Scott Wu — o prodígio que apostou na autonomia total

"When we started building Devin, it's kind of a funny thing, but we really just thought of it as: this is your buddy who helps you build more." — Scott Wu, em entrevista à TechCrunch, 29 maio 2026

O essencial em 30 segundos

Scott Wu é o co-fundador e CEO da Cognition AI, a empresa que em março de 2024 lançou Devin e o apresentou ao mundo como "o primeiro engenheiro de software de IA". A frase virou pólvora: para uns, marketing audacioso; para outros, promessa inflada. A tese de Wu é radical em relação à maioria dos concorrentes. Enquanto a maior parte das ferramentas de IA para código se posiciona como copiloto — autocomplete, sugestões inline, chat ao lado do editor —, Devin foi concebido como um agente autônomo: recebe uma tarefa, roda na própria máquina, navega o repositório, escreve código, testa, debuga o próprio trabalho e abre um pull request para revisão humana. Ponta a ponta. Wu é um ex-prodígio de olimpíadas de matemática e programação que decidiu que o gargalo da engenharia de software não é a digitação de código, mas a execução completa de uma tarefa. A história de Devin é, ao mesmo tempo, a história de uma tese técnica ousada e de um dos episódios mais instrutivos sobre a distância entre demo e realidade na era dos agentes. Para quem opera um portfólio com time de engenharia, vale estudar as duas coisas: a aposta e a controvérsia.

Quem são

Scott Wu nasceu em 1997, em Louisiana, filho de uma família de imigrantes chineses. Estudou na Baton Rouge Magnet High School e foi, desde cedo, um fenômeno em competições. Em 2011 foi campeão individual do Mathcounts representando a Louisiana. Entre 2012 e 2014 conquistou três medalhas de ouro na Olimpíada Internacional de Informática (IOI), ficando em primeiro lugar geral em 2014 — uma das melhores trajetórias da história americana na competição. No Codeforces, plataforma onde programadores competitivos medem força, atingiu o título de Legendary Grandmaster, com rating de pico de 3350, faixa habitada por pouquíssimas pessoas no planeta. Entrou em Harvard, onde competiu pelo time de programação e ganhou medalha de ouro no ICPC em 2016, mas largou o curso depois de dois anos.

Antes da Cognition, Wu foi engenheiro na Addepar e, em 2017, co-fundou a Lunchclub, uma startup de networking impulsionada por IA, onde foi CTO até 2022 e que lhe rendeu uma vaga na lista Forbes 30 Under 30 em 2020. A Cognition AI foi fundada em novembro de 2023, junto com Steven Hao (ouro na IOI em 2014, formado em matemática e ciência da computação pelo MIT, engenheiro nos primeiros tempos da Scale AI) e Walden Yan (ouro na IOI em 2020, Thiel Fellow, ex-engenheiro da Cursor). O time fundador inteiro saiu, em boa parte, do mesmo ecossistema de olimpíadas de programação. Não é coincidência narrativa: é a tese de contratação. Wu acredita que os melhores resolvedores de problemas algorítmicos do mundo são exatamente as pessoas certas para ensinar uma máquina a resolver problemas de engenharia de ponta a ponta.

A empresa começou de forma quase caricatural de startup: um hackathon no Thanksgiving de 2023, em um Airbnb alugado. Por volta do Natal daquele ano, um protótipo conseguiu, de forma autônoma, desbloquear um servidor travado — o momento em que ficou claro que havia algo ali. Em março de 2024, Devin saiu do modo furtivo com um vídeo de demonstração que viralizou globalmente.

A grande contribuição

A contribuição de Wu não é um algoritmo nem um modelo de fundação — a Cognition não treina os próprios LLMs de fronteira. A contribuição é uma aposta de arquitetura de produto e uma aposta narrativa, e as duas precisam ser entendidas juntas.

