AI lançou Kimi K2.6 – um MoE de 1 trilhão de parâmetros com 32 bilhões de parâmetros ativos, contexto de 256K, multimodalidade nativa e quantização INT4. É aberto sob uma licença modificada do MIT. Tanto o código quanto os pesos residem no Hugging Face. O resumo DeepLearning.AI coloca K2.6 efetivamente no mesmo nível do Qwen3.6 Max de código fechado e DeepSeek V4 em benchmarks de codificação, e apenas por pouco atrás dos principais modelos fechados. K2.6 foi treinado explicitamente para o tipo de chamada de ferramenta de várias etapas que um equipamento de agente precisa - abrir um navegador, ler uma página, escrever um arquivo, chamar uma habilidade Python, resumir, recuperar de um erro de ferramenta sem reiniciar todo o plano.

Essa última parte é o que torna a história do peso aberto diferente em 2026 do que era em 2024. Há dois anos, os modelos abertos podiam escrever código. Eles não podiam dirigir um agente. A confiabilidade no uso da ferramenta não existia, o planejamento de longo horizonte não existia, a recuperação após falhas não existia. Você pode avisá-los e recuperar funções razoáveis. Você não poderia entregar a eles um problema GitHub e confiar neles para investigá-lo em doze arquivos.

K2.6 muda isso. O mesmo acontece com DeepSeek V4. O resumo de benchmark de codificação LLM de abril de 2026 mostra os modelos de peso aberto se mantendo em tarefas de codificação de longo horizonte em Rust, Go e Python. Esse é o regime onde Claude e GPT costumavam ter um monopólio limpo. Eles não fazem mais isso.

Para mim, isso altera o cálculo de custos de uma forma específica. Mario descreveu as ferramentas AI como um “jogo de homem rico” – cerca de US$ 200 por mês em API gasta preços que a maioria dos desenvolvedores individuais elimina, e isso é apenas para o lado do modelo, antes de você contabilizar qualquer orquestração. Razoável para desenvolvedores profissionais. Brutal para amadores, estudantes e todo o mundo em desenvolvimento. Modelos abertos executados localmente ou em provedores de inferência baratos transformam esses US$ 200 em algo mais próximo de US$ 20 e, em algumas configurações, zero. Isso não é uma melhoria marginal. Esse é um mercado diferente.

A aposta de Mario – e cada vez mais a minha – é que o formato de longo prazo da indústria tem modelos de peso aberto fazendo a maior parte do trabalho real, com modelos de fronteira de código fechado reservados para os 5% das tarefas mais difíceis. O arnês fica em cima, independentemente dos pesos para os quais você aponta. PI foi desenvolvido para esse mundo. Claude Code, por design, não é.

Abordei essa mudança com mais detalhes em minha revisão de Kimi K2.6 e na peça de fluxo de trabalho de codificação híbrida sobre a execução de DeepSeek V4 junto com Claude Code, e a versão resumida é: os modelos de peso aberto não são mais "quase bons o suficiente". Eles são bons o suficiente para o trabalho diário de codificação, a lacuna nas tarefas mais difíceis está diminuindo a cada trimestre e a diferença de custo é grande o suficiente para que ignorá-los comece a parecer um erro estratégico, em vez de uma preferência estilística.

Há também um obstáculo à fidelidade à marca que vale a pena mencionar. A Anthropic construiu uma verdadeira marca empresarial no Ocidente – a história da segurança, o enquadramento constitucional AI, o trabalho político. As equipas chinesas de peso aberto enfrentam o inverso: fomentar o medo, ruído geopolítico, políticas generalizadas de "não utilizar modelos chineses" em empresas avessas ao risco. Parte disso é fundamentado. A maior parte é reflexiva. E cria um guarda-chuva de preços sob o qual os modelos abertos podem continuar a reduzir os custos, enquanto os modelos fechados se limitam às relações empresariais. Esse guarda-chuva não durará para sempre.

Para onde vai o talento e por que a Europa continua sangrando

A entrevista de Mario passou alguns minutos sobre um tópico paralelo que considero mais central do que parecia: para onde o talento AI migra e por quê.

