Após a Geração de Código

Este é o primeiro de dois artigos sobre como eliminar gargalos no ciclo de vida de entrega de software usando IA. Consulte a parte 2 para saber como a IA pode ajudar a resolver gargalos nas operações de software de "Day 2".

O maior uso de IA no setor de tecnologia atualmente é a geração de código (code generation). Os programadores adoram, e os benefícios são claros. Mas o que vem depois disso? Quanta produtividade adicional podemos extrair da IA para o desenvolvimento de software?

A resposta reside em olhar para todo o processo de ponta a ponta do desenvolvimento de software: da ideia ao código, à execução em produção e à resposta ao feedback que você recebe das pessoas que usam o software. Esta sempre foi a maneira de melhorar o software, e a IA está fazendo grandes promessas nesse campo.

Melhorando o Ciclo de Vida de Entrega de Software (SDLC) com IA

Se você não é programador, provavelmente pensa que a maior parte do que os desenvolvedores fazem é sentar com os dedos no teclado escrevendo código. Isso não poderia estar mais longe da verdade. Os programadores gastam, eu diria, apenas entre 15% e 20% do tempo programando de fato. O restante do tempo é gasto aprendendo, comunicando, projetando, testando e planejando.

Muito disso é feito por meio de ferramentas, mas uma quantidade substancial é realizada por meio de conversas humanas à moda antiga, cara a cara.

Principais Componentes do Processo de Ciclo de Vida de Entrega de Software

Primeiro, existem ferramentas para rastrear requisitos, funcionalidades (features) e bugs no software, muitas vezes integradas a ferramentas de colaboração. Em seguida, você tem ferramentas para gerenciar o código-fonte à medida que ele avança em seu ciclo de vida (controle de versão, como o git).

O processo é fortemente automatizado por pipelines de continuous integration/continuous delivery (CI/CD), que usam frameworks de testes automatizados para realizar verificações de segurança e conformidade (compliance). Ferramentas de gerenciamento de configuração (configuration management) são usadas para preparar a aplicação e seu ambiente para produção.

Finalmente, você tem ferramentas avançadas de logging e observabilidade (observability), juntamente com monitoramento básico, para gerenciar a aplicação e coletar feedback sobre seu desempenho em produção. Se você for realmente avançado, terá ferramentas que ajudam a coletar feedback sobre como seu software é usado para atingir quaisquer metas estabelecidas no início. Esse feedback é então usado na próxima versão do software para melhorar as features.

Há também a ferramenta simples da "reunião": conversar com as pessoas da equipe, gerentes de produto, "o negócio" e, se você for realmente bom, os usuários reais de suas aplicações. A melhor ferramenta aqui geralmente é o "quadro branco" (whiteboard), real ou virtual, para ajudar a fazer brainstorming e explorar ideias.

Poderíamos incluir como você estrutura e gerencia a organização também, mas vou deixar isso de lado, já que a forma como você gerencia sua organização de software é um tópico por si só. Esse processo também é tão situacional que é difícil generalizar sobre ele. O que funciona na Amazon, JPMorganChase, no Parlamento do Reino Unido ou em qualquer unidade de negócios da Thales varia amplamente.

Cada uma dessas fases de desenvolvimento pode ser otimizada com IA. Como isso é feito está sendo explorado e testado agora, e não acho que saberemos exatamente como será nos próximos anos. No entanto, sabemos uma coisa para as empresas: precisamos garantir que seja seguro.

Uma vez que você otimiza cada ferramenta, que representa cada etapa no SDLC, você encontrará o problema do processo. Ou seja, você encontrará problemas de pessoas.

A IA Encontra Gargalos como Efeito Colateral

Quando se trata de otimizar um processo como o SDLC, há uma ferramenta importante a ser considerada: os gargalos (bottlenecks). Cada vez que você otimiza uma parte do processo, você encontrará um gargalo. Esse gargalo ainda não foi otimizado, ou não foi otimizado o suficiente.

Se você não está familiarizado com o combate a gargalos (que tem o nome formal de "Teoria das Restrições"), aqui está um bom resumo de como essa teoria se aplica ao software, escrito por Leah Brown para o weblog da IT Revolution:

"[A] criação de código não é o gargalo e não é há décadas. A restrição atual no ciclo de entrega geralmente está em algum lugar a jusante do esforço de codificação: revisão de código (code review), integração, teste de sistema ou alguma outra etapa de verificação ou validação. Não apenas gerar mais código é improvável que leve a um maior throughput no sistema, mas todo esse inventário não enviável pode desequilibrar o sistema inteiro, aumentando os atrasos."

Essa percepção se baseia na Teoria das Restrições de Eliyahu Goldratt, ilustrada por dois personagens da literatura de gestão:

• Herbie, de The Goal, é o escoteiro mais lento em uma caminhada que fica sempre para trás. Não importa o quão rápido os outros escoteiros caminhem, o grupo só pode se mover na velocidade de Herbie.
• Brent, de The Phoenix Project, é o tecnólogo sênior brilhante que está envolvido em tudo. Nada pode avançar sem Brent. Ele está em toda parte e em lugar nenhum, uma restrição disfarçada de competência.

