AI-DLC: a forma como construímos software mudou e não tem mais volta

Artigo em coautoria com Francesco Di Marcello, diretor executivo no Bradesco.

O AI-DLC (Artificial Intelligence Driven Lifecycle) desloca o eixo de valor da engenharia de software. O código torna-se commodity, enquanto a especificação, o contexto e a decisão passam a ser os ativos escassos.

A inteligência artificial deixa de ser um assistente pontual e passa a participar de todo o ciclo de vida, da concepção à operação, por meio de agentes autônomos.

A diferenciação competitiva não nascerá das ferramentas, mas da fundação corporativa que sustenta os agentes: dados, conhecimento, integração, observabilidade, governança e, sobretudo, identidade de agentes. Sem uma identidade forte, única e auditável para cada agente, não existe autonomia sustentável, tampouco rastreabilidade ou conformidade, que são pré-requisitos inegociáveis, sobretudo no mercado financeiro.

A adoção de IA agêntica avança rápido nas grandes organizações, mas boa parte dos projetos ainda fracassa por custo elevado, valor pouco claro e controles de risco insuficientes. Vencer essa transição é, antes de tudo, um exercício de governança e de liderança.

A mudança de paradigma: do código como artefato ao contexto como ativo

A fronteira técnica move-se em direção ao AI-DLC, um modelo em que a inteligência artificial participa ativamente de todas as etapas da cadeia de valor, da concepção à operação, apoiada por agentes, conhecimento corporativo, dados, observabilidade e governança.

Trata-se de uma mudança que ultrapassa o desenvolvimento de software. Ela redefine o modelo operacional da organização, conectando engenharia, produto, operações, dados, segurança e negócio em uma mesma dinâmica.

O ponto de inflexão é econômico. Quando a inteligência artificial gera centenas de linhas de código em segundos, o custo marginal do código cai e o risco migra para a origem do trabalho: a ambiguidade dos objetivos, as falhas de contexto e o desalinhamento com as necessidades do negócio. A especificação, o contexto e a tomada de decisão passam a ser os ativos de maior valor e, muitas vezes, o verdadeiro gargalo da entrega.

A adoção já é mainstream. A maioria dos desenvolvedores profissionais usa ferramentas de IA no dia a dia, e a presença dessas ferramentas nas maiores empresas do mundo deixou de ser exceção. Por isso, o debate parou de girar em torno da adoção e passou a girar em torno do resultado que essas ferramentas efetivamente entregam.

Vibe Coding e Spec-Driven Development: abordagens complementares

Duas abordagens emergem e se completam:

• O Vibe Coding privilegia velocidade, experimentação e interação direta com agentes para construir soluções com rapidez, sendo ideal para descoberta e inovação.
• O Spec-Driven Development traduz objetivos, requisitos, restrições e critérios de negócio em especificações estruturadas que orientam os agentes de forma previsível, oferecendo escalabilidade, governança e repetibilidade.

Em ambientes corporativos regulados, é a combinação das duas que sustenta inovação com controle.

O paradoxo da produtividade e o desafio do reskill

A velocidade não se converte automaticamente em valor. Pesquisas independentes descrevem um paradoxo de produtividade. O desenvolvedor individual entrega mais e sente que trabalha mais rápido, mas o ganho costuma se dissipar porque o gargalo apenas se desloca para a revisão, o QA e a integração. Em alguns experimentos controlados, a produtividade medida sequer acompanhou a sensação de rapidez. A lição para o executivo é clara: ganho individual percebido não equivale a ganho organizacional medido.

Por isso, o principal desafio dos líderes não é a falta de tecnologia, e sim a transformação de competências e de mentalidade. Não basta treinar engenheiros em novas linguagens. É preciso desenvolver capacidades em engenharia de contexto, arquitetura de agentes, análise crítica, governança e visão de negócio. O aprendizado deixa de ser um evento pontual e passa a fazer parte do trabalho diário.

Os processos acompanham essa evolução. O AI-DLC exige equipes mais autônomas, colaborativas e orientadas a contexto, além de plataformas que atuam como hubs de conhecimento e governança, conectando todo o ciclo de criação, operação e evolução dos produtos.

As fundações corporativas indispensáveis

Para que os agentes operem com autonomia real, a organização precisa de uma fundação robusta de dados e conhecimento. Isso inclui dados de produtos e de processos, arquitetura corporativa, catálogos de sistemas, telemetria e observabilidade, documentação técnica, padrões de engenharia e o conhecimento histórico acumulado. Quanto mais estruturado esse patrimônio, mais consistentes tendem a ser os resultados dos agentes.

Essa fundação funciona como um sistema nervoso corporativo que conecta pessoas, plataformas e agentes. Ela reduz alucinações, melhora a qualidade das decisões e acelera a geração de valor. A governança de integrações assume papel igualmente crítico. APIs, catálogos de serviços e protocolos de interação tornam-se os elementos que permitem aos agentes descobrir, consumir e executar capacidades corporativas de forma segura, auditável e controlada. Nesse contexto, o conhecimento deixa de ser mera documentação e passa a ser tratado como ativo estratégico.

A qualidade dessa base não é um detalhe operacional. Boa parte das organizações aponta a qualidade dos dados como o principal obstáculo para levar agentes à produção, e poucas afirmam ter um modelo de governança realmente maduro para operar agentes autônomos. É nesse ponto que se separam os projetos que escalam daqueles que serão descontinuados.

