Da Entrega à Mudança: como transformar Data Analytics em um motor de valor para o negócio
Como transicionar Data Analytics de uma fábrica de entregas para um motor contínuo de...
Uma visão sobre a estrutura da AWS, squads híbridas e o que muda quando agentes passam a participar do ciclo de desenvolvimento.
A inteligência artificial está mudando o desenvolvimento de software para muito além dos assistentes de código. Agentes já conseguem interpretar requisitos, elaborar planos, alterar artefatos, executar testes e interagir com ferramentas. Mas essa evolução traz uma pergunta mais importante do que simplesmente medir quanto mais rápido conseguimos programar:
Se a execução acelera, nossa organização consegue decidir, validar e aprender na mesma velocidade?
É nesse cenário que surge o AI-Driven Development Life Cycle - AI-DLC. Neste artigo, o termo se refere à abordagem proposta pela AWS: uma forma de organizar o ciclo em que IA participa de diferentes partes do trabalho, enquanto pessoas continuam responsáveis por resultado, risco e decisões relevantes.
Não é o fim do SDLC - Software Development Life Cycle
Durante décadas, organizamos o desenvolvimento em torno do SDLC: compreender uma necessidade, planejar, construir, testar, disponibilizar e operar. O AI-DLC não elimina essa lógica. Ele muda principalmente como determinadas partes da execução acontecem.
Quando a execução fica mais rápida, outras capacidades ganham peso: intenção, contexto, verificação, decisão e aprendizado. Por isso, o AI-DLC deve ser lido como uma evolução do ciclo - não como uma ruptura completa.
A estrutura do AI-DLC da AWS
Na implementação aberta atual do AWS Labs, o AI-DLC organiza o ciclo em cinco fases. O escopo determina quais estágios realmente serão necessários.
Existem verification gates entre as principais fronteiras do fluxo e, ao final da Operation, o feedback retorna à Ideation. Em termos simples, o ciclo é: preparar -> definir intenção -> estruturar contexto e plano -> construir e verificar -> operar e aprender.
Durante a Inception, o trabalho pode ser decomposto em Units of Work. Na Construction, Units relacionadas podem compor Bolts, permitindo que partes menores e rastreáveis da execução avancem de acordo com suas dependências.
O ponto importante não são os nomes. É perceber que a IA participa da execução, mas o trabalho continua dependente de contexto claro, critérios, evidências e decisões.
Como a intenção vira artefato e entra no fluxo
Um exemplo de jornada de empréstimo via app ajuda a tornar o framework mais concreto. A intenção de negócio - por exemplo, melhorar conversão e reduzir o tempo de contratação - deixa de existir apenas como ideia e vira um artefato de entrada com problema, objetivos, métricas e escopo.
Esse artefato alimenta a Inception. Ali, regras de crédito, APIs, restrições regulatórias, arquitetura, critérios de aceitação, riscos e dependências formam o contexto estruturado. Em seguida, o trabalho é decomposto em Units of Work e organizado em Bolts para execução na Construction.
Testes, validações, logs e rastreabilidade são produzidos como evidências. Essas evidências alimentam decisões humanas proporcionais ao risco. Na Operation, telemetria e feedback retornam ao ciclo e atualizam o contexto das próximas decisões.
O gargalo não desaparece. Ele se desloca.
O DORA reportou que 90% dos profissionais de tecnologia pesquisados em 2025 utilizavam IA no trabalho e mais de 80% percebiam aumento de produtividade. Ainda assim, ganhos de geração não significam automaticamente menor tempo de entrega.
Em um experimento com 95 desenvolvedores profissionais, o GitHub observou conclusão 55% mais rápida em uma tarefa específica com Copilot. Já o METR, em outro contexto, encontrou aumento de 19% no tempo entre 16 desenvolvedores experientes realizando 246 tarefas reais. Os resultados mostram que não existe um ganho universal: produtividade depende de tarefa, ferramentas, experiência e do sistema de trabalho ao redor da IA.
Quando a construção acelera, tempo e esforço podem reaparecer em entendimento de contexto, revisão, testes, segurança, integração e decisão.
O gargalo não desaparece. Ele se desloca.
No Agile Trends São Paulo 2026 e no FEBRABAN TECH 2026, o AI-DLC ganhou destaque em discussões sobre desenvolvimento orientado por agentes. Grandes empresas do setor financeiro apresentaram uma perspectiva de squads híbridas formadas por humanos e agentes de IA.
Nesse modelo, humanos permanecem responsáveis por contexto, julgamento e decisão, enquanto agentes se concentram na execução e na conexão entre artefatos ao longo do fluxo.
