No cenário atual do design, uma tendência que se consolida é aplicar Design de Produto com Gen AI, unindo assim a criatividade humana com o poder da inteligência artificial generativa. 

Esta evolução permite que designers de produto se concentrem em mapeamento de jornadas e criação de experiências digitais que atendem tanto às necessidades do negócio quanto às das pessoas usuárias, acelerando o processo criativo e entregando soluções mais inovadoras.

Neste artigo, vamos abordar os ganhos de atuar no Design de Produto com Gen AI e ainda ideias práticas para você aplicar no seu dia a dia.

A evolução do Design até a disciplina de Design de Produto

O design de experiências digitais está sempre evoluindo. 

No passado, o termo “web master” descrevia quem gerenciava todo o processo. Mais tarde, no Brasil, surgiu “arquiteto da informação”, nos anos 2000. Em seguida, “UX designer” tornou-se popular, mas agora está em declínio. 

Hoje, falamos em “Product Designer” ou designers de produto, profissionais que entendem as necessidades dos negócios e das pessoas usuárias, mapeando jornadas e transformando-as em experiências digitais que trazem retorno para as empresas.

Durante essa transformação nos deparamos com outra: a popularização da Inteligência Artificial Generativa. A Gen AI se apresenta como uma ferramenta poderosa nesse contexto pois amplia hipóteses, corrige e critica trabalhos, além de consolidar entrevistas, acelerando o processo criativo. Apesar das mudanças tecnológicas, o senso crítico e a experiência continuam sendo fundamentais para o papel humano no design.

Em outras palavras, o Design de Produto com Gen AI não só transforma a prática do design, mas também redefine como criamos valor para os negócios e para as pessoas usuárias. A integração dessa tecnologia permite que designers explorem novas abordagens, garantindo que suas soluções sejam inovadoras e impactantes.

Superando desafios do Design de Produto com Gen AI

Um dos principais desafios da atuação em design – e que não seria diferente no design de produtos – é entregar com qualidade e impacto, em escala e com consistência e no menor tempo possível.

Porém, nem sempre os designers de produto vão ter especialistas de conteúdo à disposição para revisões ou tempo suficiente para garantir acessibilidade e tom de voz alinhados em suas entregas.

Pensando em como superar os desafios do Design de Produto com Gen AI, tivemos a ideia de testar a StackSpot em nosso contexto. 

StackSpot AI para Design de Produto

A StackSpot é uma plataforma de Orquestração de Agentes de IA do Ciclo de Desenvolvimento de Software (SDLC) que já era muito utilizada por equipes de desenvolvimento. 

Com ela, vimos a oportunidade de criar soluções específicas para nosso contexto: ferramentas práticas, checklists e feedbacks em Design, Conteúdo e Acessibilidade, para aumentar nossa produtividade e reduzir a quantidade de reuniões ou grupos de chat.

Vamos detalhar nossos testes e aprendizados a seguir:

Consolidar e trabalhar várias fontes de informação de forma simples e ágil

O dia a dia do trabalho de designers de produto é marcado por ter que trabalhar diversas fontes de informação, de mais abrangentes como boas práticas de mercado e conceitos criados por autores renomados até as mais específicas referentes à empresa, passando por ainda mais direcionada como o resultado de entrevistas com pessoas usuárias ou mesmo o trabalho de desk research.

Para todos esses desafios, uma plataforma de Inteligência Artificial contextualizada como a StackSpot consegue trazer impacto real para a produtividade de designers:

Entrevistas com pessoas usuárias 

No design, transcrições de entrevistas são essenciais. Com a StackSpot, consolidar essas informações é rápido e eficiente com gestão de Knowledge Sources. Além de criar clusters temáticos, você obtém sugestões táticas para enfrentar desafios com agilidade e precisão.

Desk Research

A Gen AI facilita a consolidação e tratamento de dados depois de uma desk research, otimizando a análise ao automatizar a organização das informações e identificar padrões, proporcionando insights mais rápidos e precisos para tomadas de decisão estratégicas. 

Além disso, ainda é possível gerar gráficos e outros tipos de visualizações para apoiar o entendimento de stakeholders.

Boas práticas de mercado e de autores renomados 

Centralizar boas práticas de mercado, conceitos e métodos criados por  autores renomados e até mesmo padrões da empresa, do time ou do projeto é crucial para acelerar a rotina de trabalho de product designers.

Agentes de IA para Design de Produto

Ao invés de pensar na IA como substituta, pensamos nela como um ajudante para acelerar diferentes fases do processo de design. Durante esse processo, criamos diversos agentes de IA para facilitar as rotinas de Design de produto. Dentre eles, destacamos, por exemplo:

UX Design Spec é um agente de IA que facilita conversas técnicas sobre design, aprimora sua capacidade crítica e persuasiva em defesa dos produtos, e baseia suas respostas em literatura especializada, sempre com fontes citadas para garantir clareza e confiabilidade.

Figma Ninja é um agente de IA que se conecta diretamente com a documentação do Figma usando a técnica de Geração Aumentada por Recuperação (RAG). Isso significa que ele busca informações atualizadas em tempo real, garantindo que você tenha acesso às últimas funcionalidades do Figma já no dia seguinte ao lançamento, tudo em português.

Análise Heurística é um agente de IA que faz uma inspeção rápida de sites ou aplicativos através de um checklist de boas práticas. Com o agente, você faz o upload de uma tela ou fluxo, fornece o contexto e recebe uma análise baseada em heurísticas, ajudando a identificar pontos críticos antes de testar com pessoas usuárias.

Tagueador Cuca é um agente de IA que simplifica o processo de tagueamento no Google Analytics. Ao fornecer parâmetros para o agente, você recebe rapidamente a estrutura de tagueamento, acelerando o processo e garantindo precisão.

Machado de Assistant é um agente de IA que revisa textos segundo as normas de UX Writing e diretrizes de tom de voz do cliente, acelerando a revisão e padronização dos textos das telas.

Centralização e multiplicação com orquestração de agentes de IA 

Depois de criarmos tantas soluções um novo desafio surgiu: como difundir essas ferramentas capazes de acelerar o trabalho de vários outros profissionais e times?

Foi então que apostamos na criação de um Spot e orquestração de Agentes de IA.

Um Spot é um espaço colaborativo dentro da StackSpot AI, projetado para organizar e compartilhar agentes de IA, Knowledge Sources e automações com sua equipe. Em outras palavras, é um local centralizado onde você encontra tudo o que precisa de forma fácil e acessível.

Além disso, um Spot ainda habilita que a criação e evolução dessas soluções seja colaborativa. Assim, designers de diversos projetos podem contribuir com agentes de IA, Knowledge Sources e automações adicionados ao Spot.

Em seguida, criamos um único agente orquestrador que integra todos esses agentes de IA para Design de Produto em um único ponto. Assim, dependendo do prompt enviado, ele identifica qual agente pode oferecer a melhor assistência. 

Inclusive, para questões mais complexas, ele pode acionar vários agentes para fornecer uma resposta mais completa e eficaz.

Comunidade e Cultura de experimentação

Com todo esse conhecimento sobre como aumentar a produtividade do Design de Produto com Gen AI, baseado em nossa experiência e em ferramentas testadas e aprovadas em nosso dia a dia, não poderíamos deixar isso restrito ao nosso time.

Ao compartilhar os agentes de IA e fontes de conhecimento consolidados no Spot ou mesmo via agente orquestrador contribuímos para construir uma cultura onde designers são protagonistas e multiplicadores de boas práticas, fortalecendo o impacto do design dentro das organizações.

Design de Produto com Gen AI veio para ficar

Design de Produto com Gen AI veio para ficar, revolucionando a forma como criamos e
evoluímos soluções. Mas, por mais avançada que seja a tecnologia, nada substitui o olhar
atento e crítico de especialistas em Design. É essa combinação – inteligência artificial potente
como a da StackSpot e a expertise humana – que garante resultados realmente relevantes,
inovadores e alinhados às necessidades das pessoas. No final das contas, a Gen AI
potencializa, mas é o olhar do designer que valida, refina e transforma insights em experiências
incríveis.

Estamos em um novo ciclo de ferramentas de design de produtos de um jogo infinito (como diria Simon Sinek) onde a IA ganha um protagonismo que veio pra ficar. 

E você, tem experimentado Design de Produto com Gen AI? Conta para a gente nos comentários!

É aí que entra a Inteligência Artificial, transformando a gestão de mudanças em um processo mais eficiente e preciso e automatizado. 

