A equipe responsável pelos pacotes do Ubuntu Server integrou assistência de inteligência artificial ao trabalho diário de triagem de bugs no Launchpad. A tecnologia atua como uma camada de pré-investigação através da ferramenta startriage. O agente analisa o problema, cruza dados e sugere soluções, mas uma pessoa continua responsável pela decisão final. O próximo passo do projeto é avançar da análise de texto para a experimentação real, permitindo que a IA tente reproduzir as falhas relatadas em ambientes isolados.
Centenas de pacotes geram um fluxo diário de bugs
A manutenção de uma distribuição exige correlacionar informações espalhadas. A equipe do Ubuntu Server lida diariamente com centenas de pacotes que recebem novos relatos de falhas, comentários adicionais e mudanças de status. O processo de triagem não serve necessariamente para corrigir o problema na mesma hora, mas para decidir o que aquele relato representa.
O mantenedor precisa descobrir se a falha é real, se é apenas um pedido de suporte, se já existe correção na versão original do software (upstream) ou se o problema também afeta o Debian. Parte considerável desse trabalho consome tempo em verificações repetitivas.
Startriage reuniu a triagem em um único relatório
Para organizar esse volume de dados, a equipe utiliza uma ferramenta chamada startriage. Ela coleta atualizações do Launchpad, do GitHub, do Ubuntu Discourse e do proposed-migration, montando um relatório unificado.
A ferramenta também recupera bugs sem atividade há 60 ou 180 dias. Esse prazo maior equivale aproximadamente a um ciclo de desenvolvimento do Ubuntu e funciona como uma segunda oportunidade para evitar que problemas antigos desapareçam no backlog.
Agora um agente faz a investigação preliminar
A novidade detalhada pelo desenvolvedor Renan Rodrigo em 19 de novembro de 2026 é a introdução de uma análise assistida por IA dentro desse fluxo. O startriage agora pode invocar um agente para realizar a investigação inicial antes que o humano comece a trabalhar.
O modelo avalia a descrição do problema, lê os comentários, procura possíveis duplicatas, analisa changelogs e verifica o código-fonte. Ao final do processo, ele sugere o status adequado, quais tags aplicar, propõe uma resposta ao usuário e, quando possível, apresenta uma proposta de correção. A IA atua estritamente como uma segunda opinião no relatório.
O agente pode encontrar até uma correção upstream

Em vez de enviar um comando pedindo para a IA investigar todo o contexto de uma só vez, o startriage divide o trabalho em pequenas etapas, como validação inicial, busca por duplicatas e análise de código. Se uma etapa conclui que o problema não exige mais processamento, a investigação para mais cedo.
A publicação oficial detalha exemplos reais. No caso do ticket LP: #2171625, que envolvia uma atualização planejada com o template já preenchido, a IA percebeu rapidamente que não era um novo relato de erro. O processo parou cedo, utilizando apenas 7 mil tokens de entrada.
Outro cenário ocorreu no ticket LP: #2173817, referente ao comando ethtool em Ubuntu Noble. O agente identificou que o usuário já havia anexado uma correção (debdiff) e que a solução upstream era conhecida. Em poucos segundos, o relatório informou ao desenvolvedor que o bug estava pronto para avançar no processo de atualização.
Um bug exigiu cinco sessões e cerca de 150 mil tokens
Análises profundas revelam o custo computacional da ferramenta. No caso do ticket LP: #2174673, focado em mensagens de bloqueio do AppArmor no pacote iotop-c, a investigação foi mais longa.
O agente analisou os logs, identificou o arquivo bloqueado, confirmou a falha, procurou duplicatas, buscou no upstream e encontrou uma correção em um Merge Request ainda aberto. Depois de isolar o commit exato, transformou a correção em um patch no formato esperado pelo Ubuntu e verificou se ele poderia ser aplicado nas versões afetadas. Esse trabalho exigiu cinco sessões e consumiu aproximadamente 150 mil tokens de entrada, demonstrando que a IA não é um recurso de custo zero.
Ubuntu verifica automaticamente partes da resposta da IA
Como modelos gerativos podem apresentar respostas convincentes e erradas, o startriage aplica validações determinísticas sobre as saídas.
Se a IA cita uma URL, o sistema testa se a página existe. Se aponta para uma localização de código, a ferramenta verifica se o arquivo está no repositório. Quando um patch é proposto, o startriage tenta aplicá-lo em modo de teste contra as versões afetadas. Se qualquer uma dessas verificações falhar, o relatório sinaliza o problema para alertar o revisor humano. Contudo, o fato de um patch ser aplicado sem conflitos não prova que ele é arquiteturalmente seguro ou definitivo.
