Acelerando o ciclo de vida da entrega de software com IA generativa: lições do Enterprise Payment Services da IBM

Há três meses, o backlog de testes de regressão e o tempo de execução da minha equipe eram um problema persistente em cada sprint. Hoje, o Bob reduziu nosso esforço de testes em mais de 70%. Esse resultado foi alcançado implementando o IBM Bob, o assistente de desenvolvimento de IA da IBM, integrado nativamente ao fluxo de trabalho de testes, como membro integral de nossa equipe. Isso prova que a entrega de software aprimorada por IA não é mais um conceito futuro.

As equipes de engenharia de software estão enfrentando uma pressão crescente de várias direções simultaneamente. Os órgãos reguladores estão reforçando as exigências de conformidade. Os auditores de segurança estão exigindo maior visibilidade do gerenciamento de vulnerabilidades e dos cronogramas de remediação. Enquanto isso, os clientes estão acelerando suas demandas funcionais, esperando um tempo de lançamento no mercado mais rápido, sem impacto na qualidade ou na estabilidade.

A equipe do IBM Payment Center Enterprise Payment Services (EPS) opera uma plataforma de pagamentos altamente regulamentada e de alto valor, e convivemos com essas pressões todos os dias. As plataformas de pagamento estão no ponto de convergência de todos esses fatores: regulamentações financeiras, requisitos de resiliência operacional, exigências de segurança e demandas competitivas dos clientes convergem em uma única base de código.

A pergunta que me propus a responder este ano é simples: como podemos fazer mais, mais rápido, com as mesmas pessoas, sem sacrificar a qualidade ou a estabilidade?

A resposta é a IA generativa, especificamente o IBM Bob, que integramos no início de 2026 como membro efetivo da equipe de engenharia de EPS. Alcançamos um progresso significativo em apenas alguns meses. Esses resultados refletem uma transformação mais ampla que está ocorrendo em todo o setor.

A IA generativa deixou de ser um experimento piloto limitado a sugestões de preenchimento automático. Ela está sendo integrada em todas as principais etapas do ciclo de vida de desenvolvimento de software (SDLC), desde a coleta de requisitos até a resposta a incidentes em produção. Os resultados são tão convincentes que as organizações que ainda não investem terão uma desvantagem competitiva real.

Nossa experiência mapeia de forma clara todo o ciclo de entrega de software. Vamos analisar cada fase.

Requisitos: transformar ruído em estrutura
 

A coleta de requisitos sempre foi a fase com maior ambiguidade e com o maior potencial para custos posteriores. Requisitos deficientes são a causa raiz de uma parcela desproporcional de retrabalho no projeto, escopo perdido e injeção de defeitos. Um defeito encontrado nos requisitos custa uma fração de um defeito encontrado em produção.

A IA generativa muda fundamentalmente a economia dessa fase. No contexto de EPS, o Bob lida com:

• Geração rápida de histórias de usuário e documentação, transformando notas de reuniões e conversas com stakeholders diretamente em histórias de usuário e critérios de aceitação estruturados e prontos para o Jira.
• Identificação de requisitos ausentes, analisando histórias existentes em relação ao contexto de negócios e sinalizando lacunas que os analistas de negócios humanos podem não detectar até o final da sprint.
• Tradução de entradas não estruturadas, convertendo transcrições, e-mails e notas informais em artefatos de requisitos formais.

Observamos melhorias de produtividade de 30 a 40% na fase de requisitos ao usar o Bob para auxiliar os analistas de negócios, principalmente por meio da eliminação do trabalho manual de transcrição, reformatação e referência cruzada. Essas estimativas medidas pela equipe são baseadas no esforço monitorado do analista de negócios antes e depois da inclusão do Bob na equipe.

O principal facilitador é a consciência contextual do Bob. Nós o carregamos com o conjunto completo de documentação da plataforma, normas regulatórias, normas de codificação e requisitos não funcionais. Essa base garante que os requisitos gerados reflitam as realidades arquitetônicas e regulatórias de uma plataforma de pagamentos, em vez de serem apenas sintaticamente corretos.

Engenharia e desenvolvimento: a maior oportunidade
 

O desenvolvimento é onde se concentra a maior parte das horas gastas de engenharia e, consequentemente, é onde a IA generativa oferece o maior potencial de transformação. As projeções da IBM para o Bob na fase de engenharia variam de melhorias de eficiência de 30 a 50%, uma faixa que reflete a amplitude das tarefas de engenharia e a profundidade de contexto necessária para cada uma.

Em nossa implementação, buscamos acelerar o desenvolvimento em três áreas. Em cada um deles, o Bob opera em modo semiautônomo, executando o trabalho enquanto um especialista no assunto revisa e valida a saída antes da aceitação. Essa combinação não é uma limitação; é o padrão arquitetônico correto para IA neste estágio de maturidade.