Conheça nossa solução de um agente de IA Preenchedor de GMUDs que fez o tempo do processo cair de 35 para 5 minutos!

O que é Gestão de Mudanças e por que é tão importante?

Sempre que você faz uma alteração em um sistema, seja um deploy em produção ou uma atualização crítica, é necessário documentar o que está sendo alterado, como será implantado, como reverter caso algo dê errado e quais validações precisam ser feitas. Gestão de Mudanças (GMUD) não é uma burocracia: é uma forma de garantir a segurança, rastreabilidade e organização.

Na prática, porém, preencher uma GMUD pode ser um processo demorado e sujeito a erros. Muitas vezes, pessoas desenvolvedoras e equipes de TI gastam mais tempo preenchendo formulários do que realmente resolvendo problemas ou criando novas soluções. 

E é por isso que repensar o ciclo de desenvolvimento de software e buscar formas de fazer Gestão de Mudanças com IA pode ajudar muito na rotina dos times. Para isso, criamos um Agente de IAPreenchedor de Mudanças, um verdadeiro salvador de tempo e energia, construído inteiramente na plataforma da Stackspot.

O que é a StackSpot? 

A StackSpot é uma plataforma de orquestração de agentes de IA do ciclo de desenvolvimento de software. 

Com recursos como Agentes de IA, contextualização de projetos e automação personalizáveis, a StackSpot promove colaboração, automatiza tarefas repetitivas e manuais e cria um ecossistema robusto de conhecimento e ferramentas em um único lugar. Isso aumenta a produtividade e incentiva a inovação, seja para atualizar códigos legados ou criar  novos padrões de design.

Você pode criar Stacks AI adaptados às necessidades do projeto, automatizar processos rotineiros e melhorar a qualidade do código com feedback contextualizado e revisões automatizadas. 

Além disso, a integração com as principais IDEs do mercado, Visual Studio e IntelliJ IDEA, oferece assistência em tempo real, o que agiliza o fluxo de trabalho e garante entregas mais rápidas e alinhadas ao que o projeto precisa.

Com a StackSpot, as equipes de desenvolvimento trabalham de forma mais ágil, com maior qualidade e fazendo entregas melhores. 

Nosso case de Gestão de Mudanças com IA

Desafio

Para entender o desafio de acelerar o processo de gestão de mudanças, identificamos dois principais problemas: informações incompletas ou vagas e descrições fora do padrão.

Essas falhas causaram devoluções no processo de aprovação, atrasos operacionais e aumentavam o risco de impacto ao cliente e ao negócio, além de dificultar a governança e auditoria da mudança.

Organizar o preenchimento com templates oficiais, checklists e prints de evidências já elimina boa parte desses problemas. Ter um plano de implementação e rollback bem definidos, janelas de tempo de reserva, validações claras e cobertura mínima de responsáveis reduzem retrabalho, aceleram a aprovação no comitê de mudanças e diminuem o tempo médio de recuperação em caso de falha, protegendo a operação e a experiência do cliente.

O maior desafio era o tempo gasto: ninguém gosta de passar 35 minutos preenchendo uma mudança. 

Solução – Agente para Gestão de Mudanças com IA

O Agente Preenchedor de Mudanças funciona como aquele colega de trabalho que sempre sabe o que fazer e nunca reclama. 

Ele pode ser utilizado de várias maneiras, seja com informações simples obtidas através de um template manual (detalhe a seguir) ou lidas diretamente do código da sua aplicação (seus commits (diffs), mensagens e comentários) por meio de uma pipeline de CI/CD do Github Action. 

Assim você consegue gerar automaticamente um texto completo e detalhado sobre as alterações realizadas, seguindo  as boas práticas da gestão de mudanças, incluindo, por exemplo:

• Descrição clara e completa sobre o objetivo da alteração e o seu motivo.
• Plano de implantação e validação detalhados com nomes dos pacotes, horários, responsáveis, estratégia de deploy e possíveis impactos que pode causar.
• Estratégia de rollback para que  seja possível retornar ao estado anterior, com lista de acionamento e impactos.
• Tarefas detalhadas para validação e implantação, explicando como executar cada etapa. 
• Guia para defesa no Comitê de Mudanças (CAB) para se acontecer uma mudança crítica e você precisar  passar por uma avaliação mais completa.

O melhor é que tudo é gerado seguindo os templates e padrões de escrita da sua empresa. Em outras palavras, além de economizar tempo, você garante que tudo está padronizado e pronto para aprovação.

Na criação desse agente de IA, usamos como base de conhecimento (KS) toda a documentação e os templates produzidos pelo comitê de  mudanças, o que tornou as respostas ainda mais precisas e claras na geração dos descritivos.

Exemplo de template para preenchimento da GMUD

A atividade compreende [descreva os detalhes da Correção/Desenvolvimento]. 
A conta da AWS onde será implantado é a [Nome da Conta], ID [ID da Conta], a URL do GitHub Actions é [URL do GitHub Actions] e do PR é [URL do Pull Request]. 
A história utilizada no desenvolvimento é [Historia]
Os testes unitários [não/foram] executados com sucesso. 
No momento de implantação [descreva se pode haver algum tipo de paralização ou impacto em algum sistema, ambiente ou área consumidora]. 
As alterações refletem ao canal [Nome do Canal] e [há ou não há impacto e o que isso pode causar]. 
A validação será [descreva como será feita a validação da GMUD]. 
O plano de retorno será voltar para o pacote: ‘[pacote de retorno]’ e [descreva como será o plano de retorno caso haja falha].

Resultados

Com o agente de IA Preenchedor de Mudanças, o tempo de 35 minutos caiu para menos de 5 minutos. A automação também reduziu o risco de erros humanos, como esquecer de preencher um campo ou escrever  descrições vagas.

Em apenas 3 meses de projeto piloto, já conseguimos resultados expressivos. Cerca de 150 pessoas utilizaram o Agente, gerando cerca de 2235 execuções. 

Em nossas estimativas, o que antes levaria 89.400 minutos foi realizado em 11.175 minutos, liberando mais de 1300 horas para que as pessoas desenvolvedoras foquem no que realmente importa: entregar valor ao negócio.

Agora, imagine esse Agente de IA na sua empresa: quanto tempo e dinheiro você poderia  economizar?

E o melhor: você pode replicar esse agente de IA e conhecer o poder da Inteligência da StackSpot. Crie sua conta gratuita na StackSpot e confira como é fácil otimizar seu ciclo de desenvolvimento!

Gestão de Mudanças com IA: o futuro do processo está aqui

Um Agente Preenchedor de Mudanças tem grande potencial de transformar o dia a dia de pessoas desenvolvedoras e equipes de TI. Com ele, você  resolve problemas reais, economiza tempo, aumenta produtividade, reduz erros e custos, além de garantir a padronização e a escalabilidade em um processo essencial, mas muitas vezes negligenciado.

Pare de gastar horas preenchendo GMUDs e simplifique o processo de documentação de mudanças. Por aqui, testamos e aprovamos essa forma de fazer gestão de mudanças com IA.

Seu tempo é precioso, use ele para o que realmente importa!

Mas caso você tenha perdido, Inteligência Artificial Agêntica (ou Agentic AI) refere sistemas de IA capazes de trabalhar de forma autônoma (planejando, agindo e adaptando suas ações) para resolver problemas complexos com o mínimo ou nenhuma intervenção humana, e ainda colaborando com outros sistemas e ferramentas.

Agentic AI na prática com a StackSpot AI

A StackSpot AI oferece múltiplos recursos para construir sistemas Agentic AI. Vamos ver no detalhe quatro opções:

• Agents & Toolkits: Podemos associar ferramentas a agentes, ampliando o seu potencial para responder a uma requisição da pessoa usuária.
• Multi-Agent: Um agente pode ser associado a outros, se tornando um “orquestrador” que gerencia tarefas complexas de maneira autônoma.
• Quick Commands: Podemos orquestrar uma jornada híbrida, com agentes, fluxos condicionais e acesso a ferramentas externas.
• Aplicações Agentic AI com StackSpot: Usamos conteúdos da StackSpot AI para criar jornadas personalizadas.

A seguir, vamos ver em detalhes cada uma destas opções para por a Agentic AI em prática: 

Agentic AI + Agents & Toolkits

A StackSpot AI oferece a criação de Toolkits e a possibilidade de vincular ferramentas nos Agentes. Isso permite que um agente se conecte com serviços externos, acessando informações e automatizando tarefas. 

