Raiffeisenbank: 500 engenheiros adotaram IA, mas a velocidade de desenvolvimento não aumentou

Os engenheiros do Banco Raiffeisen usam ativamente ferramentas de IA — chats e agentes de codificação. Nos gráficos, a atividade parece convincente: o número de usuários está crescendo, a frequência de solicitações está aumentando. Mas quando a equipe verificou as métricas reais, descobriu-se que a velocidade de desenvolvimento não havia mudado. Marat Kinyabulatov, especialista em práticas ágeis e responsável pela eficiência das equipes de engenharia do banco, analisou por que o crescimento no uso não se traduz em aceleração.

O problema que não é visível nos painéis

A imagem da implementação de IA em uma grande empresa geralmente parece promissora: os usuários ativos estão crescendo, os engenheiros estão dominando novas ferramentas, a gerência recebe relatórios positivos. Isso acaba sendo suficiente para considerar a implementação bem-sucedida.

O problema surge depois — quando você começa a examinar as métricas de negócio. A equipe de Kinyabulatov comparou indicadores antes e depois da implementação: tempo de ciclo da tarefa, velocidade de lançamento de recursos, número de iterações antes da produção. 500 engenheiros dominaram as ferramentas, mas a produtividade da equipe permaneceu no mesmo nível anterior.

De acordo com Kinyabulatov, esse quadro é típico não apenas do Banco Raiffeisen. A maioria das empresas que estão implementando em massa IA no desenvolvimento enfrenta o mesmo: as métricas de uso de ferramentas crescem antes de qualquer coisa mudar nos processos de trabalho reais.

Por que o 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 na busca de documentação e explicações
• Agentes de codificação lidam com a escrita de código de modelo e repetitivo
• Rotina reduzida dá aos engenheiros tempo para tarefas complexas

Na prática, cada uma dessas conexões se mostrou não-linear. Um engenheiro recebendo respostas rápidas de um chat poderia gastar o tempo economizado em esclarecimentos e reformulações adicionais — em vez de avançar com a tarefa. Um agente de codificação gerou código que precisava ser revisado e refinado: às vezes, isso levava mais tempo do que escrevê-lo independentemente.

"Nos gráficos, usuários e atividades estão crescendo, os engenheiros

estão experimentando ferramentas e se acostumando com a nova realidade, mas ao verificar as métricas, muitas vezes acaba por descobrir que nada funciona mais rápido," escreve Kinyabulatov.

Quais métricas ajudaram a separar hábito de resultado

O desafio central foi criar um sistema de medição que mostrasse não apenas o fato do uso da ferramenta, mas seu impacto nos resultados. A equipe procurou correlações entre a atividade em ferramentas de IA e indicadores reais de desempenho: tempo de ciclo, throughput, proporção de tarefas que passaram pela produção sem necessidade de retrabalho.

Em paralelo, estudaram padrões comportamentais — o que exatamente mudou no trabalho dos engenheiros cuja produtividade aumentou. A diferença-chave não foi a frequência de uso da ferramenta, mas a forma como foram integradas ao processo de trabalho.

Esta análise levou ao conceito de Agentic Engineering — uma abordagem em que um engenheiro constrói cadeias de agentes de IA que lidam com estágios inteiros de trabalho, em vez de aplicar IA como uma referência interativa para perguntas individuais.

O que isto significa

O caso do Banco Raiffeisen descreve um problema sistêmico das transformações de IA: as métricas visíveis do uso de ferramentas criam uma ilusão de progresso enquanto a produtividade real permanece inalterada. O efeito real não vem da implementação da tecnologia, mas da reestruturação dos processos de trabalho em torno dela. Kinyabulatov promete uma análise detalhada de como exatamente a equipe construiu a Agentic Engineering na segunda parte.