O que separa um time que usa AI de um time que opera com AI?
6 perguntas para Jessica Pignataro, Gerente de Engenharia na Itaú Private Bank
Usar AI e operar com AI são dois estágios diferentes.
No primeiro, ela acelera tarefas pontuais, com ganho individual, enquanto fluxo e governança seguem humanos.
No segundo, ela entra no fluxo oficial de desenvolvimento e passa a exigir governança auditável, contexto estruturado e critérios de qualidade codificados.
A diferença entre os dois está no que muda ao redor dela. Muda o papel do time, o critério de valor do trabalho técnico e o que o negócio precisa entregar antes de pedir uma feature.
Nesta edição de 6 Perguntas, conversamos com Jéssica Pignataro, Gerente de Engenharia na Itaú Private Bank, sobre o que separa um time que usa AI de um time que opera com AI, como manter critério de qualidade quando a execução acelera e o que muda nas habilidades que passam a pesar mais no time.
Na sua visão, o que diferencia um time que apenas usa AI de um time que já opera com AI como parte do fluxo? Quais mudanças na forma de trabalhar precisam acontecer para que essa transição se sustente?
Na minha visão, a principal diferença entre um time que usa IA e um time que opera com IA no fluxo está no papel que a IA desempenha dentro do sistema.
Um time que apenas usa IA mantém a tecnologia como uma ferramenta de apoio individual. Nesse modelo, a IA atua como aceleradora de tarefas pontuais, como documentação, refatoração ou correção de bugs. O ganho é principalmente de produtividade individual, mas o fluxo de trabalho, as decisões e a governança continuam essencialmente humanos.
Já um time que opera com IA de forma integrada passa por uma mudança mais profunda: a IA deixa de ser ferramenta e passa a ser parte do sistema operacional do time.
Nesse modelo:
a IA participa do fluxo oficial de desenvolvimento
atua como colaboradora recorrente
está inserida de forma formalizada, auditável e reprodutível
começa a atuar não só na execução, mas também em etapas como análise, planejamento e validação
Esse movimento está muito alinhado com o que estamos experimentando no formato de Squads Híbridas, utilizando como base o Framework AI-DLC (papel oficial da AWS): https://prod.d13rzhkk8cj2z0.amplifyapp.com/
que reposiciona a IA como co-executora do ciclo de desenvolvimento, participando de ponta a ponta, desde a análise até a operação contínua.
Para viabilizar essa mudança, não basta adotar ferramentas, é necessário evoluir a forma de trabalhar em cinco dimensões principais:
1. De tarefas → para fluxos orquestrados
Hoje, a IA é usada dentro de tarefas isoladas. No modelo de operar com IA, ela precisa estar integrada em workflows definidos, com papéis claros e pontos de controle.
Definição explícita de onde a IA atua no fluxo
Outputs padronizados e versionáveis
Orquestração entre humanos e agentes
2. De execução humana → para execução híbrida com supervisão
No modelo tradicional, humanos executam e validam. No modelo Squad Híbrida, a execução passa a ser amplamente feita por IA, com humanos atuando como direcionadores e validadores.
IA gera planos, propõe soluções e executa tarefas
Humanos tomam decisões críticas e garantem alinhamento com negócio
Isso muda o papel do time: de executor para orquestrador e decisor.
3. De informalidade → para governança e auditoria
Para escalar o uso de IA, é necessário que ela seja confiável e rastreável.
Registro de decisões e interações com IA
Outputs auditáveis
Critérios claros de validação e qualidade
4. De conhecimento implícito → para contexto estruturado
Um ponto crítico do AI-DLC é que agentes dependem de contexto.
Documentação viva e acessível
Decisões explícitas
Contexto estruturado para consumo por IA
Sem contexto, a IA amplifica erros ao invés de valor.
5. De times centrados em esforço → para times centrados em decisão
A IA reduz o custo de execução.
Mais foco em priorização, arquitetura e qualidade
Menos foco em volume de entregas
Métrica de sucesso migra de “output” para “impacto
Qual desafio técnico, organizacional ou cultural relacionado à AI que você acredita que ainda está sendo pouco discutido pelas lideranças?
Na minha visão, um dos desafios que ainda é pouco discutido pelas lideranças não é técnico, e sim humano e organizacional. Trata-se de uma espécie de crise de identidade do profissional nesse novo contexto AI-Driven.