Ao interagir com esse agente, todas as ferramentas vinculadas são disponibilizadas para o modelo de IA generativa configurado. 

O modelo então entende a intenção dos dados de entrada, planeja suas ações e executa as tarefas previstas, o que pode incluir a chamada de alguma ferramenta vinculada. 

O uso de Agentes com Toolkits da StackSpot AI possibilita uma solução inicial Agentic AI, centralizando em um único agente o ciclo de planejamento-execução-adaptação. 

Essa alternativa pode atender diversas situações, por exemplo:

Busca de informações externas 

Imagine que você sempre precisa complementar o retorno para o usuário usando informações ou novas regulações disponibilizadas por um serviço externo ou API. Você pode vincular esses acessos como Toolkit e seu agente vai considerar essas opções, melhorando a contextualização para melhores respostas.

Manipulação de informações

Muitas vezes, queremos que nossa solução faça operações bem definidas, seguindo uma lógica pré-estabelecida. Quando precisamos garantir essa operação de forma determinística, podemos criar uma habilidade em forma de Toolkit para o agente poder ter mais assertividade nas respostas.

Notificações externas

Em determinados momentos seu agente pode entender que é importante notificar algum envolvido no processo, gerando uma ação externa. É possível vincular uma ferramenta que faz isso no seu agente, gerando uma solução com menos custo e mais simples.

Agentic AI + Multi-Agent

Na StackSpot AI, também é possível adicionar Multi-Agente, criando “Agentes Orquestradores”. Com isso, um agente pode se conectar com outros, coordenando de forma autônoma o entendimento e distribuição de tarefas complexas. 

Em outras palavras, ao interagir com esse agente, o modelo generativo analisa os dados recebidos e entende a intenção, planejando as ações necessárias e definindo quais podem ser delegadas e executadas por outros agentes especializados.

Um exemplo de cenário onde podemos usar uma solução Agentic AI com o recurso Multi-Agente é na análise de requisições de um usuário do sistema. Nesse caso, criamos um agente orquestrador que recebe a mensagem e faz sua classificação entre categorias pré-definidas, como elogio ou reclamação. A demanda é então direcionada para um agente mais especializado de acordo com o tipo da mensagem. Assim, cada caso recebe um tratamento mais contextualizado, podendo seguir um fluxo adequado de automação dada a mensagem inicial do usuário.

Agentic AI + Quick Commands

Outro recurso disponível na StackSpot AI que pode ser utilizado para construir soluções Agentic AI são os Quick Commands (QC), instruções predefinidas que podem ser associadas a um agente e que serão enviadas ao modelo de IA generativa. Podemos definir um fluxo de etapas em cada QC, conectando prompts, web requests e condicionais. 

Quando criamos uma orquestração dessas etapas via QC conseguimos determinar o momento exato de chamar um serviço externo ou de interagir com um modelo de Inteligência Artificial Generativa. Com isso, podemos colocar em prática opções de gerenciamento de contexto mais avançadas, estabelecer com clareza a comunicação entre os prompts, como também determinar a ordem que as coisas vão ser executadas. É como definir o planejamento da solução, encadeando agentes de IA com autonomia para raciocínio e ação quando necessário.

Por exemplo, vamos pensar em uma solução agêntica para entender chamados de suporte e gerar uma ação específica de acordo com a situação. Essa é uma tarefa recorrente com o objetivo de gerar ações para evitar o cancelamento de um produto ou serviço. Podemos então orquestrar: 

• chamada a um serviço ou ferramenta que retorna os dados para análise (web request);
• agente de IA para entender dados e planejar uma ou mais ações de análise;
• um segundo agente de IA para compor um relatório de recomendações personalizado.

Ainda é possível automatizar alguma ação, como envio de e-mail ou mensagem como resultado final. Além disso, é possível utilizar agentes vinculados a diferentes grandes modelos de linguagem (large language models – LLM) a cada passo do processo, possibilitando resultados ainda melhores. Tal orquestração de etapas via QC oferece uma solução com autonomia para entender e agir, adaptando-se conforme necessidade. 

Aplicações Agentic AI com StackSpot AI

Uma quarta maneira de criar soluções Agentic AI com a StackSpot AI é a construção de jornadas personalizadas, usando externamente recursos da plataforma. 

Essa opção pode se adequar quando temos aplicações já funcionando com seus domínios específicos ou queremos uma estratégia que responda de maneira inteligente a particularidades do contexto. Essa também é uma opção quando precisamos manipular uma grande quantidade de informações de determinado domínio, adicionando um barramento de AI. 

Por exemplo, imagine um sistema para gerar uma documentação interativa para um processo ou produto, no qual a dúvida da pessoa usuária pode ser respondida a partir de informações de diferentes fontes de dados. Digamos que desejamos controlar o acesso a essas ferramentas. Podemos criar uma “agente de IA planejador” que recebe a dúvida, entende e monta um plano de ação, retornando para o nosso sistema. A execução do plano, então, fica sob responsabilidade do nosso sistema. O resultado das ações (que podem ser paralelas ou sequenciais) é então enviado a outro agente de IA que analisa o resultado e gera uma resposta para a pessoa usuária. 

Benefícios dessa solução 

Com a StackSpot AI, podemos acessar agentes e Quick Commands via API Rest e isso traz as seguintes vantagens:

• Configurabilidade dos agentes e dos prompts que serão executados: Tudo feito pela plataforma;
• Escalabilidade do processo delegada à StackSpot: Tanto a escalabilidade sistêmica, de acessos simultâneos, gestão de conteúdo, como também a possibilidade de escalar o uso em outras jornadas da empresa;
• Reaproveitamento de conteúdo (Knowledge Sources, QC, Agents) já utilizado em outras jornadas: tudo que já foi configurado ou é utilizado dentro da conta pode ser utilizado e reaproveitado por essas integrações;
• Abstração de toda integração com a LLM: A StackSpot AI se encarrega de fazer a interface com a LLM, seu trabalho é somente configurar qual será acessada e em qual parte do processo e até mesmo com parâmetros avançados de modelos diferentes;
• Controles de acessos: Gestão de identidades e acesso, além dos guard rails de segurança no nível de infraestrutura;
• Gestão de quantidade de execuções: É possível para cada integração configurar o número máximo de chamadas por período e diferenciar até mesmo o custo por cada aplicação.

Agentic AI na prática: um novo horizonte de oportunidades para empresas

Após explorar as vastas capacidades do Agentic AI com a StackSpot AI, fica evidente o potencial dessa tecnologia em remodelar o cenário empresarial. Ao adotar essa solução, empresas não apenas otimizam processos, mas também criam valor de forma inovadora. 

O Agentic AI não é apenas sobre automação; trata-se de transformar dados em ações inteligentes, de personalizar experiências e de prever necessidades futuras. À medida que as organizações continuam a navegar neste novo terreno, a adoção estratégica do Agentic AI pode ser a chave para se manter à frente no mercado. 

Portanto, não deixe de considerar como essa tecnologia pode ser integrada em sua estratégia de crescimento e inovação. O futuro está aqui, e ele é impulsionado pela Inteligência Artificial Agêntica.

O que achou das nossas dicas para implementar Agentic AI na prática com a StackSpot? Tem dicas ou mesmo alguma dúvida? Então deixe um comentário!

O gargalo no planejamento de sprints 

A cada sprint, minha equipe enfrentava o mesmo problema: histórias de negócio superdimensionadas, critérios de aceitação vagos e dependências entre pacotes que se confundiam. Apesar de termos um pipeline de CI/CD maduro usando Salesforce Unlocked Packages e GitHub Actions, nossas sessões de planejamento eram lentas e propensas a erros.  

As histórias de negócio chegavam a um nível muito alto. Era responsabilidade do nosso time de desenvolvimento transformar essas demandas em subtarefas técnicas, considerando os limites dos pacotes, a ordem de implantação e as dependências entre as tarefas. Esse processo dependia do conhecimento das pessoas desenvolvedoras mais experientes, o que acabava levando tempo e gerando gargalo no fluxo de trabalho.

Para acelerar e padronizar a divisão das tarefas, sem abrir mão da qualidade, começamos a usar a StackSpot AI, uma plataforma de orquestração de agentes de IA, nas nossas reuniões de planejamento de sprints.