A aposta de arquitetura é a do agente totalmente autônomo. A maioria das ferramentas de código da época — e ainda hoje — vive dentro do editor, ao lado do desenvolvedor, sugerindo e completando. Wu inverteu o palco. Devin não fica ao lado do humano; o humano fica ao lado de Devin. O agente recebe um ticket, planeja, executa em um ambiente próprio com terminal, navegador e editor, e devolve trabalho pronto para revisão. A unidade de trabalho deixa de ser a linha de código e passa a ser a tarefa. É uma diferença filosófica enorme. Um copiloto te torna mais rápido digitando; um agente, na promessa, faz a tarefa enquanto você faz outra coisa.

A aposta narrativa foi chamar Devin de "o primeiro engenheiro de software de IA". Aqui está a genialidade e o calcanhar de aquiles ao mesmo tempo. A frase posicionou a Cognition instantaneamente como a empresa da fronteira e atraiu capital, talento e atenção. Mas também criou uma régua impossível: se você se anuncia como "engenheiro", as pessoas vão comparar seu trabalho ao de um engenheiro de verdade — e cobrar a diferença. Wu lançou Devin marcando 13,86% no SWE-bench, um benchmark de tarefas reais extraídas de issues do GitHub. Era, à época, o estado da arte para resolução autônoma de issues, mas estava muito longe de "engenheiro". A distância entre o nome e o número virou o centro da controvérsia que examino mais adiante.

O ponto que merece crédito honesto: Wu usou a vantagem de ter chegado primeiro para compor uma liderança real. A Cognition levantou capital da Founders Fund de Peter Thiel, depois uma Série A de US$ 175 milhões que levou a avaliação acima de US$ 2 bilhões, e em setembro de 2025 uma rodada de US$ 400 milhões a uma avaliação de US$ 10 bilhões. Em julho de 2025, em uma negociação relâmpago de fim de semana, a Cognition adquiriu a Windsurf — um dos editores de código com IA mais conhecidos — absorvendo produto, time e marca. A receita recorrente anual, que era de cerca de US$ 1 milhão em setembro de 2024, chegou a cerca de US$ 73 milhões em junho de 2025. E os benchmarks que começaram em 13% subiram para a casa dos 90% no SWE-bench original e dos 80% no SWE-bench Pro, segundo a empresa. Seja qual for o julgamento sobre o hype inicial, a compounding foi real.

As ideias-chave

A tarefa, não a linha, é a unidade de trabalho

A ideia central de Devin é mudar a granularidade da automação. Um autocomplete opera no nível do token e da linha; ganha-se velocidade marginal por digitação. Um agente autônomo opera no nível da tarefa: "corrija este bug", "migre esta dependência", "implemente este endpoint com testes". A consequência prática é que o trabalho do humano deixa de ser escrever e passa a ser especificar e revisar. No portfólio, isso muda a forma como penso a fila de trabalho do time de engenharia do SaaS B2B: tarefas pequenas, bem delimitadas e verificáveis são exatamente onde um agente entrega; tarefas grandes, ambíguas e cheias de contexto tácito são onde ele tropeça. A questão deixa de ser "isso substitui um dev?" e vira "esta tarefa específica é delegável a um agente?".

O agente precisa de um ambiente, não só de um prompt

Devin não é um chat. É um agente com sandbox próprio: terminal, navegador, editor, capacidade de rodar testes e ler os resultados. Essa é uma ideia subestimada. Boa parte da diferença entre um agente útil e um gerador de texto bonito está no loop de feedback: o agente executa, observa o erro, corrige. Sem ambiente para executar e verificar, o modelo só "imagina" código. A lição operacional é que adotar agentes não é só comprar uma assinatura — é dar a eles infraestrutura: ambientes reprodutíveis, testes automatizados confiáveis, CI que devolve sinais claros. Onde o seu CI é frágil, o agente fica cego.

Contratar resolvedores de problemas, não digitadores

A tese de talento da Cognition — encher a empresa de medalhistas de olimpíada — reflete uma crença sobre o que importa quando se constrói agentes: a capacidade de decompor problemas difíceis e raciocinar sobre estados é mais valiosa do que conhecimento de frameworks. É uma aposta discutível para uma empresa de produto, mas reveladora da visão de Wu sobre o que é engenharia: resolução de problemas, não datilografia. Para um operador, a tradução é cuidadosa: o seu time não precisa ser de medalhistas, mas precisa de gente que saiba especificar problemas com precisão — porque essa é justamente a habilidade que os agentes exigem do humano que os comanda.

