Palo Alto Networks: Claude para milhares de desenvolvedores — aumento de 20–30% na velocidade de desenvolvimento de recursos

Contexto e escala do negócio

A Palo Alto Networks é a maior empresa de cibersegurança: fornecedora global de produtos e serviços abrangentes de segurança de rede. Uma organização de engenharia com milhares de desenvolvedores enfrenta a pergunta que toda a indústria estava fazendo em 2024–2025: como você aumenta a produtividade dos desenvolvedores com IA generativa sem sacrificar a qualidade e a segurança do código entregue? Para uma empresa que vende segurança, a segunda cláusula não é uma ressalva, mas a essência da marca.

O programa foi liderado por Gunjan Patel, Diretor de Engenharia no Escritório do CPO, com uma equipe multifuncional de engenheiros. A metodologia foi sistemática desde o início: a equipe não se apressou em implantar "alguma IA", mas primeiro mapeou o ciclo de vida do desenvolvedor para identificar quais tarefas são mais propensas a erros e consomem mais tempo. As ferramentas foram escolhidas de acordo com esse mapa.

Seguiu-se uma avaliação formal de vários LLMs e assistentes de codificação. O vencedor foi uma combinação: Sourcegraph Cody como interface IDE com os modelos Claude da Anthropic como backend, implantados no Vertex AI no Google Cloud — a combinação que, de acordo com a avaliação da equipe, melhor correspondia ao foco da empresa em segurança. O caso é documentado duas vezes — pela Anthropic e pelo Google Cloud — oferecendo a rara oportunidade de verificar os números de duas partes interessadas uma contra a outra.

A escala de implantação em dois momentos: a história do Google Cloud descreve um piloto com 150 desenvolvedores e um posterior lançamento para 3.000; a história da Anthropic cita 2.500 desenvolvedores integrados com mais 3.500 em rampa. É uma das maiores implantações publicamente documentadas de assistentes de desenvolvimento de IA no setor de cibersegurança.

Problema e gargalos operacionais

Em cibersegurança, o custo de um bug é mais alto do que em qualquer outro lugar: "Se um bug for encontrado mais tarde, é isso que custa dinheiro e reputação e os clientes não ficam felizes", diz Patel. Uma vulnerabilidade em um produto que protege a infraestrutura dos clientes afeta a confiança mais do que qualquer falha em software comum. Portanto, a aceleração do desenvolvimento não podia ser feita à custa da qualidade: pelo contrário, a IA tinha que reforçar o controle de qualidade.

O mapeamento do ciclo de vida do desenvolvedor mostrou exatamente onde o tempo e a qualidade estavam sendo perdidos. 30–35% do tempo do desenvolvedor foi destinado à fase inicial de desenvolvimento — identificada como o ponto crítico de prevenção de erros. A integração era outro gargalo: um novo funcionário precisava de até seis meses para se tornar totalmente proficiente nos extensos e complexos codebases da empresa — e durante todo esse tempo os desenvolvedores sênior passavam horas orientando manualmente os novatos pela estrutura do código.

As especificidades do setor estabelecem uma camada separada de requisitos. O código-fonte da Palo Alto Networks é um ativo sensível: a solução tinha que manter o código dentro dos limites de dados da empresa, em vez de enviá-lo para serviços externos não controlados. Além disso, as demandas de infraestrutura em escala: milhares de desenvolvedores precisam de rendimento de inferência estável sem degradação em horários de pico, e um modelo de custo previsível que possa ser planejado em um horizonte anual. Finalmente, um filtro de fornecedor: uma empresa que vende segurança não podia trabalhar com um provedor de modelo para o qual a segurança é uma preocupação secundária.

Arquitetura e implementação de IA

A arquitetura da solução é um emparelhamento de modelo dividido por latência e profundidade. Claude 3.5 Haiku lida com preenchimento de código em tempo real: o modelo rápido e barato sugere as próximas linhas enquanto os desenvolvedores digitam. Claude 3.5 Sonnet funciona no modo programação em pares via chat IDE: um desenvolvedor pergunta "ajude-me a melhorar o desempenho deste código" — o sistema coleta arquivos relevantes, os envia para Sonnet e retorna um snippet pronto. A interface é o plugin Sourcegraph Cody no IDE; o backend é Claude no Vertex AI. "A combinação de Claude no Vertex AI com Sourcegraph nos permitiu manter nosso código-fonte dentro de nossos limites de dados e funcionou bem em tarefas de codificação", explica Patel.

Os cenários de uso divergiram por nível de experiência. Os juniores dependem da capacidade do Claude de explicar o código: o modelo compreende o codebase geral, e os novos contratados começam a contribuir dentro de semanas em vez de meses, sem queimar o tempo dos desenvolvedores sênior. Engenheiros experientes usam Claude como parceiro em depuração complicada e brainstorms de arquitetura — o caso cita a linguagem ao vivo: "Ei, verifique minha lógica nisso" e "Estou preso neste bug; você pode me ajudar no brainstorm?"