O problema em detalhes  

Confira como era o planejamento de sprints antes da StackSpot AI:  

• A divisão de histórias levava de 30 a 45 minutos por história.  
• As pessoas desenvolvedoras sêniores precisavam explicar as dependências entre pacotes repetidamente.  
• Dependências eram ocasionalmente esquecidas, causando falhas de build no meio do sprint.  
• As pessoas desenvolvedoras juniores não conseguiam dividir tarefas com confiança.  
• A velocidade e previsibilidade do sprint sofriam como resultado.  

Não estávamos falhando na entrega, mas estávamos desperdiçando energia na parte errada do processo.  

Contexto: Nosso Ambiente  

Trabalho como desenvolvedor Salesforce na Zup, e nossa configuração segue uma arquitetura modular:  

• Salesforce Unlocked Packages para separar domínios e realizar implantações independentes.  
• GitHub Actions para orquestração de CI/CD.  
• Múltiplas squads de desenvolvimento trabalhando em paralelo em diferentes pacotes.  
• Sessões de planejamento onde histórias de negócio são transformadas em tarefas técnicas.  

Além disso, configurei um agente de IA contextualizado da StackSpot AI treinado com nossa stack específica:  

• Uma lista estruturada de todos os pacotes na organização.  
• Inventário de metadados: classes Apex, Flows, Layouts, Permission Sets, etc.  
• Convenções de nomenclatura, estrutura de pastas, ordem de dependências e regras de sequência de CI/CD.  

A ideia era simples: fazer com que a IA “conhecesse” nossa organização tão bem quanto um profissional de desenvolvimento sênior — para que ela pudesse propor divisões de tarefas precisas em tempo real.  

A chegada da StackSpot  AI  

Em vez de usar a StackSpot AI só como mais um assistente de código, utilizamos-a como aceleradora do nosso planejamento.

Durante o planejamento técnico das sprints, começamos a enviar as histórias de negócio para o Agente da StackSpot AI. Como ele já conhecia nossa estrutura de pacotes e metadados, podíamos pedir, por exemplo:

• “Divida esta história em subtarefas de desenvolvimento nos pacotes certos.”
• “Liste as dependências entre essas tarefas conforme a ordem dos pacotes.”
• Sugira a melhor sequência de execução para garantir a estabilidade do CI/CD.”

Em segundos, recebíamos uma divisão inicial das tarefas, algo que antes levaria meia hora para fazer manualmente.

Passo a Passo — Como Usamos 

Confira  o fluxo simplificado que seguimos em cada sessão de planejamento:  

1. Inserir a história de negócio

Adicionamos a história do usuário e os critérios de aceitação na StackSpot  AI.  

(Exemplo: “Como usuário, quero atualizar minhas informações de perfil para que…”)

2. Gerar subtarefas técnicas (Formato JSON)

Não recebemos apenas texto simples. O agente retorna um JSON estruturado que se encaixa perfeitamente no nosso fluxo de trabalho:  

[
  {
    "id": "T1",
    "title": "Atualizar UserProfileService para lidar com novos campos",
    "description": "Estender a classe Apex existente para suportar alterações
de e-mail e endereço com validação.",
    "dependencies": [],
    "assignedPackage": "core_pkg"
  },
  {
    "id": "T2",
    "title": "Atualizar Permission Set",
    "description": "Adicionar novos campos ao permission set Standard_User.",
    "dependencies": ["T1"],
    "assignedPackage": "security_pkg"
  },
  {
    "id": "T3",
    "title": "Atualizar LWC ProfileEdit",
    "description": "Ajustar a interface para incluir novos campos e mensagens
de validação.",
    "dependencies": ["T1", "T2"],
    "assignedPackage": "ui_pkg"
  }
]

Essa estrutura mostra uma visão clara das subtarefas, dependências e alocação de pacotes, além de ser fácil de integrar ao Jira ou alimentar scripts de automação.  

3. Ordenar e gerenciar dependências

Pedimos à Agente para propor a ordem de execução, respeitando as dependências dos pacotes e as regras de CI/CD. Por exemplo:  

1. Tarefas do core_pkg

2. Atualizações do security_pkg  

3. Alterações no ui_pkg 

Essa sequência ajuda a evitar falhas de build ao implantar via GitHub Actions.  

4. Revisar e ajustar  

Uma pessoa desenvolvedora sênior revisa a saída da IA. Normalmente, fazemos apenas pequenos ajustes, pois o Agente já entende bem a arquitetura.  

5. Exportar para o rastreador  

Transferimos as tarefas geradas para o Jira e as distribuímos entre as pessoas desenvolvedoras. Assim, finalizamos tudo em 5 a 10 minutos, em vez de gastar meia hora.

Resultados do planejamento de Sprints com Salesforce Unlocked Packages e Gen AI

Após alguns sprints usando essa abordagem, os resultados ficaram claros:  

Mais do que a redução do tempo foi a mentalidade da equipe que mudou. Em vez de gastar as sessões de planejamento decifrando a arquitetura, focamos em decisões estratégicas: prioridades, riscos e melhorias.  

Lições Aprendidas  

Se você quiser testar algo parecido, confira algumas dicas:  

• Melhore o Agente da StackSpot AI de forma contínua: dados ruins geram resultados ruins. Invista tempo listando seus pacotes, metadados e convenções de forma clara.  
• A revisão humana continua essencial: a resposta da IA acerta na estrutura, mas detalhes do negócio exigem atenção de pessoas experientes.  
• Os benefícios se acumulam: à medida que o Agente tem mais contexto do seu projeto, as sugestões ficam melhores a cada sprint.  
• Comece pequeno: mesmo que você use a IA para apenas uma ou duas histórias por sprint no início, a economia de tempo já é perceptível.  

Planejamento de Sprints com Salesforce Unlocked Packages e Gen AI: um outro nível de eficiência

A StackSpot AI não substitui nosso planejamento de sprints, mas foi usada para aprimorá-lo. Ao colocar a  IA como parte da conversa de planejamento, transformamos um processo manual e propenso a erros em um fluxo rápido, padronizado e confiável.  

Se sua equipe trabalha com Salesforce Unlocked Packages, GitHub Actions ou qualquer ambiente com dependências complexas entre pacotes, experimente envolver a IA no planejamento. Você irá perceber um salto de produtividade e organização.

O que achou de usar Inteligência Artificial Generativa em um planejamento de sprint? Deixe um comentário.

Os Riscos técnicos do “Point and Click” em projetos escaláveis

A interface intuitiva de “point and click” do Salesforce, baseada em configurações declarativas, é inestimável para prototipagem e para a rápida entrega de soluções de baixa complexidade. No entanto, a dependência excessiva dessa abordagem em projetos de grande escala, onde o desenvolvimento é fragmentado ou a governança é fraca, acarreta graves riscos técnicos que a Engenharia de Software busca mitigar:

• Débitos técnicos e Monoliticidade: A ausência de padrões arquiteturais definidos (além da estrutura nativa do Salesforce, como o MVC implícito) e o uso desgovernado de configurações e automações declarativas podem criar soluções monolíticas e acopladas. Isso eleva o débito técnico, dificultando a adaptação, reuso de componentes e exigindo mais esforço em manutenção.
• Ausência de Versionamento e Gestão de Metadados: Soluções configuradas via UI frequentemente negligenciam práticas de Controle de Versão (VCS), essenciais para o rastreamento de mudanças (auditoria) e a reversão de falhas. O tratamento dos metadados (XMLs e arquivos de configuração) como código é fundamental, exigindo ferramentas como o Salesforce DX (SFDX) para extração e versionamento adequado.
• Fragilidade em Testes e Implantação: A confiança exclusiva em testes manuais ou a falta de automação em testes de unidade para código Apex e testes de integração de fluxo elevam o risco de regressão. Sem uma esteira de CI/CD robusta, a implantação de mudanças se torna um processo manual, lento e propenso a erros de merge e de configuração de sandboxes.
• Limitações de Padrões Arquiteturais: O desenvolvimento Apex deve ir além da simples separação de responsabilidades (SoC), adotando padrões de projeto (Design Patterns) como Enricher, Repository Pattern para garantir código limpo, testável e desacoplado, evitando a lógica complexa (ou business logic) diretamente em triggers ou controladores.

