Um time AI-native passou a entregar 54% a mais com 33% menos pessoas já no primeiro trimestre, com mais qualidade nas entregas. A base desse resultado é um fluxo de desenvolvimento redesenhado para a IA, com controles de qualidade e segurança.

Com a IA, escrever código ficou mais rápido. Mas essa velocidade, por si só, não comprova um aumento na capacidade de entrega. Por isso, o desafio era provar que um time AI-native aumenta a vazão por pessoa sem elevar a incidência de problemas no software entregue. 

Para avaliar, era necessário comparar a produção do time com seu próprio histórico, considerando também a qualidade das entregas. A referência foi o desempenho de um único time ao longo de três trimestres consecutivos. Nesse período, a equipe tinha 12 FTEs (profissionais equivalentes a tempo integral) e entregava, em média, 28 pontos de complexidade por sprint. 

Os processos AI-native redesenham o fluxo de desenvolvimento, com a IA presente da definição da solução à geração de código e à validação. Além disso, o modelo reorganiza o time, a distribuição de responsabilidades e os mecanismos de controle de qualidade. 

O modelo utiliza o harness proprietário da dti, uma estrutura que reúne instruções, contexto e verificações para orientar o trabalho dos agentes de IA. Antes da geração de código, os guias organizam as especificações, os cenários de negócio acordados, as regras da organização e as decisões de arquitetura. Depois da geração, os sensores apoiam a verificação da entrega por meio de testes e checagens de qualidade e segurança. Por fim, a aprovação humana permanece nos pontos definidos pelo processo.  Assim, cada entrega chega com registros e evidências de validação, o que facilita a revisão e a continuidade do trabalho. 

Neste projeto, o time se organizou em duas células. A célula 1 cuidou do roadmap do produto, enquanto a célula 2 tratou de bugs e débito técnico. As duas células trabalharam com agentes de IA, dentro das regras do harness. 

No primeiro trimestre, o time AI-native superou o histórico anterior nos três indicadores. 

• Cerca de 2,3 vezes mais pontos por FTE. A média passou de 2,3 para aproximadamente 5,4 pontos de complexidade por FTE a cada sprint.  
• 54% mais pontos entregues com 33% menos FTEs. A produção passou de 28 pontos por sprint, com 12 FTEs, para 43 pontos, com 8 FTEs. Desse total, 28 pontos vieram da célula dedicada ao roadmap e 15 da célula voltada a bugs e débito técnico.  
• 52% menos issues por ponto entregue. A taxa caiu de 0,23 para 0,11. O indicador considera defeitos, bugs de homologação e bugs de produção em relação aos pontos de complexidade entregues. 

Os resultados indicam que velocidade e qualidade avançam juntas quando se redesenha o processo inteiro para a IA. Por isso, o foco da conversa muda do tamanho do time para a capacidade de entrega e a qualidade. 

Na dti, o AI-Native SDLC estrutura o processo e o harness proprietário orienta os agentes de IA. Dessa forma, a capacidade de entrega cresce com qualidade, segurança e governança presentes desde o início do processo. 

Conheça a Operação AI-Native da dti para entender como esses componentes se conectam ao longo do ciclo de desenvolvimento de software.