Adotar IA não acelerou o desenvolvimento: a experiência do Raiffeisenbank

O paradoxo da adoção de IA: no Raiffeisenbank, 500 engenheiros usam ativamente ferramentas de IA, tanto chats quanto agentes de programação, mas a velocidade de desenvolvimento não mudou.

O problema que não aparece nos dashboards

O quadro da adoção de IA em uma grande empresa costuma parecer animador: os usuários ativos crescem, os engenheiros dominam novas ferramentas e a diretoria recebe relatórios positivos. Isso muitas vezes basta para considerar a implantação um sucesso.

O problema aparece depois, quando começam a olhar para as métricas de negócio. A equipe de Kiniabulatov comparou os indicadores de antes e depois da adoção: tempo de ciclo das tarefas, velocidade de entrega de funcionalidades e número de iterações até a produção. Os 500 engenheiros aprenderam as ferramentas, mas a produtividade das equipes ficou no mesmo patamar.

Segundo Kiniabulatov, esse padrão não é exclusivo do Raiffeisenbank. A maioria das empresas que introduz IA em larga escala no desenvolvimento enfrenta o mesmo: as métricas de uso das ferramentas sobem antes de qualquer mudança nos processos de trabalho reais.

Por que uso ≠ aceleração

A equipe testou várias hipóteses sobre o impacto da IA na velocidade de desenvolvimento. A lógica inicial parecia razoável:

• Chats de IA reduzem o tempo gasto buscando documentação e explicações
• Agentes de programação assumem a escrita de código repetitivo e de modelo
• Menos tarefas rotineiras dão aos engenheiros tempo para problemas complexos

Na prática, cada uma dessas relações se mostrou não linear. Um engenheiro que recebia respostas rápidas de um chat podia gastar o tempo economizado em esclarecimentos extras e reformulações, em vez de avançar na tarefa. Um agente de programação gerava código que precisava ser revisado e ajustado, e às vezes isso levava mais tempo do que escrevê-lo manualmente.

“Nos gráficos, usuários e atividade crescem, os engenheiros testam as

ferramentas e se acostumam à nova realidade, mas, ao checar as métricas, muito frequentemente se descobre que nada ficou mais rápido”, escreve Kiniabulatov.

Quais métricas ajudaram a separar hábito de resultado

O desafio central foi criar um sistema de medição que mostre não o fato de as ferramentas serem usadas, mas seu efeito no resultado. A equipe buscou correlações entre a atividade nas ferramentas de IA e indicadores reais de eficiência: cycle time, throughput e a proporção de tarefas que passaram pela produção sem voltar para retrabalho.

Em paralelo, estudaram padrões de comportamento: o que exatamente mudava no trabalho dos engenheiros cuja produtividade de fato aumentou. A diferença-chave não estava na frequência de uso das ferramentas, mas na forma de integrá-las ao fluxo de trabalho.

Essa análise levou ao conceito de Agentic Engineering, uma abordagem em que o engenheiro monta cadeias de agentes de IA que assumem etapas inteiras do trabalho, em vez de usar a IA como um manual interativo para perguntas isoladas.

O que isso significa

O caso do Raiffeisenbank descreve um problema sistêmico das transformações com IA: métricas visíveis de uso das ferramentas criam uma ilusão de progresso enquanto a produtividade real permanece inalterada. O efeito verdadeiro não vem de adotar a tecnologia, mas de reconstruir os processos de trabalho em torno dela. Kiniabulatov promete, na segunda parte, uma análise detalhada de como a equipe estruturou o Agentic Engineering.

Por que a adoção de IA não acelerou o desenvolvimento?

O número de usuários e a frequência de uso crescem, mas as métricas reais mostram que a velocidade de desenvolvimento não mudou.

Por que a adoção de IA não acelera o desenvolvimento?

Segundo a experiência do Raiffeisenbank, o aumento de usuários de ferramentas de IA e da frequência de uso não garante um desenvolvimento mais rápido. Marat Kiniabulatov, responsável pela eficiência das equipes de engenharia do banco, analisou por que a atividade com IA não se converte em aceleração do trabalho real.