Aprofundando a Engenharia de Software no Desenvolvimento Salesforce

A transição para um modelo de desenvolvimento sustentável exige a adoção rigorosa de princípios de Engenharia de Software que profissionalizam a construção e a entrega no ecossistema Salesforce:

1. Arquitetura e Padrões de Código

• Princípios S.O.L.I.D. e Clean Code em Apex: Aplicar os princípios S.O.L.I.D. (Single Responsibility, Open/Closed, Liskov Substitution, Interface Segregation, Dependency Inversion) ao código Apex e aos componentes Lightning Web Components (LWC) é vital. A utilização de Service Classes e o encapsulamento de lógica de banco de dados (via Repository Pattern) são exemplos de boas práticas que melhoram a testabilidade e o reuso.
• Design Orientado a Domínio (DDD) Básico: Estruturar o desenvolvimento com foco nos domínios de negócio, garantindo que a lógica e os dados estejam coesos. Isso ajuda a manter a plataforma alinhada com as necessidades da empresa, mesmo em ambientes multi-cloud ou com integrações complexas.

2. Governança e Automação com DevOps

• CI/CD Orientado a Metadados: Implementação de uma esteira de Integração Contínua e Entrega Contínua (CI/CD). Essa esteira deve orquestrar o processo de fetch dos metadados (SFDX), o build (compilação), a execução automatizada de testes de unidade e de testes de regressão, e a implantação automatizada entre sandboxes e, finalmente, para a Produção.
• Estratégias de Ramificação (Branching) Robusta: Adoção de modelos como GitFlow ou GitHub Flow para gerenciar o desenvolvimento de features e hotfixes, garantindo a estabilidade do main branch e facilitando a colaboração em equipe.

3. O Papel Estratégico da Inteligência Artificial

A IA Generativa atua como um catalisador, elevando a produtividade do engenheiro e a qualidade do software, especialmente na aceleração de tarefas repetitivas e na transformação de metadados.

• Geração de Código Boilerplate e Componentes LWC: A IA pode gerar scaffolding de código Apex e componentes LWC (HTML, JS, CSS) a partir de prompts de alto nível, aderindo a padrões definidos pela organização.
• Análise de Débito Técnico e Sugestão de Refatoração: Ferramentas de IA podem analisar o código existente, identificar violações de padrões e sugerir refatorações, atuando como um “pair programmer” inteligente, garantindo que o código Apex seja mais eficiente em termos de governor limits e adoção de padrões e princípios de design de software.
• Automação de Testes: A IA pode auxiliar na criação de test data e na geração de test methods para código Apex e LWC, aumentando a cobertura e a confiabilidade dos testes de unidade.

StackSpot: Acelerando a engenharia e a governança no desenvolvimento Salesforce

Ferramentas como a StackSpot, plataforma multiagentes de Inteligência Artificial, quando integradas com técnicas de engenharia de prompt, permitem ao desenvolvimento Salesforce alcançar outro patamar, reduzindo trabalho manual e possíveis erros, além de aumentar a eficiência e produtividade do ciclo de desenvolvimento. 

Quer conhecer o ganho de produtividade e redução da carga cognitiva que times de tecnologia que atuam no desenvolvimento Salesforce já estão obtendo? Então acompanhe alguns casos de uso que listamos a seguir:

• Planejamento de Sprints com Salesforce Unlocked Packages e Gen AI – Como a criação de um agente de IA contextualizado na StackSpot AI acelerou o processo de planejamento de sprints, ao ponto que o tempo médio de análise da história passou de 30 a 45 minutos para apenas entre 5 e 10 minutos. 

• Engenharia de Prompts com a StackSpot para acelerar a escrita de testes no desenvolvimento Salesforce – Transforme o trabalho de horas para poucos minutos de revisão aplicando práticas e padrões de teste como FixtureFactories, Mocks e BDD (Behavior-Driven Development) utilizando Engenharia de Prompt para gerar gerar testes de qualidade que fogem do “75% fake”, focando em padrões.
  
• Escale e padronize a criação testes de unidade em APEX com StackSpot – Adote práticas de governança garantindo que todas as pessoas desenvolvedoras usem o mesmo Prompt e os mesmos padrões em escala, utilizando os recursos de Knowledge Source, Agentes de IA e Quick Command da StackSpot. 

• Refatorando classes APEX com Agentes e Quick Commands especialistas – Acelere sua etapa de refatoração através da StackSpot aplicando práticas de engenharia de prompt hiper contextualizada e orquestração de multi-agentes.

• Aumente o grau de qualidade em componentes LWC – Adoção de testes de unidade para LWC ainda é um tabu dentro da comunidade Salesforce, reduza drasticamente a curva de aprendizado e o tempo de criação de Testes Jest em LWC através de Agentes especialistas focados em LWC e Testes de unidade Jest.

• Converta Flows complexos em minutos com Quick Command – Como podemos converter Flows complexos em Triggers adotando e aplicando padrões de projeto como Trigger Handler, Enricher, Filter entre outros, aplicando engenharia de prompt e a StackSpot.
  

O uso da StackSpot transforma o desenvolvimento Salesforce em um processo governado, rápido e escalável. Isso permite que as equipes de desenvolvimento ultrapassem a barreira do “point and click” e se concentrem na criação de valor e inovação estratégica.

Conclusão: O momento da maturidade no desenvolvimento Salesforce

O desenvolvimento Salesforce está em um ponto de inflexão, onde a integração de Engenharia de Software de alto nível e a utilização estratégica da IA não são mais diferenciais, mas sim requisitos de maturidade técnica. A transição para um desenvolvimento mais robusto, governado por padrões e acelerado pela automação, é crítica para o sucesso em longo prazo.

Descubra como a StackSpot pode ajudar a adotar padrões, acelerar o CI/CD e aplicar a IA de forma segura e governada em projetos Salesforce.

Crie sua conta gratuita e inicie essa transformação agora mesmo!

E você, já tem planos para integrar Engenharia de Software de forma mais robusta em seu desenvolvimento Salesforce? Então conta pra gente nos comentários.

Com o suporte do patrocínio da StackSpot, o festival ofereceu uma imersão completa em ideias provocativas e inovações que estão moldando o futuro da IA e seu impacto na sociedade. Além de explorar as tendências, o evento destacou aplicações práticas da IA e proporcionou um rico ambiente de aprendizado e troca de experiências.

Neste artigo destacamos como foi a nossa participação no StartSe AI Festival e separamos três insights do evento.

StartSe AI Festival 

Nos dias 15 e 16 de outubro de 2025, São Paulo foi o cenário do StartSe AI Festival, o primeiro festival sobre Inteligência Artificial do Brasil que contou com patrocínio na StackSpot. O evento reuniu milhares de participantes em uma imersão de dois dias com especialistas, pessoas executivas e empresas que estão à frente da revolução da IA nos negócios e na sociedade. 

O primeiro dia foi dedicado a explorar ideias provocativas, tendências e inovações moldando o futuro da Inteligência Artificial e da sociedade. Já o segundo dia concentrou aplicações reais da IA, abrangendo estudos de caso, IA Responsável e impactos em diversos setores. 

Além das plenárias e da feira de negócios, o StartSe AI Festival contou com mais de 40 oficinas e workshops simultâneos. O encontro é uma evolução do StartSe AI Day realizado em 2024 e que também contou com patrocínio da StackSpot.

StackSpot no StartSe AI Festival 

Durante o StartSe AI Festival compartilhamos como nossa plataforma está transformando a forma de construir softwares através da orquestração de agentes de IA em diversos formatos.

No primeiro dia de festival, nosso CEO, André Palma, esteve na plenária com a palestra “IA Agêntica: a nova fronteira da IA”. 

Além disso, marcamos presença nos espaços de workshop e Arena com temas de alta relevância:

• O hype não gera valor: gerando resultados reais com AI – Cadu Pereira – CPO
• Como criar agentes de IA que geram vantagem competitiva ao atender às dores dos clientes – Lucas Ribeiro – Arquiteto de Soluções
• Cultura e IA: a nova colaboração entre times e agentes inteligentes – Danilo Ribeiro – Diretor de tecnologia
• Transforme o atendimento ao cliente: automatize e escale com agentes de IA – Lucas Ribeiro – Arquiteto de Soluções

3 insights do StartSe AI Festival 

Com tantas discussões relevantes sobre Inteligência artificial, seu futuro, impactos na sociedade e entrega real de valor para as empresas foi até difícil escolher, mas destacamos três como os principais tópicos do StartSe AI Festival: 

• Inteligência Artificial Agêntica
• Integração humana no desenvolvimento da IA
• Experimentação com IA

A seguir, vamos ver essas três tendências em profundidade.

Inteligência Artificial Agêntica

Se os agentes de IA eram uma das principais tendências de tecnologia para 2025, agora chegamos na era da  IA agêntica. 