Ambos ilustram um princípio fundamental: A capacidade do sistema é igual à capacidade da restrição.

Se a verificação e a validação são suas restrições, gerar mais código mais rapidamente não faz nada para melhorar a produtividade geral. Pior, a gestão Lean nos diz que o inventário é um passivo, não um ativo. O código não enviado incorre em custos de manutenção — gerenciamento de branch, código dormente com feature-flagged, constante rebasing e reteste, complexidade adicional e risco adicional.

Em resumo: Gerar mais código não acelera a entrega geral, a menos que a geração de código fosse, de fato, o gargalo. Na verdade, isso pode aumentar o custo da entrega.

Em 2025, houve muita reflexão nesse sentido: "Se a IA é tão ótima, por que não estamos vendo ROI e ganhos de produtividade?" Há uma afirmação muito citada de que 95% dos projetos de IA falham. Eu acho que isso é muito exagerado e tem sido criticado e contestado de forma crível. Existe uma sensação — uma vibe — de que as empresas ainda não obtiveram um retorno da IA tão grande quanto todo o hype indicaria.

Esses gargalos são provavelmente uma das razões pelas quais não estamos alcançando grandes ganhos. Embora você tenha otimizado uma parte de qualquer processo de negócio, seja desenvolvimento de software ou outro, até que você melhore todos os gargalos, você não conseguirá grandes resultados.

Como você identifica esses gargalos?

No desenvolvimento de software, isso é algo que estudamos há muito tempo. É um dos avanços subestimados no pensamento da indústria que o DevOps trouxe à tona. Para encontrar os gargalos no desenvolvimento de software, você precisa gerenciar o processo inteiro, aquele SDLC de ponta a ponta.

Isso parece óbvio, certo? Mas pergunte a si mesmo: você conseguiria desenhar um mapa detalhado de todas as atividades necessárias para colocar uma linha de código em produção? Se você for como a maioria das organizações com as quais conversei nas últimas décadas, provavelmente não. Pior, se você é um executivo ou está na alta gerência, obter uma visão precisa pode ser difícil.

Um amigo meu tem a mesma história ao consultar grandes organizações nos últimos anos. Eles perguntam ao CIO e sua equipe quais etapas estão no processo de entrega de software. Meu amigo as anota, encontrando as equipes que realizam cada etapa. Então, eles começam a visitar cada equipe e perguntam como elas fazem seu trabalho. É preciso um pouco de construção de respeito e confiança, e então, eventualmente, alguém diz: "Bem, deixe-me contar como realmente funciona..."

As organizações se tornaram tão isoladas (siloed) que ver o processo inteiro é impossível.

Outro truque é perguntar quem é o responsável por todo esse processo? Fora de algumas organizações que se preocupam com isso, como a Amazon com o papel de Single Threaded Leader, pouquíssimas organizações têm funções que detêm a responsabilidade por todo o SDLC, incluindo os resultados de negócio (business outcomes). A responsabilidade é distribuída por muitas equipes. Cada uma dessas equipes otimiza sua parte do processo — afinal, é assim que elas são recompensadas. Você fez seu trabalho e o fez bem?

Como a Tanzu Platform Ajuda

A equipe que compõe a divisão VMware Tanzu da Broadcom tem se concentrado em otimizar o processo de ponta a ponta e otimizar gargalos por décadas. Essa era nossa principal forma de pensar sobre como ajudar organizações nos dias pré-Kubernetes Kraze. E continua sendo um ponto forte quando você pergunta aos líderes de negócios por que eles continuam usando a Tanzu Platform: porque ela acelera seu processo de entrega de software com toda a segurança (security) e governança (governance) empresarial de que precisam.

Nos últimos anos, temos aprendido como encaixar a IA no SDLC. Não fazemos tudo o que você pode fazer com IA, mas aqui estão algumas áreas nas quais nossos clientes têm trabalhado:

Escapando da armadilha do legado (legacy): Você não pode construir aplicações de IA em cima de infraestrutura frágil e de décadas. O maior entrave no SDLC é muitas vezes o trabalho de "manter as luzes acesas" (keep the lights on), ou seja, patching, atualização de frameworks e refatoração de código legado. Você não pode escapar disso em grandes organizações que são altamente regulamentadas. Uma ferramenta Tanzu chamada Application Advisor automatiza a descoberta e a remediação dessa dívida técnica. Essa ferramenta identifica o código que precisa de atualização e automatiza grande parte do processo de refatoração. Manter-se atualizado melhora a segurança e a governança, mas isso é o básico. Depois de se libertar da armadilha do legado, seus desenvolvedores têm tempo para se concentrar na construção de novas features orientadas por IA, em vez de combater incêndios antigos. Organizações como KLM, Fiserv e Alight usaram o Application Advisor. A Alight, por exemplo, viu uma redução de 70% no tempo de engenharia necessário para atualizações de manutenção.

