Os 3 Cs: Mentoria Sustentável em Open Source com IA

Olá, sou Jackson, Engenheiro de Software Sênior e Arquiteto de Soluções na AITY. No cenário atual da engenharia de software, o ecossistema open source é um pilar fundamental para a inovação. No entanto, estamos vivenciando uma transformação que exige nossa atenção e adaptação, especialmente na forma como cultivamos talentos e mantemos a saúde de nossas comunidades.

O Desafio da Mentoria na Era da IA

A ascensão das ferramentas de Inteligência Artificial (IA) tem impactado profundamente a dinâmica do desenvolvimento open source. Dados do relatório Octoverse 2025 indicam que desenvolvedores realizaram o merge de quase 45 milhões de pull requests por mês em 2025, um aumento de 23% ano a ano. Este volume massivo de contribuições, muitas vezes impulsionado por IA, criou um fenômeno análogo ao "Eternal September" do open source: um influxo constante de novos colaboradores que sobrecarrega os sistemas sociais nos quais confiamos para construir confiança e mentorar novatos.

Antigos sinais de contribuição, como código limpo, prazos rápidos e a capacidade de lidar com complexidade, indicavam um investimento de tempo e compreensão da base de código. Hoje, a IA pode gerar esses atributos em segundos, tornando esses sinais menos confiáveis. Isso leva a cenários onde mantenedores dedicam horas a revisar pull requests aparentemente polidos, apenas para descobrir que o colaborador não possui o contexto necessário ou que a contribuição foi gerada por IA sem a devida compreensão. Projetos como tldraw e Fastify já enfrentam dificuldades em gerenciar o volume e a qualidade das contribuições e relatórios. O custo de criar diminuiu drasticamente, mas o custo de revisar não.

Essa situação está levando muitos mantenedores ao esgotamento, ameaçando a capacidade de comunidades open source de escalar e inovar.

O Poder Multiplicador da Mentoria

A mentoria é a espinha dorsal de como as comunidades open source crescem e se sustentam. Não se trata apenas de adicionar um novo colaborador, mas de criar um efeito multiplicador. Um mentor eficaz capacita um novo membro não apenas a contribuir, mas a, por sua vez, mentorar outros, replicando esse conhecimento e engajamento.

O impacto desse efeito multiplicador é notável:

| Ano | Transmissão (1.000/ano) | Mentoria (2 a cada 6 meses, eles fazem o mesmo) | |---|---|---| | 1 | 1.000 | 9 | | 3 | 3.000 | 729 | | 5 | 5.000 | 59.049 |

No entanto, se os mantenedores se esgotam ao tentar mentorar todas as pull requests, corremos o risco de perder completamente esse efeito multiplicador. Com muitos mantenedores de longa data se afastando da contribuição ativa, é imperativo que sejamos estratégicos em quem investimos nossa energia de mentoria.

Os 3 Cs: Um Framework para Mentoria Estratégica

Para endereçar esses desafios e garantir que a mentoria continue sendo um pilar forte, proponho o framework dos 3 Cs: Compreensão, Contexto e Continuidade. Estes são filtros que os mantenedores podem usar para decidir onde investir sua energia de mentoria quando os sinais de contribuição se tornam mais difíceis de ler.

Compreensão

O colaborador entende o problema o suficiente para propor esta mudança? Este "C" foca em validar o conhecimento fundamental do colaborador sobre a tarefa. * Requerimento de issue antes de PR: Alguns projetos, como Codex e Gemini CLI, exigem que os colaboradores abram uma issue e obtenham aprovação antes de enviar um pull request. A verificação da compreensão ocorre nessa conversa inicial. * Eventos presenciais: Code sprints e hackathons presenciais prosperam, pois permitem conversas em tempo real entre mantenedores e potenciais colaboradores para verificar interesse e, crucialmente, compreensão.

Não se espera que os colaboradores compreendam o projeto inteiro, mas que não se comprometam com códigos acima do seu nível de compreensão atual.

Contexto

O colaborador fornece o que é necessário para uma boa revisão? Este "C" garante que o revisor tenha todas as informações para fazer seu trabalho de forma eficiente. * Informações essenciais: Pedir para vincular à issue original, explicar trade-offs e, cada vez mais, divulgar o uso de IA. * Divulgação de uso de IA: Políticas de divulgação de IA estão se tornando comuns (ex: ROOST, Processing Foundation, Fedora). Saber que uma pull request foi assistida por IA permite ao revisor calibrar a revisão, focando mais em perguntas esclarecedoras ou na compreensão do colaborador sobre os trade-offs, e não apenas se o código funciona. * AGENTS.md: Projetos como scikit-learn e Goose usam AGENTS.md (análogo a robots.txt para copilotos de IA) para fornecer instruções a agentes de codificação de IA, como seguir diretrizes, verificar issues atribuídas ou respeitar normas. Isso transfere a carga de reunir o contexto para o colaborador (ou suas ferramentas).

Continuidade

O colaborador continua engajado? Este "C" é o filtro definitivo para o investimento em mentoria profunda. Contribuições pontuais são úteis, mas o investimento de tempo e energia na mentoria deve ser direcionado àqueles que retornam e se engajam de forma atenciosa.

A progressão da mentoria pode ser vista assim: * PR Enviado -> Segue as Diretrizes? * NÃO -> Fechar. Sem culpa. Proteja seu tempo para contribuições que realmente importam. * SIM -> Revisar -> O Colaborador Retorna? * SIM -> Considerar Mentoria profunda.

Se alguém retorna, engaja-se nas issues, envia um segundo pull request e responde atenciosamente ao feedback, é nesse momento que você deve prestar atenção e investir. Esta abordagem protege o efeito multiplicador e reduz o viés, oferecendo critérios claros em vez de depender de "sensações" ao decidir quem mentorar, tornando a mentoria mais equitativa.

Implementação Prática e Impacto Sustentável

Podemos começar a implementar um dos "Cs" imediatamente, mas o ideal é procurar por todos os três ao decidir quem mentorar:

• Compreensão: Exija uma issue antes de um pull request ou organize um code sprint presencial.
• Contexto: Adicione uma política de divulgação de IA ou um arquivo AGENTS.md.
• Continuidade: Monitore quem retorna e se engaja consistentemente.

Esta não é uma medida para restringir contribuições assistidas por IA, mas sim para construir salvaguardas que protejam a mentoria humana e mantenham as comunidades saudáveis. As ferramentas de IA vieram para ficar. A questão é se adaptamos nossas práticas para preservar o que faz o open source funcionar: relacionamentos humanos, transferência de conhecimento e o inestimável efeito multiplicador. O framework dos 3 Cs nos oferece exatamente isso.