Augmentar, não substituir (a correção de rota)

Depois do estardalhaço de "primeiro engenheiro de IA", Wu passou a enfatizar publicamente, em 2025 e 2026, um enquadramento mais sóbrio: Devin como "buddy", colega que ajuda a construir mais, operando "em algum lugar entre um engenheiro júnior e pleno" dependendo da tarefa. É tanto uma correção de expectativa quanto uma tese de produto: a abundância de software vem de baixar a barreira para construir, não de demitir quem constrói. Vale notar a tensão: a mesma empresa que diz "nunca pensamos em substituir humanos" também afirma que seus próprios engenheiros já "não escrevem código" e descreve uma cultura de jornadas de 80 horas e seis dias presenciais. A retórica de augmentação convive com uma prática internamente bem mais agressiva.

Em suas palavras

"When we started building Devin, it's kind of a funny thing, but we really just thought of it as: this is your buddy who helps you build more." — TechCrunch, 29 maio 2026

"We've never thought about it as replacing humans. I know it's like a scenario, folks have said these things. It has never been our view." — TechCrunch, 29 maio 2026

"Most software engineers love building software, right? If you ask them why, what they'll basically tell you is, 'Well, it's like I get to build things from nothing.'" — TechCrunch, 29 maio 2026

"It should always be up to the human what to do … you really see this in software engineering, but I think it's true in all these other professions too." — TechCrunch, 29 maio 2026

Limites e críticas

É impossível falar de Devin com honestidade sem encarar a controvérsia da demo. Em abril de 2024, o desenvolvedor veterano Carl Brown, do canal "Internet of Bugs" no YouTube, publicou um vídeo de cerca de 27 minutos intitulado "Debunking Devin: 'First AI Software Engineer' Upwork Lie Exposed". Brown analisou quadro a quadro a demonstração "Devin's Upwork Side Hustle" da Cognition e comparou as ações na tela com a tarefa real do Upwork. Suas conclusões foram duras e específicas: parte dos "bugs" que Devin alegou encontrar e corrigir não existia no repositório original — em pelo menos um caso, o agente apontava um arquivo que ele mesmo havia criado, corrigindo um problema fictício que ele próprio introduzira na sessão. A sessão, editada para cerca de dois minutos no vídeo de marketing, na verdade levou várias horas de tempo de agente; Brown reproduziu a mesma tarefa manualmente em cerca de 36 minutos. E Devin, segundo ele, não atendeu de fato aos requisitos do cliente do anúncio.

A crítica importa por três razões. Primeira: ela é o exemplo canônico do golfo entre demo curada e desempenho real em agentes de código. Vídeos de marketing mostram o caminho feliz; produção mostra o caminho real, com loops, becos sem saída e custo de computação. Segunda: a régua que a própria Cognition escolheu — "engenheiro de software" — tornou a decepção inevitável; 13% no SWE-bench é estado da arte para um agente autônomo, mas é um número embaraçoso para algo chamado de engenheiro. Terceira, e mais útil para quem decide compras: a lição não é "Devin é fake", porque não é — a ferramenta evoluiu muito e tem casos de uso reais. A lição é metodológica: nunca avalie um agente por demo. Avalie por reprodução, no seu próprio repositório, nas suas próprias tarefas, com seus próprios critérios de aceite.

Há limites estruturais que persistem mesmo com os ganhos de benchmark. Benchmark não é trabalho real: SWE-bench é composto de issues bem delimitadas e verificáveis, o que favorece agentes; o trabalho de produção tem ambiguidade, contexto tácito, dependências invisíveis e requisitos que mudam no meio. Custo e latência importam: um agente que roda horas e consome computação para uma tarefa que um humano faz em 36 minutos só compensa se rodar em paralelo, sem supervisão, em escala — o que nem sempre acontece. E há o risco de confiança: código que parece pronto e passa nos testes pode esconder defeitos sutis, o que transfere o gargalo para a revisão humana. Em times pequenos, revisar código de agente pode custar mais do que escrevê-lo. Por fim, há a questão de governança da própria narrativa: a distância entre o que Wu disse em 2024 e o que diz em 2026 é grande, e parte da credibilidade que a Cognition reconstruiu veio justamente de moderar o discurso depois de entregar resultado.