1. Revisões de código assistidas pelo Bob: o Bob recebeu acesso ao repositório de origem EPS e realiza avaliações de código junto com revisores humanos especialistas no assunto. Essa abordagem de avaliação dupla garante a adesão aos requisitos regulatórios, padrões de segurança e privacidade, bem como aos requisitos de arquitetura funcional e não funcional, detectando defeitos durante o desenvolvimento, e não nos testes ou produção. Uma pesquisa do GitHub sobre o Copilot constatou que a revisão de código assistida por IA identificou de 15% a 20% mais problemas relevantes para a segurança a cada ciclo de pull request e reduziu o tempo de resolução, pois a IA propôs diffs corretivos junto com suas descobertas.
2. Gerenciamento de vulnerabilidades e atualizações: à medida que as versões de linguagem e biblioteca evoluem e os requisitos regulatórios mudam, o Bob avalia o impacto de uma atualização de biblioteca em toda a base de código. Ele identifica sites de chamadas incompatíveis e recomenda modificações necessárias em poucos minutos, um trabalho que antes exigia que os engenheiros seniores dedicassem dias ao rastreamento manual de dependências.
3. Geração e modificação de código: o Bob fornece recomendações para modificar o código existente, com base em requisitos claros (funcionais e não funcionais), contexto da base de código e restrições regulatórias relevantes. Uma IA que gera código de processamento de pagamentos sem consciência das regras de residência de dados, padrões de tratamento de erros ou obrigações regulamentares é um passivo, não um ativo. Fornecer ao Bob esse contexto antecipadamente lidar com esse desafio.

Testes: eliminando o gargalo
 

Historicamente, os testes têm sido o fator limitante na entrega do software. As equipes de desenvolvimento produzem código mais rápido do que as equipes de QA conseguem validar. Essa assimetria é a principal motivação para a transferência de tarefas entre sprints, atrasos nos lançamentos e crescimento do backlog de testes de regressão.

Os resultados da nossa equipe de controle de qualidade são os mais sólidos e impressionantes. Três meses após a implementação do Bob como gerador de automação de teste para a plataforma de pagamentos EPS Wires, alcançamos os seguintes resultados:

• Redução de 70% na criação de automação de testes 
• Redução de 90% no backlog de testes de regressão
• Redução de 80% no tempo do ciclo de execução da regressão

Esses resultados não são melhorias marginais. Eles representam uma transformação estrutural na forma como a equipe opera. Os engenheiros de QA deixaram de escrever automações de testes clichês para revisar e refinar testes gerados por IA, uma atividade fundamentalmente mais avançada. A integração do pipeline de CI/CD significa que as falhas de regressão surgem poucas horas após uma confirmação, e não dias, reduzindo drasticamente o custo de uma alteração defeituosa.

Essa experiência está em consonância com observações mais amplas do setor. Pesquisas com organizações que implementam IA generativa para geração de testes mostraram reduções médias de 60% no tempo do ciclo de regressão, com implementações de alto desempenho, como a nossa, alcançando ganhos ainda maiores. O diferencial consistente é o contexto: geradores de testes de IA com acesso ao código todo, casos de teste existentes e requisitos de negócio produzem testes significativamente melhores do que sistemas operando apenas com trechos de código.

O IBM Bob, abastecido com todo o repositório do EPS no GitHub, padrões regulatórios e documentação funcional, exemplifica essa abordagem fundamentada no contexto.

Projeto e arquitetura: melhoria proativa
 

A IA generativa está começando a desempenhar um papel na inteligência proativa de projeto. Está indo além do ciclo reativo de construir e testar o que já foi especificado. Nosso roteiro permite que o Bob:

• Identifique gargalos de desempenho não reconhecidos e ineficiências arquitetônicas que se acumularam ao longo do tempo.
• Avalie e priorize a remoção de dívidas técnicas correlacionando a estrutura do código com o histórico de incidentes e os dados de desempenho.
• Gere recomendações de projeto para novos aprimoramentos funcionais enquanto considera a arquitetura existente, restrições regulatórias e requisitos não funcionais.

Essa abordagem é um caso de uso mais sofisticado do que a modificação de código ou a automação de testes e exige um nível mais alto de confiança contextual nas recomendações do Bob. Manter os arquitetos humanos no circuito para validar as recomendações antes de agir de acordo com elas é a postura correta para essa fase de maturidade da IA.

O valor é significativo: um sistema que absorveu toda a base de código, sua arquitetura documentada e anos de decisões de projeto pode revelar insights que, de outra forma, exigiriam semanas de pesquisa arquitetônica.

Suporte de nível 3: fechando o ciclo
 

O caso de uso de IA mais impactante operacionalmente em nosso roteiro é a aceleração da resolução de incidentes. O suporte L3 para uma plataforma de pagamentos de alto valor é uma atividade de alto risco e que exige agilidade. Quando ocorre um incidente de produção, o tempo necessário para identificar e resolver a causa raiz determina diretamente o impacto no cliente.

