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

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

Contexto

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

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.

Solução

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."

Resultado

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 aprendidas

1. Um modelo rápido e barato para preenchimento + um modelo forte para chat IDE é o par funcional para adoção em massa de IA em engenharia: latência onde a velocidade importa, inteligência onde a profundidade importa.
2. Comece com um mapa de processo, não com uma ferramenta: Palo Alto primeiro descobriu onde o tempo e a qualidade vazam (30–35% — a fase inicial) e só depois escolheu o LLM.
3. Os juniores ganham o máximo (70% de tarefas mais rápidas): a IA nivela a equipe e reduz a integração de meses para semanas — precifique esse efeito em dólares de contratação.
4. IA em CI/CD (testes, comentários, detecção de vulnerabilidades, auto-patches) compensa mais rápido do que cenários brilhantes: um bug detectado antes do lançamento são economias diretas em dinheiro e reputação.
5. Para indústrias reguladas e sensíveis à segurança, a postura de segurança do fornecedor é um critério de seleção comparável à qualidade do modelo.
6. Mantenha o código dentro de seus limites de dados: um plugin IDE + um modelo dentro do perímetro de sua nuvem (Vertex AI) remove o principal obstáculo legal para a adoção.
7. Infraestrutura de acesso flexível (preços GSU, rendimento provisionado, troca de endpoint sem reescritas de código) remove a principal barreira técnica para dimensionamento em milhares de engenheiros.

Perguntas frequentes