A IA agêntica tem a habilidade de estruturar ciclos de entendimento, planejamento, execução, avaliação e aprendizado, sem depender diretamente de comandos humanos, ou seja,  é capaz de agir de forma autônoma. 

Entre os principais desafios que a IA agêntica endereça estão a necessidade de adaptação rápida, personalização em larga escala e a coordenação de múltiplos sistemas de forma inteligente.

Quer saber mais sobre esse conceito? Então leia meu artigo “Agentic AI: crie soluções mais inteligentes e autônomas com Inteligência Artificial Agêntica” aqui no blog da Stackspot. 

Integração humana no desenvolvimento da IA

O próximo passo na evolução tecnológica está na integração híbrida entre humanos e inteligência artificial. Nesse cenário, os papéis se tornam mais definidos, com as pessoas desempenhando um papel crucial no design das soluções, formando equipes híbridas. Embora ainda esteja em fase inicial, essa estratégia busca maximizar o potencial operacional da tecnologia enquanto distribui a responsabilidade de confiabilidade e governança entre os envolvidos.

No evento, também foi enfatizada a importância de colocar os humanos no centro do ciclo de interação com a IA, prática conhecida como “human-in-the-loop“, e no coração do design dos projetos, através do “human-centered design“. Essa abordagem visa combinar a inteligência humana com a IA, priorizando segurança, precisão e ética.

Experimentação com IA: aprendendo na prática e impulsionando o futuro da tecnologia

Para impulsionar a evolução na relação entre humanos e inteligência artificial, a mensagem central da edição de 2025 do StartSe AI Festival é que empresas e organizações devem incentivar a experimentação, criando oportunidades para aprender na prática. 

Esse conceito foi destacado na apresentação do CIO da Porto Seguro, de Marcos Sirelli, que falou sobre a plataforma Genial, desenvolvida para facilitar a experimentação, uso interno e integração de serviços de IA generativa. Já o Head da StartSe Consulting, Matheus Garcia, reforçou essa ideia, destacando a importância da experimentação contínua por meio do “aprender fazendo” e “governança por design” como elementos essenciais no processo de adoção e uso da IA.

As palavras chaves para acompanhar essa tendência são: “learning by doing” e “governance by design”.

StartSe AI Festival: ainda há muito o que desbravar sobre IA 

O StartSe AI Festival de 2025 destacou-se como um marco na jornada da inteligência artificial no Brasil, reunindo mentes brilhantes e empresas inovadoras. Através de apresentações e workshops, o evento se aprofundou nas tendências sobre o futuro da IA, enfatizando a importância da colaboração humana e a experimentação prática na evolução tecnológica.

A presença da StackSpot no festival reforçou nosso compromisso em moldar o futuro da tecnologia com soluções que unem eficiência e inovação. Nossas contribuições nas discussões sobre IA agêntica e integração humana refletem nossa dedicação em promover um uso da IA que gere valor real para pessoas e empresas.

E você, o que achou dos insights do StartSe AI Festival? Deixe um comentário e compartilhe suas perspectivas. 

Referências

• Human-centered AI: The power of putting people first | McKinsey
• Gartner Top 10 Strategic Technology Trends for 2026

Este case de code review com IA mostra como, com a StackSpot AI, integrada ao Azure DevOps e personalizada com os padrões internos, a Fahz automatizou a análise de código, padronizou os feedbacks e permitiu que a equipe se concentrasse em tarefas mais estratégicas.

Desafios: Baixa revisão de código e suas consequências

Antes de adotar a StackSpot AI, a FAHZ enfrentava desafios significativos no processo de revisão de código. As revisões eram concentradas em poucas pessoas desenvolvedoras mais experientes, o que gerava gargalos e inconsistências. 

Além disso, apenas 11% dos PRs eram revisados, o que elevava o risco de bugs e vulnerabilidades nas aplicações. 

Solução: Agente de IA contextualizado integrado a pipeline CI/CD

A adoção da StackSpot AI neste case de code review com IA foi conduzida em três fases, minimizando riscos e acelerando o aprendizado:

Validação técnica: Inicialmente, testes foram realizados em uma API interna, garantindo que a implementação não impactasse o negócio.

Testes práticos: Um piloto foi conduzido em uma API de menor uso, permitindo avaliar a integração e o comportamento real.

Adoção completa: Após ajustes, a solução foi expandida para a API de Cadastro e, finalmente, para todos os repositórios da FAHZ.

Recursos da StackSpot cruciais para o case de Code Review com IA

Os principais componentes da StackSpot AI que impulsionaram este case de code review com IA incluem:

Agente de IA de Code Review Automatizado: Identifica violações de padrões, riscos de segurança e oportunidades de otimização.

Knowledge Sources: Fontes de conhecimento personalizadas elevam a precisão dos feedbacks, alinhando-os aos padrões da FAHZ.

Remote Quick Command (RQC): Permite análises consistentes em cada PR através de pipelines de CI/CD.

Integração com Azure DevOps: O pipeline registra feedbacks imediatos como comentários nos PRs.

Com esses componentes, a FAHZ conseguiu um fluxo de trabalho mais eficiente, permitindo revisões locais opcionais antes do PR e uma análise automatizada que fornece feedbacks claros e alinhados com os padrões internos.

Resultados da FAHZ com o case de Code Review com IA

Os resultados deste case de code review com IA foram notáveis:

Cobertura de Code Review: Aumentou de 11% para 94% dos PRs, garantindo que quase todos fossem revisados e comentados.

Tempo de aprovação de PRs: Caiu de 87 para 53 minutos, uma queda de 39%, mesmo com análises mais robustas, tornando o fluxo de trabalho mais eficiente.

Padronização e consistência: Feedbacks alinhados aos padrões da FAHZ reduziram a variação das análises.

Aprendizado contínuo: Comentários explicativos ajudaram na qualificação das pessoas desenvolvedoras, acelerando a formação de profissionais com menos experiência.

Impacto para o negócio

Este case de code review com IA trouxe melhorias significativas para o negócio:

Qualidade superior de software: Com menos bugs e vulnerabilidades, o software se tornou mais confiável e fácil de manter.

Eficiência operacional: Redução de retrabalho e aprovações mais rápidas melhoraram o fluxo de entrega.

Produtividade do time: Mais tempo dedicado para demandas estratégicas e iniciativas de maior valor.

Mitigação de riscos: Aderência sistemática aos padrões de segurança e compliance da FAHZ.

Segundo o CIO da FAHZ, Luciano Santos, os resultados vão além das métricas técnicas. “Conseguimos reduzir o tempo de aprovação sem abrir mão da qualidade. Estamos entregando software mais confiável e com menos retrabalho. A IA também tem ajudado na formação de talentos: os comentários explicativos aceleram o aprendizado de profissionais menos experientes e tornam os padrões da casa mais acessíveis para todas as pessoas desenvolvedoras. Hoje temos um processo mais ágil, seguro e escalável”, afirma Santos. 

A FAHZ planeja continuar expandindo as fontes de conhecimento da ferramenta e estabelecer quality gates automáticos para evoluir suas métricas e acompanhar a satisfação da equipe de tecnologia.

Transforme seu processo de desenvolvimento com a StackSpot AI

Este case de code review com IA da FAHZ é um exemplo claro de como a inteligência artificial pode transformar processos críticos, como a revisão de código, trazendo ganhos de eficiência, qualidade e segurança. 

Pronto para revolucionar seu ciclo de desenvolvimento? Então peça uma demonstração da StackSpot AI e descubra como podemos trazer agilidade e eficiência para sua equipe.

Neste artigo, vamos explorar essa nova fronteira da IA e como podemos aplicar ela na prática.

O que é Agentic AI?

Agentic AI refere-se a sistemas de IA capazes de trabalhar de forma autônoma para resolver problemas complexos. Esses sistemas têm a capacidade para planejar, agir e adaptar suas ações para atingir um objetivo com o mínimo ou nenhuma intervenção humana, colaborando com outros sistemas e ferramentas. Em outras palavras, ao invés de seguir instruções rígidas, o sistema raciocina e se adapta para resolver problemas, mantendo o foco no objetivo estabelecido. 

Existem várias maneiras de construir sistemas de Inteligência Artificial Agêntica. Enquanto algumas alternativas são bem conhecidas, como ReAct Framework, não há uma definição única sobre como projetar e implementar esse tipo de sistema. Contudo cada vez mais o mercado vem compartilhando boas práticas. 

Quando falamos de Agentic AI, estamos nos referindo a um modelo conceitual para resolver problemas complexos usando elementos de IA em uma solução autônoma e adaptativa. 

