Raiffeisenbank implantou agentes de IA para 500 engenheiros, mas a velocidade não aumentou. Por quê

O Raiffeisenbank concluiu a segunda parte de um experimento sobre a implementação de IA em uma organização de engenharia com 500 especialistas: a aceleração local de funções individuais através de agentes de codificação não mudou as métricas-chave como Lead Time, Throughput e Defect Rate.

Por que os copilots não aceleraram o time

Distribuir agentes de codificação aos engenheiros por si só não muda a velocidade do sistema — esta é a conclusão da primeira parte do experimento que o Raiffeisenbank compartilhou em um blog no Habr. Segundo os autores, você pode aumentar MAU LLM (usuários ativos mensais do modelo de linguagem), depois aumentar MAU API (número de chamadas de API), distribuir agentes de codificação para as pessoas — e ainda assim não ver mudanças em três métricas de engenharia: Lead Time (tempo de ideia para resultado), Throughput (capacidade de processamento do processo de desenvolvimento), e Defect Rate (proporção de defeitos no código lançado). Essas três métricas são um indicador padrão da saúde de um processo de engenharia, e sua inalteração após a implementação massiva de IA é o que os autores do blog chamam de conclusão principal da primeira parte do experimento.

• O experimento abrange uma organização de engenharia de 500 especialistas do Raiffeisenbank
• Métricas que não mudaram após a implementação de IA: Lead Time, Throughput, Defect Rate
• A aceleração local esbarra em requisitos, revisão, testes, aprovações, times vizinhos e especialistas de negócios
• O próximo passo da empresa é a transição para Engenharia Agentic

Onde a velocidade é realmente perdida

Acelerar uma pessoa ou uma função não acelera o sistema inteiro — a tarefa ainda passa por todos os estágios restantes do processo, explicam os autores do blog do Raiffeisenbank. Um funcionário pode começar a fazer sua parte mais rápido, mas o resultado ainda fica aguardando revisão, testes, aprovação ou decisão de um time vizinho. Os autores descrevem isso como um problema de otimização local: acelerar um elo na corrente não muda a vazão geral se o gargalo está localizado em outro lugar do processo — com revisores, testadores ou departamentos de aprovação.

"Uma pessoa ou uma função podem começar a fazer sua parte mais rápido,

mas a tarefa ainda aguarda requisitos, revisão, testes, aprovações, times vizinhos ou um especialista de negócios", — afirma o blog do Raiffeisenbank no Habr.

O que vem a seguir: Engenharia Agentic

O Raiffeisenbank não parou em distribuir ferramentas para engenheiros individuais e decidiu ir além — na direção que a empresa chama de Engenharia Agentic. Na indústria, esse termo tipicamente descreve a transição de assistentes de IA pontuais para um desenvolvedor para agentes incorporados no processo no nível de times e estágios, não apenas em locais de trabalho individuais. Exatamente o que o Raiffeisenbank entende por esse conceito e como resolverá o problema de aprovações e filas entre funções, a empresa promete revelar na continuação da série de artigos no Habr — o material é chamado diretamente a segunda parte da história sobre a implementação de IA em 500 engenheiros.

O que significa isso

O caso do Raiffeisenbank mostra: distribuir ferramentas de IA para engenheiros um a um não acelera o desenvolvimento se gargalos permanecerem nas interfaces entre funções e times — o efeito real aparece apenas quando a aceleração afeta o processo como um todo, não o trabalho de uma pessoa.