Sua leitura: os EUA vencem por causa de três fatores agravantes. Melhor profundidade de capital de risco, infra-estrutura AI mais concentrada e um substrato jurídico muito mais simples – o padrão C-corp de Delaware é tão simples que os fundadores europeus voltam a residir rotineiramente apenas para aumentar. As startups europeias AI, por outro lado, impõem uma taxa de fragmentação regulatória a todos os mercados em que entram. Vinte e sete países, vinte e sete interpretações ligeiramente diferentes de cada regra AI e um ecossistema de risco que é aproximadamente uma ordem de magnitude menor per capita.

Não vou argumentar que a regulamentação é ruim. Vou argumentar que a regulamentação fragmentada é brutal, e a Lei AI é fragmentada de uma forma que torna quase impossível enviar um produto sério de agente de codificação de Berlim ou Paris sem uma entidade dos EUA envolvida. As equipes que assisto na Europa voltam a morar ou permanecem pequenas. Aqueles que voltam a morar ingressam no ecossistema dos EUA, contratam no ecossistema dos EUA, e o fluxo de talentos fica um degrau mais desequilibrado.

O próprio Mario está exatamente nessa situação. O centro de gravidade do PI é técnico, não comercial - é de código aberto, é distribuído pelo npm, a comunidade é global. Mas no momento em que o OpenClaw começou a ser comercializado, a questão de onde mora a pessoa jurídica deixou de ser abstrata.

Se você é um desenvolvedor europeu lendo isto e pensando que estou sendo injusto, não estou. Quero um ecossistema europeu AI próspero. A atual forma regulatória não está proporcionando isso, e fingir o contrário é o que nos leva a continuar perdendo.

O futuro do agente pessoal: aplicativos são substituídos por construtores

Esta é a parte da tese de Mario que venho abordando de forma independente há meses, e ouvi-lo articulá-la de forma clara foi um daqueles momentos de “tudo bem, isso é real”.

A aposta: a maioria dos aplicativos de consumo como os conhecemos morrerá no médio prazo. Não porque as pessoas parem de querer suas funcionalidades – rastreadores de dieta, registros de condicionamento físico, CRMs internos, divisores de despesas – mas porque a camada de agente pessoal pode criar essa funcionalidade sob demanda, personalizada para o usuário individual, em uma sessão que leva minutos em vez de meses.

Você não baixará um aplicativo rastreador de dieta em 2029. Você dirá ao seu agente “Quero monitorar macros, aqui está o que me interessa, construa algo para mim”. Ele criará um pequeno aplicativo, hospedará-o em algum lugar, fornecerá uma URL ou um widget e tudo ficará invisível. A abstração "app" entrará em colapso na abstração do agente.

Estou destacando isso porque o design do PI - mínimo, controlável e opinativo - está muito mais próximo do formato do tempo de execução do agente pessoal do que o formato do produto empresarial do Claude Code. Mario está construindo abertamente em direção ao mundo onde usuários não técnicos conectam ferramentas internas com PI sob o capô. O crescimento do OpenClaw – projeto GitHub de crescimento mais rápido na história do software, 250.000 estrelas em três meses – está a jusante de essa aposta estar certa.

Claude Code pode chegar lá. Atualmente está otimizado para um público diferente.

O que isso significa para o trabalho do conhecimento - e para os juniores

O argumento do paradoxo de Jevons é mais difícil de atingir no mundo dos agentes codificadores do que em qualquer outro lugar.

A forma básica: quando um recurso fica mais barato, o consumo total desse recurso aumenta, e não diminui. Uma produção mais barata não significa menos procura pela produção – significa mais procura. Os agentes AI tornam a produção do código aproximadamente uma ordem de magnitude mais barata. O volume de código produzido aumentará, e não diminuirá. O número total de desenvolvedores ativos provavelmente crescerá em um horizonte de cinco anos, e não diminuirá. Essa é a leitura de Jevons, e acho que está amplamente correta.

Mas a realidade distributiva é mais dolorosa do que a realidade agregada.