Outro ponto discutido foi o risco de as próprias aprovações humanas se tornarem o próximo gargalo. Como resposta, foi apresentado o conceito de MOB: reunir, no momento necessário, as pessoas com conhecimento e autoridade para tomar decisões de forma rápida, evitando filas prolongadas de aprovação.
A mensagem converge com a lógica do AI-DLC: velocidade local só se transforma em resultado quando o sistema inteiro acompanha a nova capacidade de execução. Não basta acelerar a construção se contexto, validação, governança e decisão continuam operando na mesma velocidade.
Contexto passa a ser infraestrutura
Quanto maior a autonomia esperada de um agente, mais explícito precisa ser seu contexto. A organização
precisa responder com clareza: qual problema estamos resolvendo? Qual resultado esperamos? Quais restrições precisam ser respeitadas? Como saberemos que a solução está correta? Quando a IA deve interromper e solicitar uma decisão humana?
Nesse cenário, requisitos, arquitetura, políticas, critérios de aceitação e decisões deixam de ser apenas documentação de apoio. Passam a integrar a infraestrutura de execução.
Esse talvez seja um dos impactos organizacionais mais relevantes da IA: tornar explícito conhecimento que durante anos permaneceu distribuído entre reuniões, documentos e pessoas.
Mais autonomia exige melhor governança
Nem toda mudança deveria receber o mesmo nível de autonomia. Mudanças pequenas, reversíveis e de baixo impacto podem admitir maior execução automatizada. Mudanças relacionadas a segurança, dados sensíveis, transações ou ambientes críticos exigem outros controles.
Por isso, a pergunta não deveria ser 'podemos permitir que agentes trabalhem sozinhos?', mas 'que autonomia é aceitável para esta mudança, considerando seu risco?'.
Também é importante separar autonomia para executar de autoridade para integrar ou promover uma mudança. Human-in-the-loop não significa colocar pessoas para aprovar tudo. Significa posicionar julgamento humano onde ele efetivamente altera o resultado.
Resultado precisa substituir volume
Se a IA produz mais código, funcionalidades ou pull requests, medir apenas volume pode criar uma impressão errada de produtividade. Velocidade é uma variável do sistema; resultado é a finalidade.
Além de fluxo, organizações precisam acompanhar estabilidade, qualidade e risco, governança, economia, tempo de revisão e sustentabilidade das equipes. A pergunta central deixa de ser 'quanto software produzimos?' e passa a ser 'com que rapidez transformamos uma intenção em resultado comprovado?'.
O verdadeiro impacto do AI-DLC
O DORA descreve a IA como um amplificador das capacidades existentes de uma organização. Boas práticas podem ser potencializadas, mas fragilidades também.
Por isso, simplesmente disponibilizar agentes não transforma automaticamente o desenvolvimento. A transformação acontece quando conseguimos organizar melhor:
Intenção -> Contexto -> Execução -> Evidência -> Decisão -> Aprendizado
A IA pode acelerar extraordinariamente a execução. Mas a vantagem tende a estar nas organizações capazes de fornecer contexto, verificar evidências, decidir e aprender na mesma velocidade.
Estamos apenas acelerando a produção de software ou redesenhando nossa capacidade de transformar intenção em resultado?
Fontes essenciais
• AWS Labs AI-DLC Workflows - Phases and Stages -
https://awslabs.github.io/aidlc-workflows/guide/04-phases-and-stages/
• DORA - Balancing AI tensions - https://dora.dev/insights/balancing-ai-tensions/
• GitHub Research - Quantifying GitHub Copilot's impact on developer productivity - https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-on-developer-productivity-and-happiness/
• METR - Measuring the Impact of Early-2025 AI on Experienced Open-Source Developers - https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
• DORA - State of AI-Assisted Software Development 2025 - https://dora.dev/research/2025/dora-report/
• OWASP - Secure Coding with AI Cheat Sheet https://cheatsheetseries.owasp.org/cheatsheets/Secure_Coding_with_AI_Cheat_Sheet.html
• Agile Trends São Paulo 2026 - matéria sobre squads híbridas e agentes de IA - https://agiletrendsbr.com/itau-projeta-squads-com-agentes-de-ia-ate-20-vezes-mais-rapidas/
• FEBRABAN TECH 2026 - liderança humana e IA autônoma - https://febrabantech.com/noticias/febraban-tech-2026-destaca-parceria-entre-ia-autonoma-e-lideranca-humana
As três alavancas para construir sistemas melhores com LLMs
Antes de trocar de modelo ou iniciar um fine-tuning, aprenda a diagnosticar o problema...
Incorporando acessibilidade e inclusão no desenvolvimento de produto
Laboratório de inovação da Foursys estrutura práticas de acessibilidade desde as etapas...