O lançamento seguiu o padrão: um piloto com 150 desenvolvedores de júnior a sênior, medição de impacto, depois dimensionamento para milhares de engenheiros. Do ponto de vista da infraestrutura, o dimensionamento se apoiou em duas capacidades do Google Cloud: preços GSU (Generative AI Scale Units) baseados em uso granular com períodos de compromisso flexíveis — seis meses ou um ano — e rendimento provisionado para desempenho consistente. Patel descreve a mudança do throughput sob demanda para o rendimento provisionado com um entusiasmo raro em estudos de caso corporativos: "Não pensávamos que mudar de throughput sob demanda para rendimento provisionado funcionaria facilmente. Mas realmente funcionou — impecavelmente. Tudo o que tínhamos que fazer era alterar o endpoint, e tudo funcionava perfeitamente. Isso foi uma grande vitória para nós."

A próxima fronteira é o pós-processamento de código por IA em CI/CD: um desenvolvedor escreve código com Claude em tempo real, e após a criação da solicitação pull, a IA assume offline — melhorando nomes de variáveis, adicionando comentários esclarecedores, gerando e executando automaticamente testes unitários, depois identificando problemas de segurança no código e sugerindo automaticamente patches. "Esses esforços contribuirão para um código mais limpo e legível, enquanto aborda vulnerabilidades e fortalece a segurança", diz Patel. Sua equipe está mapeando os processos de cada equipe de desenvolvimento em busca dos próximos pontos de alavancagem de IA — e questionando a própria estrutura do processo: "O ciclo de vida do desenvolvimento de software foi projetado antes da era da IA... provavelmente não teremos todos esses estágios."

“A Anthropic priorizou segurança e proteção muito mais do que outros LLMs. Eles discutem as implicações de segurança e proteção em cada reunião. Como a maior empresa de cibersegurança, isso é um grande negócio para nós. — Gunjan Patel, Director of Engineering at Palo Alto Networks

Impacto mensurável e economia

Os números principais concordam em ambos os estudos de caso: a velocidade de desenvolvimento de recursos e implementação de código aumentou 20–30%. A velocidade de escrita de testes unitários aumentou 10–30% — e isso não é apenas produtividade: mais testes significam menos bugs e um codebase de maior qualidade. Os desenvolvedores juniores completam tarefas 70% mais rápido, e sua integração caiu de meses (até seis) para semanas. Escala: um piloto de 150 desenvolvedores → 3.000 no lançamento de acordo com a versão do Google Cloud; 2.500 integrados e 3.500 em rampa de acordo com a Anthropic. Patel resume por que isso importa para a cibersegurança: "Executar Claude no Vertex AI do Google Cloud não apenas acelera os projetos de desenvolvimento, como nos permite incorporar segurança no código antes do envio."

Um resultado separado é o critério de seleção de fornecedor que Patel afirma claramente: "A Anthropic priorizou segurança e proteção muito mais do que outros LLMs. Eles discutem as implicações de segurança e proteção em cada reunião. Como a maior empresa de cibersegurança, isso é um grande negócio para nós."

Enquadramento. Todos os números são auto-relatos da empresa publicados por dois fornecedores interessados (Anthropic e Google Cloud); a metodologia por trás de "velocidade de desenvolvimento de recursos" não é divulgada; o 70% dos juniores é uma estimativa para um tipo específico de tarefa de integração; a discrepância entre 2.500/3.000 desenvolvedores entre as histórias reflete diferentes momentos de captura — um lembrete de que os números em histórias de fornecedores são pontuais, não auditados.

Análise editorial. Primeiro: este é um caso raro onde o ROI de um assistente de IA é calculado não "em média", mas por segmento — e a maior vitória está com os juniores (70% vs média de 20–30%). O aprendizado prático inverte a intuição "IA amplifica o forte": em grandes organizações de engenharia, a IA principalmente nivela a equipe e converte a integração de seis meses em semanas, o que é dinheiro direto em contratação e dimensionamento. Segundo: a sequência "mapear o processo → medir um piloto → escalar" importa mais do que qualquer número individual aqui; o ponto de alavancagem (a fase inicial de desenvolvimento, 30–35% do tempo) foi escolhido a partir de dados, não de moda. Terceiro: o pipeline de pós-processamento — gerando e executando testes, encontrando vulnerabilidades e auto-patching após cada PR — esboça uma reestruturação mais profunda do que um assistente IDE: a IA se torna um estágio de pipeline com sua própria área de responsabilidade, e a observação de Patel de que "provavelmente não teremos todos esses estágios" soa como o anúncio do próximo estudo de caso. Finalmente, observe o que é medido aqui: PANW é uma das poucas a publicar não apenas "produtividade média", mas segmentação por senioridade (juniores/sêniors) e uma métrica de teste separada. Quanto mais granularmente uma empresa divide seus próprios números, mais razão há para confiar neles — por esse critério, o caso PANW é marcadamente mais probatório do que o relatório médio do fornecedor.

Lições para a indústria

Fontes primárias verificadas

1. Palo Alto Networks accelerates development with Claude (customer story) ↗ — Anthropic / Claude (кейс-стади)
2. Palo Alto Networks: Accelerating software development and security with Anthropic's Claude and Google Cloud ↗ — Google Cloud (customer story)