O roteiro de implementação do SDLC do Bob inclui analisar incidentes de suporte de L3, correlacionar sintomas relatados com caminhos de código no repositório, identificar prováveis causas raiz e propor ações corretivas. O mesmo contexto que torna o Bob eficaz como revisor de código (conhecimento total da base do código, requisitos regulatórios e padrões de tratamento de erros) o torna exclusivamente adequado para essa tarefa.

Um engenheiro humano de L3, auxiliado pelo Bob, pode analisar toda a base de código em segundos em busca de padrões que correspondam à assinatura de um incidente, acelerando a sua resolução e minimizando o impacto para o cliente.

Nada dessa produtividade vem sem riscos. Sistemas de IA generativa podem ter alucinações. Eles podem produzir saídas aparentemente plausíveis, mas incorretas, com aparente confiança. Em uma plataforma de pagamentos que opera sob escrutínio regulatório, uma alteração de código gerada por IA não revisada ou um caso de teste especificado incorretamente pode ter sérias consequências subsequentes.

Nosso framework de gestão de riscos é construído em torno do modelo semiautônomo: o Bob é implementado como um membro da equipe profundamente integrado em cada fase do SDLC, sempre acompanhado de um revisor humano que valida a saída antes que ela seja aceita. Os analistas de negócios avaliam os requisitos gerados pelo Bob. Os proprietários de código avaliam os bugs identificados pelo Bob e as correções propostas. Os engenheiros de QA revisam os casos de testes gerados pelo Bob. Os engenheiros da L3 farão avaliações das análises de incidentes do Bob.

Essa abordagem não é uma limitação. É o padrão arquitetônico correto para IA nesse estágio de maturidade. O modelo troca uma fração do limite teórico de eficiência por uma redução substancial no risco de erro, e o faz de uma forma que permite que a confiança seja construída gradualmente.

À medida que as saídas do Bob se mostram confiáveis em cada domínio, o nível de análise humana pode ser calibrado adequadamente. Minha expectativa é que essa configuração semiautônoma permaneça como norma por vários anos, permitindo que o Bob continue aprendendo com sua experiência de trabalho e produza resultados de qualidade cada vez maiores ao longo do tempo.

Entre requisitos, engenharia e testes, a IBM projeta uma melhoria de 25% a 70% na eficiência do Bob, dependendo da fase e da tarefa específica. Mesmo que os resultados se acomodem no extremo conservador de cada faixa, o efeito composto em toda a equipe é equivalente a um aumento de 25 a 40% na capacidade efetiva da equipe.

Para ilustrar a matemática de forma concreta, considere uma equipe de 10 pessoas que alcance um ganho de eficiência combinado de 30% em todas as fases do SDLC. A produção efetiva é equivalente a 13 engenheiros trabalhando no ritmo original, sem aumentar o número de funcionários ou aumentar o custo proporcionalmente.

Para uma organização que enfrenta uma demanda crescente com um orçamento fixo, isso não representa uma melhoria incremental. É um multiplicador de recursos, que permite à mesma equipe entregar mais recursos, manter maior qualidade, responder com mais rapidez a incidentes e absorver obrigações regulatórias crescentes sem um aumento proporcional nos custos.

Nossa experiência levanta três questões que todo líder de engenharia deveria estar analisando neste momento:

1. Como você contextualiza a IA para o seu ambiente? A abordagem EPS de fornecer ao Bob, antecipadamente, o código-fonte, os padrões, os requisitos regulamentares e a documentação, é a base para tudo o que se segue. Um assistente de IA operando sem esse contexto é menos valioso (e potencialmente mais arriscado) do que um assistente que tenha sido devidamente contextualizado.
2. Por onde começar? Os testes são o caminho mais rápido para um ROI mensurável, como demonstram nossos resultados. A combinação de critérios claros de sucesso, um limiar de risco relativamente baixo e um alto esforço manual no estado atual faz dessa área o ponto de partida ideal para qualquer equipe que esteja começando essa jornada.
3. Como gerenciar a confiança de forma gradual? O modelo semiautônomo (IA com um humano no circuito) não é um compromisso. É um padrão de implementação responsável que permite às organizações capturar valor enquanto constroem a confiança institucional necessária para expandir o papel da IA ao longo do tempo.

A jornada da minha equipe, de uma função de controle de qualidade manual e limitada pelo backlog para uma organização de qualidade aprimorada por IA e integrada a CI/CD em três meses, demonstra que essa transformação é alcançável de forma rápida. A lição mais ampla é clara: a IA generativa incorporada ao SDLC não é um programa piloto futuro, ela já está entregando resultados mensuráveis para as equipes que fizeram o investimento. O momento de construir essa base é agora.