Dois grupos específicos são fortemente pressionados e Mario nomeia ambos. Os desenvolvedores mais antigos que não conseguem ou não querem aprender a conduzir os agentes se tornarão visivelmente menos produtivos do que os colegas que o fazem. Eles não perderão seus empregos em massa, mas perderão terreno em velocidade, e velocidade é o que aumenta e os títulos acompanham em 2026. Os juniores ficam pressionados porque a pilha de agentes seniores mais está agora substituindo cerca de três contratações juniores. Não porque os juniores sejam ruins – porque a curva de alavancagem mudou.

Se você é um desenvolvedor júnior que está lendo isto, o único conselho honesto que tenho é: torne-se a pessoa que administra a pilha de agentes de maneira mais rápida e inteligente do que seus seniores. Esse é um limite de habilidades que é redefinido a cada seis meses e, no momento, ninguém tem mais de dois anos de experiência nisso. A diferença de antiguidade é menor do que parece. A janela não ficará aberta para sempre.

Se você é um veterano que está lendo isto, um conselho análogo: não se torne o trabalhador mais velho que se recusou a adotar a pilha. A transição não é opcional e as pessoas que se mudam primeiro serão duas vezes mais produtivas do que as pessoas que se mudam na mediana, pelo menos durante os próximos três anos.

O LLM Limit Mario acertou (e por que a experiência de alto nível ainda é importante)

Uma das afirmações mais contundentes na entrevista de Mario foi que os LLMs interpolam, não extrapolam. Eles são muito bons em recombinar e refinar ideias que existem densamente em seus dados de treinamento. Eles são ruins em originar ideias que vivem nas caudas muito finas – os 0,01% do conhecimento humano que está genuinamente sub-representado em qualquer corpus.

Isso não é um slogan. É uma regra operacional útil.

Quando dirijo Claude Code ou PI para resolver um problema, obtenho meus melhores resultados quando trato o agente como um mecanismo de refinamento, e não como um mecanismo de origem. Eu trago a arquitetura. Eu trago as restrições. Trago o enquadramento “esta é a parte realmente difícil”. O agente preenche a implementação, valida os casos extremos, detecta os erros padrão e propõe as variantes que não considerei. Quando deixo o agente originar no nível arquitetural, a saída é competente e esquecível – interpolação em relação à mediana de cada aplicativo CRUD em GitHub.

É também por isso que acho que “a codificação vibratória substituirá os engenheiros seniores” é a leitura errada do ano. O idoso que consegue manter o modelo arquitetônico em mente e usar o agente como multiplicador é mais valioso do que era há um ano, e não menos. O idoso que trata o agente como digitador será substituído por alguém vinte anos mais novo que o trata como colaborador. A entrevista de Mario enquadra isso como arquitetura sobre sintaxe – o problema de sintaxe está resolvido, o problema de arquitetura está totalmente aberto e o agente é um multiplicador de força em qualquer lado da linha a partir do qual você opera.

Eu fico com esse enquadramento toda vez que abro uma sessão. É o modelo mental mais útil que tenho para o trabalho de codificação de 2026.

Meu fluxo de trabalho real: quatro sessões paralelas, modelos rígidos, portas de refatoração manual

Mario descreveu a execução de até quatro sessões PI paralelas, com modelos de prompt rigorosos, emissão de GitHub e análise de PR e intervenção manual para qualquer refatorador não trivial. Meu fluxo de trabalho convergiu para algo próximo, principalmente por acidente.

Três ou quatro sessões de agente executadas em paralelo — geralmente duas Claude Code, uma PI e, ocasionalmente, uma quarta executando um modelo de peso aberto por meio de um chicote fino. Cada sessão tem um único objetivo com escopo definido. Não deixo nenhuma sessão se espalhar. No momento em que uma sessão começa a oscilar, eu a fecho, destilo o que aprendeu em um novo prompt e inicio um novo. O contexto é sagrado. A deriva é o inimigo.