Protegendo a cadeia de suprimentos de IA (AI supply chain): Bloquear a IA cria "IA sombra" (shadow AI). As ferramentas Tanzu ajudam a evitar isso, protegendo os componentes de IA (como servidores MCP) com o mesmo rigor que as aplicações de missão crítica. Ao intermediar o acesso ao modelo, as organizações podem proteger sua Propriedade Intelectual (IP) sem interromper a inovação. A própria Global Technology Organization (GTO) da Broadcom usou isso para permitir que os desenvolvedores implantassem com segurança agentes de IA que leem tickets e escrevem código. Como observa o CIO Alan Davidson, os ganhos de produtividade são reais "somente se pudermos integrar essas ferramentas e agentes com segurança e proteção". A segurança é um dos maiores gargalos no SDLC, e essa abordagem ajuda.

Controlando o custo do agente: Quando você usa IA no SDLC, ela não apenas escreve código, mas também executa tarefas. Mas um agente autônomo que fica preso em um loop de raciocínio pode acumular contas enormes em minutos. Ouvi histórias de processos agentic bem-intencionados que rodaram durante o fim de semana e gastaram US$ 50.000 ou mais. Quando se trata de IA, você precisa de controles de custo. A Tanzu Platform trata esses agentes como microservices padrão — gerenciando seu ciclo de vida, aplicando patches e impondo circuit breakers no consumo de token. Você também pode executar modelos localmente na Tanzu Platform e na VMware Private AI Foundation, o que permite controlar totalmente os custos, pois você está executando em seu próprio private cloud. Impor controles de custo desajeitados pode ser um grande gargalo, mas com coleta precisa, analytics e aplicação, você pode melhorar esse gargalo.

Desbloqueando a inteligência corporativa: A parte mais lenta do ciclo de desenvolvimento é muitas vezes apenas encontrar a informação certa. E depois de encontrá-la, há uma quantidade esmagadora de limpeza de dados e controles de acesso que precisam ser implementados para usar esses dados. Os desenvolvedores podem desperdiçar horas caçando documentação, e os executivos podem esperar dias por relatórios básicos de negócios. Nosso pensamento é que, ao confiar em uma arquitetura data lakehouse, você pode acelerar o gargalo de dados. O Tanzu Data Intelligence faz isso. Além disso, essa integração vai até a pilha de desenvolvimento de aplicações, por exemplo, autoconfigurando e protegendo o acesso a dados para aplicações com Spring.

Padronizando o caminho dourado (golden path): Um sistema caótico é um gargalo por si só. Se cada equipe constrói sua própria plataforma personalizada, você cria novos gargalos mais rapidamente do que a IA pode resolvê-los. A Tanzu Platform fornece um golden path consistente para levar o código à produção. Ao padronizar o ambiente, como as aplicações são construídas e como elas se movem através do processo de build até a execução em produção, você garante que cada otimização que você faz seja dimensionada em toda a organização instantaneamente, em vez de ficar presa em um único silo. Isso se aplica especialmente à IA, onde há uma quantidade esmagadora de bibliotecas, serviços e métodos de uso de IA. Quanto mais cedo você padronizar como seus desenvolvedores usam a IA e a incorporam em sua aplicação, menos tempo você terá que gastar consolidando no futuro.

Preparando Seu SDLC para a IA: Removendo Gargalos e Atritos

Todos sabemos que em sistemas complexos e valiosos, não há soluções rápidas (quick fixes). Isso é verdade ao aplicar IA a processos empresariais como a entrega de software. No entanto, há uma solução "o mais rápido possível", e essa é olhar para o seu processo de ponta a ponta e pensar em remover e melhorar os gargalos nesse processo.

O primeiro passo é simplesmente mapeá-lo. O próximo é cuidar das óbvias "soluções rápidas", como atualizar seu software, consolidar sua pilha de plataforma, como você constrói e implanta software e assim por diante. Reserve um tempo para abordar essas coisas óbvias e, em seguida, você pode passar para a parte mais difícil de encontrar os gargalos ocultos baseados em pessoas.

Até que você remova esses gargalos, toda a otimização de IA do mundo resultará apenas em todos sendo melhores, mas o processo geral ainda ficando para trás.

Há uma coisa em que todos com quem conversamos no ano passado concordam: descobrir como obter um melhor uso da IA em todo o SDLC e nas aplicações é difícil e complexo. Essa complexidade é um tipo de gargalo por si só, talvez mais como areia nas engrenagens do SDLC.

A Tanzu Platform e o Tanzu Data Intelligence oferecem uma plataforma de IA integrada, e executá-la sobre o VMware Cloud Foundation (VCF) oferece um private cloud pronto para IA.