Spawn diz ter entregue 77 mil mudanças em 30 dias com dez pessoas e agentes de IA permanentes

A Spawn diz ter entregado 77 mil mudanças substanciais em 30 dias, cerca de 108 por hora, com dez pessoas e US$ 3,1 milhões em tokens. Por "substancial" a empresa entende mudança que toca código do engine ou lógica de jogo de forma complicada, como mover buffers na GPU, criar nova superfície de API, corrigir moderação de chat ou lançar chat de voz por proximidade. Um ajuste de HTML não conta.

O desenho técnico muda práticas conhecidas. A Spawn diz que eliminou os pull requests no início do ano, porque cada agente entende o sistema inteiro e assume a tarefa de ponta a ponta. Mudanças entram mesmo imperfeitas, e a exigência é que tudo esteja em ordem uma vez por hora. A suíte completa de testes roda a cada 15 minutos sobre o código mais recente, enquanto o agente antes do commit só executa o código e usa o produto. Revisão acontece dentro do time do agente, com agentes auxiliares tentando quebrar a mudança. Só ações externas irreversíveis, como pagamentos, passam por gates fixos e simples no código.

O deploy sai a cada hora, e uma hora sem deploy conta como SEV-0. O rollback leva 30 segundos. Nos últimos 12 meses, 1.055 de 123.548 mudanças foram revertidas, cerca de 0,9%. Cerca de 60% do trabalho nasce de erro em produção, bug reportado pela Savi (a IA com que se criam jogos no Spawn), anomalia em logs ou pedido de funcionalidade. O autor afirma que só o modelo Fable, da Anthropic, sustentou esse modo de operação, e que modelos de outras empresas falharam nos testes dele. É a avaliação da própria Spawn.

Em 29 de outubro de 2026, o CEVIU noticiou "Spawn, empresa de 10 pessoas, gasta 30 vezes sua folha de pagamento em tokens de IA", sobre o mesmo texto e os mesmos 77 mil mudanças em 30 dias. A cobertura de hoje não traz um fato novo da empresa. Ela detalha a prática por trás do número: frota de agentes permanentes, fim dos PRs, deploys a cada hora e gates fixos para ações irreversíveis.

Para quem opera times de engenharia, a leitura é que o gargalo deslocou-se da escrita de código para o ciclo de feedback: observabilidade, testes frequentes e rollback rápido. Os números são autodeclarados e vêm de um único relato, então servem mais como hipótese de trabalho do que como referência comprovada. Quem pensa em copiar o modelo deveria começar pela recuperação rápida, não pelo volume de agentes.