Mas o agente não pode publicar nada
A equipe estabeleceu um limite claro de autonomia. Os comandos de IA não possuem permissão para escrever no Launchpad.
O agente não pode comentar de forma autônoma, mudar o status, alterar tags, fechar bugs ou fazer upload de pacotes. Todas as informações geradas ficam contidas no relatório do startriage. Uma pessoa precisa ler, verificar, tomar a decisão e somente depois executar qualquer ação nos sistemas públicos.
Apenas bugs públicos chegam ao modelo
A ferramenta roteia os dados antes que qualquer provedor de IA seja chamado. Somente bugs públicos são encaminhados para análise. Relatos privados não são enviados ao modelo em nenhuma hipótese.
A arquitetura também permite flexibilidade na escolha do motor de inteligência artificial. O startriage não obriga o uso de uma empresa específica, oferecendo suporte a provedores compatíveis com OpenAI, GitHub Copilot e OpenRouter.
A própria equipe admite que a IA ainda inventa fatos
A documentação publicada por Renan Rodrigo é transparente sobre as limitações do sistema operacional, destacando que alguma alucinação ainda acontece.
O modelo pode tomar atalhos, inventar conteúdos ou confundir problemas semelhantes. Em ocorrências muito simples, o agente também pode tentar desenvolver uma investigação extensa quando tudo o que o mantenedor precisava era pedir os logs ao usuário. Esses comportamentos justificam a revisão humana obrigatória.
Modelos mais baratos também apresentam mais dificuldades
O desempenho da triagem varia consideravelmente conforme a tecnologia empregada. A publicação oficial relata que modelos mais baratos ou menos capazes demonstram maior confusão e, em alguns momentos, falham em produzir informação útil. A estratégia do projeto é resolver deterministicamente tudo aquilo que não exige inteligência artificial e acionar o modelo apenas quando a análise textual for estritamente necessária.
Próximo passo: tentar reproduzir bugs sozinho
O grande diferencial planejado pela equipe mudará a natureza da ferramenta. Atualmente, o agente raciocina apenas a partir da documentação técnica e dos logs. Ele ainda não executa o software defeituoso.
A próxima iteração do projeto pretende fornecer ferramentas como LXD e Multipass. Isso permitirá que a IA tente criar um container ou máquina virtual, instalar a versão afetada do pacote, executar os passos indicados pelo usuário e verificar na prática se o erro realmente ocorre. O agente passará da análise de texto para a experimentação.
O agente ainda precisará de autorização para ganhar ferramentas
A capacidade de reproduzir falhas será implementada como um recurso opt-in. Se as ferramentas de virtualização não forem autorizadas, a etapa de reprodução será ignorada pelo startriage.
A documentação atual do repositório já alerta que o modo de aprovação automática de ferramentas permite a execução de comandos arbitrários, orientando o uso exclusivo em ambientes descartáveis. A filosofia do projeto é não conceder ao modelo mais acessos do que o necessário.
Isso significa que a IA vai corrigir o Ubuntu sozinha?
Não. O estado atual da ferramenta envolve busca e sugestão. Propor um patch não é o mesmo que publicá-lo. Quem decide se uma alteração entra nas versões oficiais do Ubuntu continua sendo um desenvolvedor, seguindo os processos tradicionais de revisão e qualidade da distribuição.
Fedora e Ubuntu enfrentam lados diferentes do mesmo problema
O uso de IA em projetos open source tem gerado respostas variadas. Enquanto o Fedora discute estratégias para impedir que a facilidade na geração de código produza contribuições de baixa qualidade e sobrecarregue seus revisores, a equipe do Ubuntu Server foca no problema inverso. A Canonical está utilizando a mesma tecnologia internamente para reduzir o trabalho braçal e repetitivo de quem já atua na manutenção do sistema.
Como pode ser a manutenção de uma distro com agentes?
O experimento conduzido pela equipe do Ubuntu Server sugere uma possível divisão para o futuro da engenharia de distribuições. Tarefas como busca, comparação, coleta de evidências e tentativas de reprodução de erros tendem a ficar com as máquinas. O julgamento, a comunicação com a comunidade e a responsabilidade pelas correções integradas permanecem como funções exclusivamente humanas.
O sistema desenvolvido no startriage indica que o uso de agentes é eficiente quando eles estão limitados a investigar, deixando o veredito para o mantenedor.