Principais características da sistemas agênticos

Apesar das variações na implementação, podemos observar alguns passos com frequência em sistemas agênticos:

Entender 

O sistema agêntico recebe uma entrada do usuário e processa essa informação, extraindo a intenção, objetivo, contexto e dados relevantes. 

Agentes baseados em modelos de IA generativa podem ser usados para entender os dados de entrada e planejar ações, aproveitando todo o potencial de grandes modelos de linguagem (large language models – LLM). A capacidade de inferência de modelos de IA generativa é essencial, sendo utilizada para obter um entendimento da situação e definir como agir. 

Planejar 

A partir do entendimento da entrada do usuário, normalmente um modelo de IA generativa (ou um agente de IA) escolhe uma estratégia para atingir o objetivo, selecionando ferramentas e ações necessárias para isso. Em seguida, ele define um plano de ação com tarefas para executar.

Agir 

Com o plano definido, o sistema executa cada uma das tarefas definidas de forma autônoma (ou com interação humana, se necessário).

A inteligência para entender os dados de entrada e gerar um planejamento dá autonomia para o sistema pois, com base no plano, os agentes executam tarefas de forma independente ou com mínima intervenção humana. 

Alguns frameworks, como Lang Chain, e algumas plataformas, como a StackSpot AI, oferecem recursos para associar ferramentas aos modelos, abstraindo essa etapa. Contudo, também é possível orquestrar a chamada das ferramentas na própria aplicação com base no plano.

Avaliar

Os dados gerados de cada ação ou tarefa são avaliados e ajustes no fluxo de execução podem ser realizados. Ou seja, o sistema autonomamente analisa seu estado atual, decide sobre a revisão do seu plano de ação e se adapta.

Um agente de IA pode ser usado para receber os dados gerados de cada tarefa e avaliar os resultados. Novamente, a capacidade de inferência de modelos de IA generativos é essencial, permitindo que o sistema decida de forma independente a necessidade de adaptação de suas ações para atingir o objetivo final, proativamente revisando seu planejamento quando necessário. 

Aprender 

Os resultados das ações e decisões do sistema são incluídos em um ciclo de aprendizado através de mecanismos autônomos ou com interação humana, se necessário, gerando conhecimento para aprimorar seu comportamento no futuro.

Diferenças entre IA Tradicional, IA Generativa e Agentic AI

A IA tradicional, que inclui modelos de classificação e sistemas de recomendação, é focada em resolver tarefas específicas e bem definidas, usando abordagens e algoritmos para processar e analisar dados. 

Por exemplo, um modelo de IA para classificar o sentimento de um texto atualmente é considerado IA tradicional e pode ser utilizado para analisar avaliações de um produto ou serviço. A adoção de IA tradicional traz grandes benefícios quando temos tarefas bem definidas, otimizando processos.

Já a IA generativa tem o potencial de criar conteúdos a partir de padrões previamente aprendidos de grandes volumes de informações, sendo utilizada em um grande número de situações. 

Por exemplo, um modelo de IA generativa pode criar ou responder e-mails, gerar código ou auxiliar na revisão de textos.  A resposta obtida desses modelos é baseada em padrões e relações aprendidos previamente e sua adoção tem gerado muitos casos de sucesso.

Enquanto isso, a Agentic AI, é vista como uma evolução de ambas as abordagens, descrevendo sistemas inteligentes capazes de tomar decisões, agir e se adaptar. 

A diferença central está no foco da solução: ao invés de auxiliar em uma tarefa específica, esses sistemas são orientados a atingir objetivos. Além disso, sistemas agênticos podem envolver o uso de IA tradicional e exploram ao máximo a capacidade de “raciocínio” da IA generativa. 

A adoção de Agentic AI tem sido vista como meio para acelerar a transformação digital e, nesse movimento, até o fim de 2026 teremos 40% de aplicações empresariais integradas a agentes de IA, segundo Gartner Inc.

Riscos e desafios da Agentic AI

Agentic AI tem representado uma tendência como estratégia para acelerar a transformação digital, com muitas empresas investindo nesse tipo de solução. Contudo, segundo a Gartner Inc, mais de 40% dos projetos relacionados à IA serão cancelados nos próximos anos devido a custos elevados, falta de clareza no valor de negócio e controle inadequado dos riscos associados. 

Priorizar a identificação daquilo que tem mais valor para o negócio, traçando uma estratégia direcionada (“business value driven strategy”) tem sido tema frequente de eventos e publicações. 

A questão ética e riscos associados também têm motivado diferentes movimentos, em especial trabalhos relacionados a IA Responsável. 

Uma base de conhecimento sólida sobre conceitos fundamentais da IA aliada a proximidade com o negócio parece ser a chave para mitigar esses riscos e garantir o sucesso dos projetos Agentic AI.

Conceitos fundamentais da Inteligência Artificial Agêntica

Alguns conceitos essenciais para construir soluções Agentic AI são, por exemplo:

• LLMs como componente de raciocínio: Modelos de IA generativa tem o potencial de funcionar como componente cognitivo básico de agentes inteligentes. Conhecer esses modelos e seu papel é essencial para construir os agentes que entendem, planejam e avaliam suas ações de forma efetiva.
• Prompt Engineering: Técnicas para projetar prompts a serem enviados para modelos de IA generativa, gerando instruções eficazes ao interagir com LLMs.
• Engenharia de Contexto: Técnicas para organizar, estruturar e fornecer informações relevantes para que o sistema agêntico possa ter maior compreensão do contexto. 
• Tools (Ferramentas): Capacidade dos modelos em identificar e executar ferramentas externas, como calculadora, acesso ao banco de dados, buscas na Internet e integração com sistemas terceiros, por exemplo.

Inteligência Artificial Agêntica: a nova fronteira da IA

A Agentic AI está redefinindo o futuro da inteligência artificial. Com sistemas autônomos capazes de raciocinar, planejar e executar ações complexas com mínima intervenção humana, essa evolução marca um novo patamar na resolução de problemas complexos. 

Como mencionado, não existe uma fórmula única para implementar Agentic AI: a estratégia tecnológica deve estar alinhada ao valor de negócio, envolvendo profissionais preparados para criar soluções realmente inovadoras.  

O cenário é claro: nos próximos anos, as organizações que dominarem Agentic AI estarão na vanguarda da transformação digital, conquistando vantagem competitiva.

Agora, queremos ouvir de você! Quais outras dúvidas você tem sobre a Inteligência Artificial Agêntica? Deixe um comentário e vamos continuar essa conversa!

Nossa plataforma revolucionou a abordagem de qualidade de código, promovendo avanços significativos em eficiência, segurança e entrega de valor. Dentre alguns dos resultados, a solução elevou a cobertura de testes em mais de 50% no Itaú Unibanco.

Neste artigo vamos explorar como isso foi possível e os resultados impressionantes alcançados nos cases de cobertura de testes com IA.

Desafios: Superando limitações para alcançar um case de cobertura de testes com IA

O Itaú Unibanco se deparou com uma série de desafios ao tentar manter a qualidade em ambientes que mesclam aplicações legadas e modernas. 

Entre os principais obstáculos estavam, por exemplo:

1. Modernização com segurança: Aplicações legadas necessitavam de revisões profundas para se alinhar aos padrões atuais de qualidade.
2. Cobertura de testes insuficiente: A ampliação da cobertura de testes unitários era essencial para a estabilidade e evolução das soluções.
3. Complexidade técnica: Compreender as regras de negócio e as estruturas de código exigia tempo e conhecimento especializado.
4. Dívida técnica: A implementação de testes unitários impactava a capacidade de desenvolvimento de novas funcionalidades.
5. Indicadores estagnados: A falta de avanços nos indicadores de qualidade comprometia o potencial de crescimento e a confiança nas entregas.

Solução: Inteligência Artificial e automação para aumento da produtividade

Para enfrentar esses desafios, o Itaú Unibanco escolheu a StackSpot AI, uma plataforma multiagentes de IA capaz de integrar inteligência artificial a processos críticos de desenvolvimento. 

Por meio de comandos inteligentes (Quick Commands), a StackSpot AI analisava automaticamente o código, sugerindo e gerando testes unitários alinhados aos padrões do banco. 

“Automatizar tarefas não significa tirar a inteligência humana da equação — significa potencializá-la. A StackSpot AI foi criada para que os times tenham mais tempo para pensar em soluções estratégicas, em vez de ficarem presos a tarefas repetitivas. Seguimos empenhados em explorar as possibilidades que essa tecnologia pode destravar nas empresas”, afirma a Chief Delivery Officer da Zup, Melissa Kfouri. 

