Auchan Tech mostrou como a AI economiza até 70% do tempo de um analista de sistemas em tarefas rotineiras

Auchan Tech publicou uma análise prática de como os modelos generativos já estão sendo integrados no trabalho diário de um analista de sistemas. A conclusão principal do autor é simples: a IA não elimina a responsabilidade do analista, mas é capaz de acelerar significativamente a preparação de perguntas, diagramas e rascunhos de requisitos.

Três Cenários de Trabalho

O material analisa três tarefas típicas que um analista enfrenta em quase cada ciclo de produto: coleta e esclarecimento de requisitos, modelagem de processos e preparação de Use Case. O autor compara o que os modelos produzem com uma solicitação simples versus um prompt estruturado com papel, contexto, restrições e formato esperado de resposta. Os exemplos utilizam ChatGPT, Qwen e DeepSeek, com ênfase não na "magia" do modelo, mas no que o analista deve fornecer como entrada.

• Lista de perguntas esclarecedoras para o stakeholder sobre uma conta pessoal
• Diagrama PlantUML de registro de usuário em uma loja online
• Use Case para classificação de resenhas em uma ficha de produto
• Comparação de prompts básicos e detalhados pela qualidade do resultado

Onde a IA Já É Útil

O exemplo mais claro diz respeito à coleta de requisitos. Para uma consulta sobre uma conta pessoal com visualização de pedidos e edição de dados de contato, um prompt básico produziu muito ruído: perguntas genéricas, tópicos desnecessários e estrutura fraca. Mas quando o autor exigiu foco na lógica de negócio, papéis, restrições, cenários alternativos e dependências, os modelos começaram a produzir uma lista muito mais utilizável. De acordo com a avaliação do autor, este método pode produzir aproximadamente 80% das perguntas necessárias em cinco minutos em vez de quarenta minutos de preparação manual.

Um quadro semelhante surgiu com diagramas. Se você simplesmente solicitar um código PlantUML para registro de usuário, o modelo desenha um esqueleto muito genérico. Quando o prompt adicionou participantes do sistema, campos obrigatórios, cenários alternativos, códigos de status HTTP, erros e requisitos de formatação, o resultado se tornou visivelmente mais próximo de algo apresentável a um arquiteto. O esqueleto do diagrama foi montado em 10–15 minutos em vez de aproximadamente 30, mas exceções e regras de negócio ainda tiveram que ser esclarecidas manualmente.

O efeito com Use Cases é o mesmo: uma consulta de modelo produz uma descrição vaga, enquanto uma detalhada produz um rascunho quase técnico com pré-condições, pós-condições, cenário principal, alternativas, parâmetros de API e códigos de resposta. Particularmente útil é que o modelo pode decompor imediatamente o cenário em lógica do lado do cliente e do lado do servidor.

Mas aqui o risco de alucinações se torna aparente mais rapidamente: a IA facilmente adiciona campos, verificações e regras que na verdade não existem no sistema.

"A IA não substituirá o analista, mas pode economizar até 70% do tempo

em trabalho rotineiro."

Onde os Riscos Começam

O artigo processa as limitações de forma bastante equilibrada. Primeiro, a qualidade da saída depende diretamente da qualidade da entrada: um prompt fraco quase certamente produz um resultado fraco. Segundo, o modelo não conhece o contexto interno da empresa, portanto não vai adivinhar integrações reais, restrições regulatórias e acordos entre equipes. Terceiro, ao trabalhar com serviços em nuvem, a segurança se torna uma questão: enviar para eles dados sensíveis, esquemas internos e requisitos não implementados é arriscado se a empresa não tem regras claras e um perímetro protegido.

Separadamente, o autor lembra que a responsabilidade final não é delegada ao modelo. Verificação de lógica, validação de requisitos, correção de detalhes de API e assinatura de TZ permanecem como tarefa humana. Portanto, o melhor caso de uso para IA aqui não é "escrever o documento para mim", mas "fazer o primeiro esqueleto, destacar lacunas, sugerir alternativas e acelerar a rotina".

O artigo termina com uma lista de verificação de prompt curta: definir um objetivo específico, atribuir um papel ao modelo, descrever o contexto, fixar o formato de resposta, exigir precisão, pedir perguntas esclarecedoras e sempre verificar manualmente o resultado.

O Que Isso Significa

Para análise de sistemas, a IA está transitando do modo de experimento para uma ferramenta de trabalho, mas apenas em combinação com um humano forte na entrada e na saída. As equipes vencedoras não são aquelas que simplesmente "conectaram GPT", mas aquelas que aprenderam a transformar modelos em um rascunho rápido para requisitos, diagramas e cenários técnicos sem perder o controle de qualidade.