E aqui não estou falando de desemprego, esse tema já tem bastante espaço. Estou falando de algo mais sutil: o que acontece com a autoestima e o senso de propósito de profissionais que foram reconhecidos ao longo da carreira pela sua expertise técnica, e que agora veem essa mesma expertise sendo replicada em segundos.
Um profissional sênior que levava dias para estruturar uma análise complexa, e se orgulhava de resolver problemas difíceis, não foi substituído pela IA, mas teve, de certa forma, o critério de valor do seu trabalho redefinido. E, muitas vezes, isso acontece sem que exista uma conversa explícita e honesta sobre essa mudança.
Na minha percepção, existe um desconforto das lideranças em abordar esse tema, porque ele envolve uma vulnerabilidade mútua, o próprio líder também está passando por essa transição. Além disso, ainda não existem métricas claras de sucesso nesse novo modelo, e o assunto pode parecer “soft” demais em uma agenda normalmente dominada por casos de uso e ROI.
O risco disso é relevante: passamos a ter equipes que adotam ferramentas, mas não mudam o modelo mental. Existe uso de IA, mas sem internalização da transformação. Com isso, pode haver perda de sentido individual, redução do senso de propósito e um ambiente menos psicologicamente seguro. No fim, o que se cria é uma transformação superficial, com avanço na adoção técnica, mas sem uma mudança cultural real.
Quando parte da execução passa a ser acelerada por AI, como a liderança equilibra dar autonomia ao time e ao mesmo tempo manter controle sobre o critério de qualidade do que é entregue?
Quando parte relevante da execução passa a ser operada por IA, o papel da liderança deixa de ser sobre “supervisionar pessoas” em etapas do fluxo e passa a ser sobre projetar o sistema onde o time e a IA operam com qualidade.
O AI-DLC traz uma visão importante aqui: qualidade não é algo que se controla no final, é uma propriedade construída durante o fluxo.
1. Qualidade contínua substitui controle centralizado
No modelo tradicional, controle de qualidade vem de gates e validações finais. No modelo AI-Driven, isso não escala, porque o ciclo é muito mais rápido (horas ou dias). Então:
a validação acontece ao longo de todo o fluxo
cada etapa valida a anterior
não existe mais “QA no final”
Isso permite dar mais autonomia ao time, porque o próprio fluxo já reduz o risco.
2. Controle passa a acontecer via feedback loops ultra-curtos
O principal mecanismo de controle deixa de ser aprovação formal e passa a ser loop contínuo:
gerar → validar → ajustar → regenerar
feedback quase imediato
iteração constante
Na prática, você encurta o tempo de correção.
3. Critérios de qualidade deixam de ser subjetivos e passam a ser codificados
Esse é o ponto mais crítico para escalar autonomia com segurança. Para que a IA participe do fluxo:
critérios precisam ser interpretados por IA
não podem ficar só em guideline ou interpretação humana
Exemplo:
“código limpo” → vira regra automatizada (cobertura, padrões, etc.)
“requisitos atendidos” → validação automática de consistência
O salto aqui é transformar isso em controle automatizado dentro do fluxo, não só alinhamento entre pessoas.
4. Validação automatizada como padrão
O AI-DLC coloca IA como protagonista em:
geração de testes
detecção de bugs
validação de artefatos
Ou seja, qualidade não depende de esforço manual, depende de automação sistêmica e bem definida.
5. Menos ritual, mais evidência objetiva
O modelo também muda a forma de governança:
menos dependência de cerimônias (homologação, aceite, etc.)
mais foco em evidências de validação
Na sua experiência, o que muda nas habilidades que você precisa desenvolver no time quando AI entra na operação, e quais competências passam a pesar mais do que pesavam antes?
Na prática, com a entrada de IA na operação o desenvolvedor deixa de ser um executor de código e passa a ser um orquestrador, validador e decisor.
Isso acontece porque, no modelo AI-Driven, a IA assume grande parte da execução (planejamento, geração de código e até testes), enquanto o humano passa a ter um papel mais forte em supervisão e decisão crítica.
