Introdução
A General Motors (GM) está revolucionando seus processos de desenvolvimento de software ao implementar agentes de inteligência artificial em toda sua divisão de veículos autônomos. A empresa conseguiu triplicar o número de pull requests aprovados e reduzir significativamente os defeitos em produção, tudo isso através de uma abordagem inovadora que vai muito além dos assistentes de código convencionais. O caso da GM oferece lições valiosas para qualquer empresa brasileira que busca transformar sua área de tecnologia com IA.
A realidade surpreendente do desenvolvimento de software
Segundo Rashed Haq, VP de veículos autônomos da GM, os engenheiros de software da empresa passam apenas 15% do seu tempo efetivamente escrevendo código. Esse número pode parecer chocante, mas está alinhado com pesquisas anteriores do setor. Um estudo da Microsoft de 2019 com quase 6.000 desenvolvedores profissionais revelou que eles dedicavam entre 66 e 96 minutos por dia escrevendo código – aproximadamente 14% a 20% de uma jornada de oito horas.
Os outros 85% do tempo são consumidos por atividades como análise de dados de telemetria, triagem de problemas, execução de experimentos, testes, debugging e manutenção. Uma pesquisa da Stripe de 2018 mostrou que desenvolvedores gastavam mais de 17 horas semanais apenas em trabalho de manutenção. Essa realidade cria uma oportunidade enorme para automação inteligente – e foi exatamente onde a GM focou seus esforços.
Redesenhando workflows completos, não apenas adicionando assistentes
A abordagem da GM foi fundamentalmente diferente da adoção típica de ferramentas de IA para desenvolvimento. Enquanto muitas empresas simplesmente adicionam um copilot ou assistente de código como o GitHub Copilot, a GM redesenhou completamente seus workflows de engenharia em torno de agentes autônomos.
Como explicou Haq: ‘Se você der a alguém apenas um chatbot que pode codificar, ainda há muita ineficiência incorporada nesse processo’. A empresa dividiu seu trabalho de veículos autônomos em três loops principais: desenvolvimento e teste de software em simulação, testes de veículos em vias públicas e monitoramento pós-implantação. Em cada loop, identificaram os maiores gargalos e os automatizaram sistematicamente.
Integração profunda com ferramentas e dados internos
O segredo do sucesso da GM está na integração profunda dos agentes com as ferramentas e dados internos da empresa. Utilizando o Model Context Protocol (MCP), a GM conectou seus agentes a petabytes de dados corporativos e sistemas internos. Os agentes não apenas acessam interfaces gráficas – eles podem chamar diretamente as APIs e ferramentas subjacentes.
Um exemplo prático é o processamento de telemetria coletada de veículos em vias públicas. Os agentes analisam automaticamente esses dados, fazem uma triagem inicial e criam issues para investigação dos engenheiros. Eles podem acessar o WebViz, o sistema de visualização de telemetria da GM, através de suas APIs internas, não apenas pela interface que um humano usaria.
A empresa também criou ‘skills’ versionadas – documentos de instrução que ensinam aos agentes como executar tarefas específicas. Essas skills são mantidas em controle de versão, garantindo consistência e rastreabilidade. Importante destacar que as permissões dos agentes são baseadas nas permissões do engenheiro que os utiliza, mantendo a segurança e responsabilidade.
Resultados impressionantes e mensuráveis
Os números falam por si: a GM triplicou a quantidade de pull requests aprovados em sua organização de engenharia de veículos autônomos. Mas o impacto vai além do volume de código. A velocidade de lançamento de novos recursos aumentou significativamente, enquanto o número de defeitos que escapam para estágios posteriores de desenvolvimento diminuiu.
A empresa também utiliza agentes em segundo plano para executar experimentos de machine learning em paralelo. Um engenheiro define o experimento e seus parâmetros, e os agentes executam os testes e coletam os resultados automaticamente. Isso permite que múltiplos experimentos sejam conduzidos simultaneamente, acelerando drasticamente o ciclo de desenvolvimento.
Lições para o mercado brasileiro
O caso da GM oferece insights valiosos para empresas brasileiras que buscam implementar IA em suas equipes de tecnologia. Primeiro, é crucial entender que simplesmente adicionar um assistente de código não é suficiente. É necessário mapear todo o fluxo de trabalho e identificar onde a automação pode ter maior impacto.
Segundo, a integração profunda com sistemas e dados internos é fundamental. Muitas empresas brasileiras já possuem enormes volumes de dados e ferramentas internas – o desafio é conectar agentes de IA a esses recursos de forma segura e eficiente. O uso de protocolos como MCP pode ser um caminho promissor.
Terceiro, o fator humano permanece crítico. A GM tratou sua plataforma de agentes como um produto interno, designando engenheiros dedicados para trabalhar com as equipes, identificar workflows úteis e disseminar práticas bem-sucedidas. Essa abordagem de gestão de mudança é essencial para o sucesso.
O que isso significa para o futuro do desenvolvimento de software
A experiência da GM sugere que estamos entrando em uma nova era do desenvolvimento de software, onde engenheiros se tornam orquestradores de agentes inteligentes ao invés de codificadores manuais. Isso não significa que o papel do engenheiro diminui – pelo contrário, ele se torna mais estratégico e focado em resolver problemas complexos.
Para o mercado brasileiro, isso representa tanto uma oportunidade quanto um desafio. Empresas que conseguirem implementar essas tecnologias efetivamente poderão competir globalmente com muito mais eficiência. Por outro lado, profissionais precisarão se adaptar a esse novo paradigma, desenvolvendo habilidades de supervisão e orquestração de agentes.
É importante notar que a GM manteve pontos de controle humano críticos. Engenheiros ainda revisam métricas de desempenho e determinam se os testes capturam adequadamente seus objetivos antes do código avançar para produção. O modelo não é de substituição completa, mas de amplificação da capacidade humana.
Conclusão
O caso da GM demonstra o potencial transformador dos agentes de IA quando aplicados de forma estratégica e abrangente. Ao focar nos 85% do tempo que engenheiros não passam codificando, a empresa conseguiu resultados que superaram suas próprias expectativas. Para empresas brasileiras, a lição é clara: o futuro do desenvolvimento de software não está apenas em assistentes de código, mas em uma reimaginação completa de como o trabalho de engenharia é realizado. As organizações que entenderem e abraçarem essa mudança estarão melhor posicionadas para competir na economia digital global.
Fonte original: Este artigo foi adaptado e traduzido a partir da matéria publicada em VentureBeat, disponível em https://venturebeat.com/orchestration/gm-redesigned-its-engineering-workflows-around-ai-agents-and-tripled-its-merged-pull-requests.