Modelos de prompt rígidos para formatos de tarefas recorrentes — triagem de problemas, revisão de relações públicas, planejamento de refatoração, geração de testes. Os modelos são versionados em um repositório privado e atualizados quando algo quebra. Eu não faço estilo livre no prompt das tarefas que executo semanalmente. O custo da inconsistência é muito alto.

Portões manuais em cada mudança arquitetônica. O agente propõe, eu disponho. Deixarei um agente reescrever uma função de forma autônoma. Não vou permitir que ele reestruture um módulo sem que eu leia o diff linha por linha. A regra de “arquitetura sobre sintaxe” de Mario é o princípio operacional aqui.

Emissão de GitHub e análise de PR como ingestão primária. O modelo é bom para ler um tópico de problema, o código vinculado e os PRs relacionados, e produzir um diagnóstico real. É ruim decidir o que deve ser construído a seguir. Eu faço essa parte. O agente faz a investigação.

Se você quiser uma versão mais profunda desse fluxo de trabalho, já escrevi sobre disciplina de contexto do agente e arquitetura de sessão paralela antes, e as regras não mudaram muito. O que mudou foi o conjunto de ferramentas em que os executo. O minimalismo do PI facilita um pouco a disciplina – há menos arreios para lutar. A densidade de recursos do Claude Code torna algumas tarefas mais rápidas e algumas sessões mais frágeis. Saber qual é qual é a maior parte da habilidade.

O que estou assistindo até o final de 2026

Algumas coisas que estou acompanhando especificamente, porque acho que elas decidem se a tese PI envelhece bem ou não.

Se a Anthropic envia transparência em torno do arnês muda a maneira como eles começaram a enviá-lo em torno das mudanças de modelo. A autópsia de abril foi um bom primeiro passo. Ainda não é uma disciplina. Se a próxima regressão durar mais seis semanas antes do reconhecimento, a lacuna de confiança em relação ao campo do aproveitamento mínimo aumentará.

Se Kimi K2.6 e DeepSeek V4 mantêm sua paridade de referência de codificação durante os próximos dois ciclos de modelo, ou se os laboratórios de código fechado reabrem a lacuna. Minha leitura é que a diferença permanece estreita, mas os próximos seis meses dirão.

Se a trajetória de 250 mil estrelas do OpenClaw se transforma em uso real do produto em grande escala ou se estagna como uma curiosidade. Estrelas são vaidade. Desenvolvedores ativos diariamente executando PI em trabalho real é a métrica que importa.

Se a camada de agente pessoal começa a aparecer nos produtos de consumo de uma forma que o usuário médio percebe. No momento, é um fenômeno de construtor e prosumidor. No momento em que minha mãe está usando algo que é secretamente um agente em forma de PI, a tese é real.

Se a situação regulatória europeia produz uma única startup AI em escala de laboratório de fronteira. Eu adoraria estar errado sobre isso. Não estou apostando nisso.

O circuito aberto de cima para baixo, fechado

Comecei isso com uma sessão Claude Code morrendo às 23h47 e a suspeita de que eu estava sendo dramático. Eu não estava. A autópsia confirmou o que 6.852 sessões de análise já haviam mostrado. O arnês estava matando a modelo de fome. O modelo não era o problema.

Eu uso o Claude Code diariamente há meses e vou continuar usando. O produto é excelente quando está funcionando, a história de integração é real, a equipe é responsiva e o próprio post-mortem é um sinal de uma organização saudável. Nada disso é a questão.

A questão é se a forma dominante de um agente de codificação AI em 2030 é um produto empresarial gerenciado, um kit de ferramentas mínimo que você controla de ponta a ponta ou um modelo aberto sob um chicote fino que você mesmo escreveu. Mario construiu o PI apostando que o segundo e o terceiro estão convergindo e que o primeiro continuará sendo a resposta certa para algumas empresas e a resposta errada para construtores, agências e a longa cauda da população global de desenvolvedores que não pode pagar um item de linha API de US$ 200 por mês.

Eu acho que ele está certo.