Dessa forma, o que passa a pesar mais nas habilidades do time:
1. Problem framing e clareza de pensamento
Se antes a principal habilidade era “resolver”, agora é definir bem o problema.
estruturar o “what” e o “why”
decompor corretamente
dar direção clara para a IA
2. Capacidade de julgamento (judge mindset)
Como a IA aumenta muito o volume de geração, o gargalo passa a ser decidir o que usar e o que descartar.
avaliar o que a IA gerou
identificar inconsistências e riscos
decidir o que está “bom o suficiente”
3. Context engineering
Capacidade de dar contexto para a IA:
traduzir negócio em instruções claras
estruturar requisitos de forma consumível por IA
fornecer contexto suficiente para boas decisões
4. Orquestração de fluxo e agentes
O profissional passa a precisar entender:
como combinar IA + ferramentas + pipeline
como desenhar fluxos com validação contínua
onde automatizar e onde manter intervenção humana
É uma habilidade que aproxima todos os níveis do time de um papel mais de arquiteto e tech lead.
5. Aprendizado e adaptação contínua
Com ciclos muito mais curtos (horas ou dias), passa a ser essencial:
experimentar rápido
ajustar rota sem apego
evoluir continuamente junto com as ferramentas
Como muda a conversa com as áreas de negócio quando AI deixa de ser iniciativa pontual e passa a ser parte de como o time opera, como a liderança traduz essa mudança para quem está do outro lado?
Quando a IA deixa de ser uma iniciativa pontual e passa a fazer parte do modelo operacional do time, a principal mudança na conversa com o negócio é que a clareza do problema passa a ser mais importante do que a velocidade da execução.
Nesse modelo, a IA entra desde o início, ajudando a decompor e estruturar, o fluxo acelera muito (horas ou dias) e qualquer ambiguidade se propaga rapidamente. Ou seja, o erro escala na mesma velocidade que a produtividade. Com isso, a responsabilidade pela clareza deixa de ser só de engenharia e passa a ser compartilhada com o negócio.
O ponto central é que o problema precisa ser formulado de um jeito que possa ser operado por IA. Isso significa que a conversa com o negócio deixa de ser briefing aberto:“a gente vai descobrindo”, e passa a ser:
“qual é exatamente o problema?”
“qual decisão você quer suportar?”
“qual comportamento esperado define sucesso?”
“quais são os critérios que dizem que isso está correto?”
Menos foco em feature, mais foco em intenção, decisão e critério.
A liderança não pode comunicar isso apenas como “adoção de uma nova tecnologia”. Ela precisa fazer uma ressignificação de responsabilidade e na forma de trabalhar.
Em vez de dizer: “agora usamos IA e vamos acelerar entregas”, a liderança precisa se posicionar como:
“Agora conseguimos construir muito mais rápido, então precisamos ser muito mais claros sobre o problema desde o início.”
“A qualidade da entrega depende mais de como definimos o problema do que de como executamos.”
“Negócio não está pedindo feature, está definindo a lógica de decisão que o sistema vai seguir.”
Dessa forma, o gargalo deixa de ser construir a solução e passa a ser entender e estruturar bem o problema. E o papel da liderança é justamente garantir essa mudança de mentalidade, transformando a conversa com o negócio de “request de feature” para definição de decisão e critérios de valor.
Que fontes de informação você considera indispensáveis para que lideranças de Produto e Engenharia se mantenham atualizadas sobre AI e seus movimentos no mercado?
Na minha visão, não existe uma única fonte suficiente para se manter atualizado em IA, principalmente porque o contexto muda muito rápido. O que faz diferença é combinar fontes estruturadas com aprendizado contínuo em comunidade e prática, tais como:
Comunidades e fóruns como principal termômetro de mercado: Hoje, uma das fontes mais valiosas não são só conteúdos formais, mas sim comunidades técnicas, participação em fóruns especializados e discussões entre profissionais que estão aplicando IA no dia a dia. Eu participo ativamente da Comunidade de tecnologia Strides, e tenho diariamente trocas com profissionais de mercado sobre o tema.
Conteúdos recorrentes (podcasts, newsletters, etc): Como o ciclo de evolução é muito rápido, eu vejo muito valor em canais que trazem curadoria frequente. No meu caso, eu gosto bastante de acompanhar os podcasts:
The AI Daily Brief: traz uma visão constante sobre novos modelos, movimentos de mercado e aplicações.
IA Sob Controle: conecta melhor o contexto técnico com implicações práticas no Brasil
Papers, frameworks e materiais de grandes players (big techs, research, etc): Como o exemplo do paper AI-DLC, esses materiais ajudam a estruturar o pensamento e transformar o aprendizado em modelo operacional.