Alfa-Bank Mostrou Como Céticos Implementaram um Serviço Interno de RH em Produção com GLM-5

O Alfa Bank compartilhou um caso em que uma equipe de céticos do vibe-coding levou um novo serviço de RH para a produção em algumas semanas usando GLM-5. O experimento mostrou que a IA acelera significativamente a prototipagem e o desenvolvimento de rotina, mas não alivia a equipe da responsabilidade pela arquitetura, Git e lançamento.

Como o Projeto foi Selecionado

Um piloto dentro da HR Tech foi montado com três pessoas que inicialmente não acreditavam nos benefícios práticos do vibe-coding: um líder de equipe, um analista de sistemas e um gerente de produto. Eles receberam liberdade para escolher uma tarefa, e a equipe decidiu não fazer um projeto de demo abstrato, mas sim pegar uma funcionalidade real do roadmap de desenvolvimento da Alfa People. Assim surgiu o serviço "Meus Objetivos", onde os funcionários do banco podem estabelecer objetivos e vincular tarefas a eles dentro da plataforma corporativa de RH.

A aposta não era apenas na velocidade, mas também no risco razoável. Se o projeto não tivesse decolado, não teria quebrado processos de negócios críticos, mas se bem-sucedido, teria fechado uma necessidade real. Os prazos, enquanto isso, foram sendo apertados rapidamente: o deadline foi movido várias vezes e o tempo de desenvolvimento foi reduzido para apenas alguns dias.

A equipe usou descoberta já conduzida, pontos de dor dos usuários coletados e soluções mínimas descritas, depois passou para o modelo a tarefa de preparar um rascunho dos requisitos de negócios.

Como o Desenvolvimento Ocorreu

Na prática, o mais desafiador não foi o GLM-5 em si, mas o trabalho colaborativo de pessoas que nunca haviam escrito aplicações de produção antes e tinham quase nenhuma experiência com IDE e Git. O líder de equipe teve que primeiro fazer uma onboarding rápida, configurar o ambiente e explicar ações básicas com branches, pulls e pushes. Sem isso, a IA de fato acelerou peças individuais de trabalho, mas todo o fluxo foi retardado por cada conflito, mal-entendido e divergência em mudanças. A partir daí, o processo ficou assim:

• o líder de equipe, analista de sistemas e gerente de produto trabalharam no serviço
• a interface foi montada através de descrições de texto e séries de iterações rápidas
• a equipe criou 19 versões de protótipo antes de escolher a base para o produto
• devido à alta carga no GLM-5 durante o dia, o desenvolvimento frequentemente mudava para horas noturnas
• entre 15 equipes piloto, apenas essa composição conseguiu levar o serviço para a produção

A IA principalmente ajudou com layout, formulários, validadores e versões iniciais de telas. O gerente de produto descreveu como deveria ser a interface, o modelo gerou HTML e lógica de UI, e o líder de equipe então conectou ao backend e levou ao estado de funcionamento. Após o lançamento, o serviço rapidamente ganhou uso real: na primeira semana, 10.000 usuários únicos foram registrados, 9.240 objetivos criados e 981 tarefas vinculadas, o que para um produto interno parecia um início muito forte.

Onde Limitações Surgiram

O caso demonstra bem que o principal gargalo no desenvolvimento empresarial com IA não está na geração de código, mas na disciplina de engenharia. Quando múltiplos participantes estão simultaneamente mudando o projeto, a falta de conhecimento de Git se transforma em trabalho manual constante resolvendo conflitos. O segundo problema é infraestrutural: 15 equipes participaram do piloto ao mesmo tempo, e durante o dia GLM-5 podia levar vários minutos para responder, o que tornava a ferramenta quase inútil e derrubava o ritmo de trabalho.

Outro momento significativo aconteceu logo antes da demo: o modelo e os plugins ficaram indisponíveis, e bugs finais tiveram que ser corrigidos manualmente. Isso rapidamente o desperta e dissipa a ilusão de que a IA pode substituir completamente um engenheiro em um momento crítico. Arquitetura, integrações, segurança, verificação de logs e resolução de casos extremos ainda permaneceram do lado do desenvolvedor experiente.

Na verdade, foi precisamente os ajustes manuais no último momento que permitiram a apresentação e lançamento acontecerem sem problemas.

"Em grandes empresas, vibe-coding não é uma substituição para um

desenvolvedor, mas uma ferramenta nas mãos de um especialista experiente."

Como resultado, a equipe chegou a um modelo de uso mais sóbrio: a IA é adequada para trabalho paralelo em tarefas de rotina, interfaces e hipóteses rascunhadas, mas não elimina a liderança técnica. Se os limites de lançamento não forem fixos, há tentação de expandir infinitamente o escopo de tarefas, porque parece que o modelo vai "fazer um pouco mais". Na prática, foi precisamente um quadro de tarefas rígido, controle manual e a capacidade de parar as melhorias no momento certo que permitiram completar o serviço.

O Que Isso Significa

A história do Alfa Bank é importante porque mostra o vibe-coding sem o filtro publicitário. Dentro de uma grande empresa, ele já pode acelerar o lançamento de produtos internos, especialmente na fase de prototipagem e tarefas típicas de UI, mas funciona apenas onde há um engenheiro experiente, escopo de trabalho claro e disposição para lidar manualmente com tudo crítico. Neste cenário, a IA não é piloto automático, mas um acelerador de equipe que entrega resultados apenas com um processo maduro e responsabilidade rigorosa pelo resultado.