Identidade de agentes: a fundação de confiança para escalar o AI-DLC

À medida que os agentes ganham autonomia, cada agente passa a ser uma identidade não humana. É uma entidade que se autentica, recebe permissões e age sobre sistemas corporativos sem um humano digitando a senha. Se um agente pode ler dados, chamar APIs e executar transações, então a identidade desse agente é o plano de controle que torna a autonomia segura, atribuível e auditável. Sem ela, autonomia vira risco não gerenciado.

Por que a identidade de agentes é uma fundação, e não um detalhe

O modelo tradicional de gestão de identidade e acesso foi desenhado para pessoas, com admissão via RH, autenticação multifator por padrão e desligamento no encerramento do vínculo. Os agentes não recebem nada disso automaticamente. Uma conta de serviço criada para desbloquear uma entrega herda permissões amplas e sobrevive ao projeto que a originou. Em um cenário no qual os agentes se multiplicam sozinhos, esse descompasso deixa de ser tolerável.

A escala do problema é concreta. Nos ambientes modernos, as identidades não humanas já superam as humanas por uma ordem de grandeza expressiva, e essa proporção cresce a cada ano à medida que automações, integrações e agentes se acumulam. Uma parcela cada vez maior dessas identidades corresponde a agentes de IA. Em grandes instituições financeiras, o número de identidades não humanas ativas supera em muitas vezes o total de contas de usuários humanos, um retrato do que aguarda a maioria das grandes organizações.

O risco é especialmente sensível no setor financeiro. As boas práticas de segurança para IA agêntica já colocam o comprometimento da identidade de agentes entre os riscos primários, e incidentes recentes tiveram como vetor inicial o sequestro de tokens de acesso, credenciais de contas de serviço vazadas e segredos expostos em pipelines de integração contínua. Onde a identidade é fraca, o agente autônomo torna-se a maior superfície de ataque não gerenciada da empresa.

Observabilidade, segurança e confiança

Se antes monitorávamos aplicações e infraestrutura, agora monitoramos também o comportamento dos agentes. É preciso entender quais contextos foram utilizados, quais decisões foram tomadas, quais fontes de conhecimento influenciaram os resultados, quais riscos foram identificados e quais impactos foram gerados para o negócio.

Segurança e governança deixam de ser temas periféricos e passam a ser mecanismos fundamentais de confiança, conformidade e escalabilidade. A identidade de agentes é a chave que liga essas peças, pois é ela que torna a observabilidade atribuível e a segurança acionável. Sem observabilidade, identidade e rastreabilidade, não existe autonomia sustentável.

Autonomia e responsabilidade: o julgamento humano como diferencial

Quanto mais autonomia os agentes ganham, mais importante se torna o pensamento crítico humano. Organizações maduras cultivam uma cultura permanente de supervisão, avaliação de riscos e responsabilidade. A velocidade da inteligência artificial não elimina a necessidade de julgamento. Pelo contrário, amplia a necessidade de desafiar respostas, questionar premissas, validar resultados e compreender impactos antes da execução. Esse julgamento, aliado a uma visão responsável do risco, é um diferencial competitivo para quem deseja escalar agentes com segurança.

O novo papel do executivo de tecnologia: de gestor a protagonista de alto impacto

O papel do executivo de tecnologia se transforma profundamente. O líder moderno atua como catalisador da mudança organizacional, conectando tecnologia, dados, conhecimento e estratégia de negócio. Mais do que administrar estruturas, ele influencia a cultura, acelera o aprendizado organizacional e cria as condições para que pessoas e agentes trabalhem de forma complementar.

A tendência é institucional. Analistas projetam que, nos próximos anos, uma parcela relevante dos CIOs passará a liderar sistemas de agentes de IA para além dos limites da área de TI, tornando-se coarquitetos do modelo de trabalho da empresa. A grande virada exige ambidestria estratégica, isto é, o equilíbrio entre inovação, governança, velocidade e mitigação de risco. O valor da inteligência artificial aplicada à engenharia não está apenas na eficiência operacional. Está, principalmente, na redução do time to market e na ampliação da geração de valor para clientes e negócio.

Empresas que combinarem agentes inteligentes, conhecimento corporativo estruturado, identidade e governança robustas e aprendizado contínuo construirão uma vantagem competitiva difícil de replicar.

Recomendações executivas

O sucesso da transição para o AI-DLC depende menos das ferramentas e mais da capacidade de construir uma fundação sólida de conhecimento, dados, integração, observabilidade, governança e identidade de agentes. O AI-DLC não é apenas uma transformação da engenharia de software. É a transformação do modelo operacional da empresa, no qual inteligência humana e inteligência artificial passam a atuar como um sistema integrado de geração de valor.

Para os líderes que patrocinam essa jornada, cinco movimentos concentram o retorno:

• Tratar conhecimento e dados como ativos estratégicos, estruturando a base que alimenta os agentes antes de escalar a autonomia.
• Estabelecer identidade de agentes desde o primeiro piloto, com identidade única, privilégio mínimo e ciclo de vida governado, e não como remediação posterior.
• Medir resultado de negócio, e não atividade, para não cair no paradoxo de produtividade e evitar tornar-se mais um projeto descontinuado.
• Investir em reskill contínuo em engenharia de contexto, arquitetura de agentes e julgamento crítico.
• Fazer da governança um habilitador, integrando observabilidade, segurança e identidade em uma arquitetura de confiança auditável.

As organizações que combinarem autonomia dos agentes, conhecimento estruturado, supervisão responsável, identidade confiável e velocidade de execução estarão mais bem posicionadas para liderar a próxima era da transformação digital.