A coisa que você pode fazer esta noite, se alguma dessas coisas acontecer, é instalar PI de npm, apontá-lo para uma base de código real que você já entende bem e executar uma única sessão que você normalmente executaria em Claude Code. Observe cada chamada de ferramenta. Leia todas as instruções. Observe o que entra na janela de contexto e o que sai dela. Você retornará ao Claude Code com perguntas mais precisas ou começará a executar ambos silenciosamente, e sua noção de como um agente de codificação AI deve ser não será a mesma.

Esse é o único tipo de artigo de opinião que vale a pena escrever nesta parte do ciclo. Os agentes são reais, os modelos são reais, os ganhos de produtividade são reais e a resposta para qual ferramenta vencer será decidida por pessoas que executam ambos com as mãos no prompt. Não por benchmarks. Não pelo Twitter. Por você, numa terça-feira à noite, prestando atenção na janela de contexto.

Te vejo lá.

Perguntas frequentes

O que é o agente de codificação PI e quem o construiu?

PI é um agente de codificação de terminal mínimo criado por Mario Zechner, o desenvolvedor por trás do libGDX, e lançado no final de 2025. Ele vem com exatamente quatro ferramentas – ler, escrever, editar, bash – e foi projetado para dar aos desenvolvedores controle total sobre cada token que entra na janela de contexto do agente. PI alimenta o projeto OpenClaw, que ultrapassou 250.000 estrelas GitHub em menos de três meses. Para a história completa, consulte a seção OpenClaw e filosofia de design acima.

PI é melhor que Claude Code?

Nenhuma das ferramentas é universalmente melhor – elas atendem a necessidades diferentes. PI vence em estabilidade, controle de contexto e economia para desenvolvedores que desejam possuir o equipamento. Claude Code vence em densidade de recursos, integrações e aprimoramento de produtos gerenciados para equipes. Os usuários mais sérios em 2026 executam ambos. Veja a matriz de decisão lado a lado acima.

Claude Code realmente piorou em 2026?

Sim, e a Anthropic confirmou isso em uma post-mortem de 23 de abril de 2026. Três regressões distintas atingiram Claude Code ao longo de seis semanas – esforço de raciocínio padrão reduzido, um bug que descartou o histórico de raciocínio no meio da sessão e um limite de prompt do sistema de 25 palavras. Todos os três foram eventualmente revertidos. As reclamações de “o modelo ficou mais burro” eram em grande parte reais, mas causadas por mudanças de chicote, não pelo peso do modelo.

Os modelos abertos como Kimi K2.6 e DeepSeek V4 estão prontos para um trabalho sério de codificação em 2026?

Sim. Kimi K2.6, lançado em 20 de abril de 2026, está efetivamente no mesmo nível dos principais modelos fechados em benchmarks de codificação e foi desenvolvido especificamente para chamadas de ferramentas em várias etapas. DeepSeek V4 é competitivo em precisão de contexto longo. Ambos são executados sob licenças abertas e alteram significativamente o cálculo de custos para o trabalho diário de codificação. Os 5% das tarefas mais difíceis ainda favorecem modelos de fronteira fechada.

O que acontece com os desenvolvedores juniores à medida que os agentes de codificação AI melhoram?

Os juniores enfrentam uma verdadeira pressão porque uma pilha de agentes seniores está substituindo cerca de três contratações juniores em trabalhos sensíveis à velocidade. A atitude mais defensável é se tornar a pessoa que administra a pilha de agentes de maneira mais rápida e inteligente do que seus superiores. Esse limite é redefinido a cada seis meses, e a diferença de antiguidade nos fluxos de trabalho orientados por agentes é menor do que parece.

Vamos trabalhar juntos

Procurando construir sistemas AI, automatizar fluxos de trabalho ou dimensionar sua infraestrutura tecnológica? Eu adoraria ajudar.

• Fiverr (compilações e integrações personalizadas): fiverr.com/s/EgxYmWD
• Portfólio: mejba.me
• Ramlit Limited (soluções empresariais): ramlit.com
• ColorPark (design e marca): colorpark.io
• xCyberSecurity (serviços de segurança): xcybersecurity.io