Como aplicar no seu dia a dia

Num time de engenharia que já usa agentes de IA, a tese de Wu entra como princípio de triagem, não como fé. A pergunta operacional não é "vamos substituir engenheiros por Devin?" — é "quais tarefas da sua fila são delegáveis a um agente autônomo com ganho real?". Migrações de dependência, correções de bugs bem reproduzidos, cobertura de testes, refatorações mecânicas, atualizações repetitivas em muitos arquivos: é aí que um agente paga. Features ambíguas, decisões de arquitetura, trabalho que depende de contexto de negócio que não está escrito em lugar nenhum: aí ele atrapalha mais do que ajuda.

A segunda aplicação é de infraestrutura. A lição de que "o agente precisa de ambiente, não só de prompt" vira critério de prontidão. Antes de delegar trabalho a agentes em escala, invista em ambientes reprodutíveis, testes confiáveis e CI que devolve sinais claros — porque é isso que fecha o loop de verificação do agente. Onde o CI é frágil, qualquer ferramenta de agente vira gerador de retrabalho.

A terceira aplicação é o ceticismo metodológico que a controvérsia do Devin ensina, e que vale para toda compra de ferramenta. Separe promessa de entrega e transforme isso em processo: nenhuma ferramenta de IA entra com base em demo de vendedor. Entra depois de um piloto fechado, rodando nas suas tarefas reais, com métricas de aceite definidas antes (taxa de PRs aprovados sem retrabalho, tempo de revisão, custo por tarefa concluída). É o mesmo rigor de qualquer fornecedor crítico: o folheto promete, a bancada de teste decide.

A quarta é sobre talento e organização. A aposta de Wu de contratar resolvedores de problemas se traduz em valorizar quem sabe especificar — porque o gargalo, num mundo de agentes, migra da escrita para a especificação e a revisão. O papel do engenheiro sênior muda: menos digitar, mais definir tarefas delegáveis e revisar trabalho de máquina com olhar crítico. Desenhe carreira e processo levando isso a sério.

Para ir além

Comece por: o vídeo de demonstração original de Devin (março de 2024) e, logo em seguida, o vídeo "Debunking Devin" do canal Internet of Bugs (abril de 2024). Ver os dois lado a lado, nessa ordem, é a melhor aula curta sobre demo versus realidade em agentes de código.

Depois: a entrevista de Scott Wu à TechCrunch (29 maio 2026) sobre augmentar versus substituir, e o paper técnico de SWE-bench, para entender exatamente o que esses números medem — e o que não medem.

Avançado: acompanhe a evolução do SWE-bench e do SWE-bench Pro e os relatórios de empresas que rodaram Devin em produção (como os números de refatoração reportados pela Nubank), sempre lendo com olhar de operador: que tarefa, que custo, que taxa de retrabalho. E estude a aquisição da Windsurf como caso de consolidação no mercado de ferramentas de código.

Conexões no vault

• IA e Tecnologia — visão geral da área
• cursor-aman-sanger-michael-truell — a tese do copiloto integrado ao editor, o contraponto direto à aposta de agente autônomo de Wu
• sourcegraph-beyang-liu-quinn-slack — "big code" e contexto de base de código: o que falta para agentes como Devin funcionarem em codebases empresariais
• swyx — swyx endossou publicamente Devin e depois entrou para a Cognition; cunhou o termo "AI Engineer" que emoldura todo esse debate
• andrej-karpathy — sobre o que os modelos de fundação por baixo dos agentes realmente conseguem fazer
• sam-altman — o mercado de capital e a narrativa de abundância que financia apostas como a da Cognition