Vinte anos de construção de marcas simplesmente congelaram no tempo: Como agentes de codificação selecionam suas ferramentas de escolha

O impacto da IA levou a uma mudança de interesse de Otimização para Motores de Busca (SEO) para Otimização de Motores de Resposta (AEO), onde o conteúdo é otimizado para ser apresentado como respostas de agentes. Um passo adicional para Otimização de Motores Generativos (GEO) também existe, onde as marcas tentam influenciar LLMs.

Poderiam as ferramentas de software em si estar prestes a se realinhar para que assistentes de código como Claude Code, Codex e Cursor mostrem uma maior propensão a escolher um determinado conjunto de ferramentas de depuração, teste de penetração, ferramenta de migração, gerenciador de pacotes ou banco de dados (insira o conjunto de ferramentas de função central de software de sua escolha) ou outro?

A empresa de serviços de crescimento de ferramentas para desenvolvedores Armature acredita que a resposta é sim.

(Um monte de) pele no jogo

Com uma quantidade muito óbvia de pele neste jogo, a Armature detalhou um estudo na semana passada como parte de seu “trabalho mais amplo sobre como influenciar as escolhas dos agentes de codificação” e fazer com que produtos sejam escolhidos. A empresa realizou uma análise experimental projetada para entender como os agentes de codificação pensam sobre ferramentas, como eles as descobrem e escolhem, e qual delas acaba vencendo em cada categoria.

O cofundador da Armature, Theodore Otzenberger diz ao The New Stack que os desenvolvedores de software adotaram a IA de forma mais intensa e rápida do que qualquer outra profissão, e (à medida que os modelos ficam mais inteligentes e harnesses são melhor projetados), tarefas inteiras estão sendo delegadas a agentes de ponta a ponta. 

“Assistindo a dezessete mil sessões de escolha de ferramentas na análise realizada, vimos vinte anos de construção de marca realizada por fornecedores de ferramentas simplesmente congelados no tempo”, diz Otzenberger. “Os agentes recorrem ao Docker assim que os containers aparecem, depois ficam sem saber sobre os sandboxes que ele oferece agora, de modo que acaba não escolhendo a ferramenta. Sua reputação o acompanha nas ponderações, ligada ao produto que o tornou famoso… mas esse peso opera sob um tipo diferente de gravidade hoje.”

“Assistindo a dezessete mil sessões de escolha de ferramentas na análise realizada, vimos vinte anos de construção de marca realizada por fornecedores de ferramentas simplesmente congelados no tempo.” 

Lembrando-nos que o agente agora é quem decide qual ferramenta é integrada ao código, Otzenberger diz que isso tem “um impacto de vida ou morte” sobre os fornecedores de ferramentas para desenvolvedores hoje. Esses fornecedores agora precisam garantir que sua ferramenta seja mencionada, escolhida e elevada ao status de indispensável para que seja vista como extremamente utilizável por um agente de codificação. Ele está certo de que a alternativa é que eles “simplesmente parem de existir na pilha” amanhã.

Os tomadores de decisão estão mudando…

“Abrimos toda a pesquisa, cada traço e cada prompt publicado, para que qualquer um possa verificar que não inclinamos nada e ver onde eles estão hoje. Essa imagem muda com cada novo agente e modelo, então estamos reexecutando o estudo completo sobre Astra e Fable 5.1 em breve. Os tomadores de decisão estão mudando e agora é um problema de engenharia entendê-los”, acrescenta Otzenberger.

Otzenberger, junto com o cofundador Louis Scremin, descrevem como assistiram a milhares de sessões de busca de ferramentas através de diferentes tipos de personas de desenvolvedores humanos (abrangendo vibe-coders, engenheiros juniores em startups, desenvolvedores seniores em empresas) com um total de 1.163 variações de prompt. Devemos esclarecer que os números principais que a empresa apresenta vêm de seu menor subconjunto validado de 5.292 sessões, não dos completos dezessete mil.

Como a análise experimental foi conduzida

As buscas cruzaram 75 repositórios (ou seja, bases de código individualmente distintas) e estudaram três agentes de codificação (Claude Code, Codex, Cursor) para examinar como os agentes realmente implementariam ferramentas, em vez de apenas oferecer recomendações.

A análise foi realizada em repositórios públicos do GitHub, e a equipe extraiu estatísticas relacionadas a linguagens de programação & frameworks, serviços de terceiros, plataforma de implantação, tamanho da equipe e idade da base de código. Como os repositórios de código aberto utilizados eram mais propensos a terem sido construídos por startups do que por gigantes de software corporativo, a equipe então desconsiderou suas estatísticas com base em dados publicamente disponíveis para alcançar sua distribuição ideal de painel.

Em seguida, eles encarregaram os três agentes de codificação da tarefa de criar repositórios do mundo real para corresponder aos requisitos exatos das bases de código. Finalmente, geraram variantes com partes das bases de código removidas. Para proteger contra qualquer viés adicional do agente, nomes de empresas falsos foram usados juntamente com históricos de Git artificiais e chaves de API falsas. Um humano simulado no loop foi criado usando um orquestrador, desempenhado neste caso pelo Gemini 3.7 Flash. 

“O humano simulado sempre escolheria a melhor solução ou pediria ao agente de codificação para escolher a melhor e implementá-la. Mas notamos que pedir no início para implementar sem retornar perguntas biasaria o agente a construir tudo internamente, pois não era capaz de pedir autorização para escolher uma spe