Essa abordagem não só acelerou a melhoria da qualidade, mas também democratizou o acesso à criação de testes, permitindo que profissionais de QA, mesmo sem profundo conhecimento das regras de negócio, pudessem contribuir significativamente para o aumento da cobertura de testes.

Quer conhecer mais detalhes sobre a solução técnica deste case? Então leia este artigo aqui no blog da StackSpot!

Resultados: A nova Era da Eficiência em casos de cobertura de testes com IA

Os resultados foram impressionantes. Em pouco tempo, a StackSpot AI elevou a cobertura de testes em até 58% na comunidade de open finance e 20% na de cadastro de clientes. Além disso, uma das squads aumentou a cobertura de testes em 77% em apenas quatro dias, demonstrando a eficiência e agilidade proporcionadas pela plataforma. 

Outros benefícios incluem:

• Redução de falhas: O número de mudanças com falhas em produção foi reduzido drasticamente, com uma queda de 50% no volume de features problemáticas em 2024.
• Maior motivação e autonomia: A criação rápida de testes unitários impactou positivamente a motivação dos desenvolvedores, liberando tempo para soluções inovadoras.

“Em uma das equipes, tínhamos o desafio de alavancar a qualidade de código focando na cobertura de testes unitários e entregar solução com datas regulatórias. Diante de automações e o uso do StackSpot AI evoluímos a cobertura de testes em 76%, atingindo uma marca inédita para a comunidade. Essa transformação não só melhorou a qualidade do nosso código, mas também aumentou a confiança e a motivação da equipe, permitindo que nos concentrássemos em entregar valor para o negócio”, conta o Diretor de Tecnologia no Itaú Unibanco, Fernando Castro.

• Expansão interna: O sucesso da StackSpot AI incentivou a expansão do uso da plataforma para todo o ciclo de desenvolvimento do banco.

A adoção da StackSpot AI no Itaú Unibanco não só elevou a qualidade técnica das entregas, como também transformou a dinâmica de trabalho das equipes.

Quer conhecer mais sobre essa história? Então acompanhe a entrevista como QA especialista da Zup, Flávio Antunes, no Stack Talks:

Inovação que inspira confiança  

Com a StackSpot AI, o Itaú Unibanco reforça seu compromisso com a inovação responsável e a excelência técnica. A plataforma não apenas automatiza tarefas repetitivas, mas potencializa a inteligência humana, liberando tempo para que os times pensem em soluções estratégicas. Esse movimento é um passo importante para transformar o futuro do setor financeiro com tecnologia de ponta e equipes engajadas.

A história do Itaú Unibanco e StackSpot AI é um exemplo inspirador de como a inteligência artificial pode transformar a qualidade de código, a eficiência operacional e a entrega de valor. 

Se você deseja saber como a StackSpot AI pode trazer esses benefícios para sua empresa, peça uma demonstração e descubra o impacto dos agentes inteligentes da StackSpot AI nos seus cases de cobertura de testes com IA. 

O processo inclui a geração de diagramas de sequência, request/response de APIs, correlação com OpenAPI, exemplos de queries e a criação de um arquivo Markdown pronto para publicação no GitHub Pages. O resultado é uma documentação que reflete a realidade do sistema em produção, reduzindo lacunas e acelerando o onboarding e o troubleshooting.

Os problemas 

Confira a seguir alguns problemas que podem acontecer quando não há documentação:

• Velocidade x documentação: a alta velocidade de entrega em times ágeis pode resultar uma documentação desatualizada.
• Conhecimento disperso: informações críticas ficam fragmentadas entre squads e microsserviços.
• Rastreamento de jornadas: dificuldade em mapear fluxos completos que envolve BFFs, backends e integrações.
• Observabilidade subutilizada: ferramentas como Splunk, Grafana e Datadog fornecem dados ricos, mas que raramente são reaproveitados para a documentação.

A proposta

Utilizar a StackSpot AI como uma orquestradora de automações para:

1. Processar logs exportados de ferramentas de observabilidade (Splunk, Grafana, Datadog, etc.) em um formato padronizado (JSON).
2. Organizar e normalizar a jornada (atores, chamadas, status).
3. Gerar diagramas de sequência com base nos eventos.
4. Correlacionar os logs com a documentação OpenAPI (Swagger) dos microsserviços.
5. Sugerir queries de troubleshooting para a ferramenta de observabilidade utilizada.
6. Montar a documentação final em Markdown com um template padronizado.
7. Publicar automaticamente no GitHub Pages.

Para isso, iremos usar dois recursos fundamentais da StackSpot AI:

Quick Command (QC): instruções predefinidas para executar e automatizar ações específicas.

Knowledge Sources (KS): fontes de conhecimento que trazem contextualização e personalização para as respostas da AI. 

Arquitetura em Alto Nível

• Fonte de Dados: Logs exportados de ferramentas de observabilidade (Splunk, Grafana, Datadog, etc.) em JSON.
• Orquestração: criação do Remote Quick Command na StackSpot AI. Confira a seguir como o QC foi criado: 

• Knowledge Sources: o KS foi a documentação OpenAPI dos microsserviços para validação e correlação.
• Automação Cliente: foi um script em Python para gerenciar o fluxo de execução, desde o envio dos logs até a publicação da documentação.

O código a seguir mostra a integração com o Quick Command criado por meio da StackSpot AI e o retorno do arquivo de documentação gerado:

Pipeline de Processamento:

Confira a seguir como foi criado a pipeline de processamento

1. Formatação e enriquecimento dos Logs:
   • Normalização do JSON exportado.
   • Ordenação dos eventos por linha do tempo.
   • Extração de campos relevantes (método, URL, statusCode, tempos, etc.).

2. Geração do diagrama de sequência:
   • Identificação dos participantes da jornada (App, BFF, serviços externos).
   • Criação de um esboço de sequência com base nos eventos reais.

3. Correlação com OpenAPI:
   • Validação de endpoints, verbos, paths e schemas observados contra a especificação Swagger.
   • Identificação de desvios entre o comportamento documentado e o comportamento real.

4. Sugestão de queries na ferramenta de observabilidade:
   • Geração de consultas práticas para troubleshooting, baseadas em campos como correlationId, path e status.

5. Montagem do Documento Final (Markdown):
   • Estrutura padrão:
     • Visão geral da jornada.
     • Diagrama de sequência.
     • Exemplos de request/response.
     • Lista de integrações e dependências.
     • Métricas e dicas de observabilidade.
     • Exemplos de queries na ferramenta de observabilidade.

O vídeo a seguir mostra como funciona o Agente, seguindo os passos explicados anteriormente. Ele já sabe qual é o padrão esperado para gerar a documentação.

Flexibilidade com ferramentas de observabilidade

Embora a prova de conceito tenha usado o Splunk, o processo também pode ser aplicado a outras ferramentas de observabilidade, como Grafana ou Datadog. O único requisito é padronizar o formato dos logs de entrada. Assim, o agente de IA da StackSpot AI conseguirá analisar as informações e executar seu trabalho.

Resultados da Prova de Conceito

• Documentação automatizada: gerada diretamente a partir dos eventos reais observados em produção.
• Onboarding acelerado: sequências e exemplos prontos para novos membros do time.
• Redução de lacunas: menor discrepância entre o que está documentado e o que realmente ocorre.
• Troubleshooting facilitado: queries úteis para suporte e SRE disponíveis na documentação.
• Processo replicável: pipeline versionada e pronta para escalar para outras jornadas.

Resultado da documentação: 

Próximos Passos

• Integração do pipeline à esteira CI/CD.
• Expansão do catálogo de Knowledge Sources.
• Inclusão de testes de conformidade entre logs e OpenAPI.
• Enriquecimento com métricas de APM (Monitoramento de Performance de Aplicações) e traces distribuídos.

Conclusão

Automatizar a documentação técnica com a StackSpot muda completamente a forma como as equipes gerenciam o conhecimento. Com a StackSpot, a documentação é sempre atualizada, refletindo o estado real do sistema. Isso reduz falhas de informação e acelera o onboarding de novos membros.

Ao integrar operação e conhecimento, a StackSpot permite que o próprio sistema gere sua documentação quase em tempo real.

Quer saber como aplicar essa solução no seu time? Entre em contato e descubra como elevar sua documentação técnica a um novo patamar com a StackSpot!