A adoção de inteligência artificial no desenvolvimento de software pode acelerar a entrega de funcionalidades, apoiar a modernização de sistemas legados e automatizar tarefas de engenharia. Mas esses ganhos também trazem novos desafios: como acompanhar os custos dos modelos, controlar as permissões dos agentes e garantir que o código gerado atenda aos requisitos de qualidade e segurança?
Software craftsmanship é uma abordagem que trata o desenvolvimento de software como um ofício, o objetivo não é só entregar software que funciona, mas software bem construído, que continua fácil de evoluir, apoiado em práticas técnicas disciplinadas e numa comunidade de profissionais. O Codurance Craft AI é o nome sob o qual a Codurance aplica esse ofício aos serviços de IA.
Oito linhas, quatro de consultoria e quatro de delivery, que colocam a IA no centro da engenharia de software.
O Craft AI é um guarda-chuva de oito linhas de serviço, cada uma nascida de uma dor concreta, como conta de IA sem dono, legado que ninguém quer mexer ou pitch de "IA proprietária" que ninguém consegue verificar. A porta de entrada é o AI Diagnosis & Strategy.
Veja como funciona o Craft AI da Codurance:
- O que é software craftsmanship e de onde vem?
- Quais práticas fazem parte do ofício?
- Qual a relação entre a Codurance e o craftsmanship?
- Por que o craftsmanship importa mais na era da IA?
- O que é o Codurance Craft AI?
- Como o Craft AI se relaciona com o SQA?
- Que riscos esse tipo de abordagem busca reduzir?
- Por onde começar?
- Perguntas frequentes
Por que a IA virou um problema de engenharia?
A adoção de IA já não se limita à escolha de ferramentas. À medida que assistentes de código e agentes autônomos passam a fazer parte do desenvolvimento de software, o desafio passa a ser integrá-los aos processos existentes com qualidade, segurança e controle.
Três movimentos ajudam a entender essa mudança:
- A adoção avança, mas os processos nem sempre acompanham. A questão deixou de ser apenas se vale a pena utilizar IA e passou a envolver como incorporá-la à rotina das equipes.
- A complexidade aumenta com a autonomia. Mesmo equipes que já trabalham com agentes de IA enfrentam desafios relacionados a governança, permissões e monitoramento.
- Velocidade sem práticas de engenharia traz riscos. Código sem testes suficientes, custos de processamento sem acompanhamento e agentes com acesso inadequado a dados são exemplos de problemas que podem surgir.
Os dados de mercado também apontam desafios na transição entre experimentação e produção. Estimativas citadas em publicações do setor indicam dificuldades para colocar agentes de IA em operação e estabelecer modelos maduros de governança.
Entre elas estão a previsão da Gartner de que 40% das empresas poderão reverter ou desativar agentes autônomos até 2027 devido a problemas relacionados à governança. (Gartner — 26 de maio de 2026: Gartner Says Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure.)
Esses indicadores precisam ser interpretados conforme as fontes e suas metodologias, mas ajudam a contextualizar uma questão importante. Implementar IA não é apenas disponibilizar uma ferramenta. É necessário garantir que ela funcione de maneira confiável dentro dos sistemas e processos da organização.
O que muda quando a IA passa a ser tratada como uma questão de engenharia?
Quando a IA passa a fazer parte do desenvolvimento de software, escolher as ferramentas certas é apenas o começo. O desafio passa a ser integrar essa tecnologia aos sistemas e processos existentes, garantindo qualidade, segurança e previsibilidade ao longo de todo o ciclo de desenvolvimento.
Na prática, essa abordagem envolve algumas mudanças:
- Qualidade e testes: o código gerado por IA precisa passar por validações, testes automatizados e revisões, assim como qualquer outro código incorporado à aplicação.
- Arquitetura e integração: modelos e agentes precisam ser integrados aos sistemas existentes considerando dependências, limites de acesso e possíveis pontos de falha.
- Segurança e governança: é necessário definir quais dados podem ser acessados, quais ações os agentes podem executar e como suas atividades serão monitoradas.
- Observabilidade e custos: acompanhar o consumo de recursos, o comportamento dos modelos e a ocorrência de erros ajuda a identificar problemas e avaliar a eficiência das soluções.
- Manutenção e evolução: aplicações que utilizam IA precisam ser monitoradas e revisadas continuamente, pois mudanças nos modelos, nos dados e nos processos podem afetar seus resultados.
Essas práticas ajudam a transformar experimentos em soluções que podem ser avaliadas, mantidas e evoluídas em ambientes de produção. Também permitem que as decisões sobre o uso da IA sejam baseadas em critérios técnicos e resultados observáveis, e não apenas na expectativa de aumento de produtividade.
Software craftsmanship como funciona e de onde vem?
O manifesto é curto e se organiza em quatro valores. Cada um mantém o que o ágil já defendia e acrescenta uma exigência:
|
Valor |
Em linguagem simples |
|
Não apenas software funcionando, mas também software bem construído |
Funcionar não basta: o código precisa ser legível, testável e fácil de alterar |
|
Não apenas responder a mudanças, mas também agregar valor de forma constante |
Cada entrega deve melhorar o produto, sem acumular dívida que trava as próximas |
|
Não apenas indivíduos e interações, mas também uma comunidade de profissionais |
Aprender e ensinar em comunidade faz parte do trabalho |
|
Não apenas colaboração com o cliente, mas também parcerias produtivas |
A relação com o cliente é de parceria técnica, não de simples execução de pedidos |
Quais práticas fazem parte do ofício?
O craftsmanship se traduz em hábitos técnicos que podem ser observados no dia a dia de um time:
- Testes automatizados escritos antes do código (TDD), que guiam o design em vez de apenas validá-lo.
- Refatoração contínua, que melhora a estrutura sem alterar o comportamento.
- Design modular, nomes claros e princípios de código limpo funcionam como mecanismos que economizam tempo.
- Integração contínua e entregas em incrementos pequenos.
- Prática deliberada em comunidade, com katas, code retreats e mentoria.
Se quiser aprofundar a parte técnica, o guia TDD: como aplicar desenvolvimento orientado a testes detalha o ciclo Red-Green-Refactor e as katas por nível.
O que é o Codurance Craft AI?
O termo Craft faz referência ao conceito de software craftsmanship, uma abordagem de desenvolvimento de software que valoriza práticas de engenharia, qualidade técnica, colaboração e evolução contínua.
O Codurance Craft AI reúne oito linhas de serviços voltadas a diferentes desafios relacionados à adoção de inteligência artificial na engenharia de software. Elas estão organizadas em duas categorias: Consultoria & Assessment, voltada à análise, diagnóstico e tomada de decisão, e Delivery, direcionada à implementação de soluções.
Cada linha aborda um problema específico que pode surgir quando uma organização começa a incorporar IA aos seus processos e produtos:
|
Linha |
Problema abordado |
Foco |
|
AI Diagnosis & Strategy |
A organização quer adotar IA, mas ainda não sabe se está preparada ou por onde começar. |
Diagnóstico de prontidão, priorização de casos de uso e roadmap. |
|
AI First Engineering |
As ferramentas de IA aumentam a velocidade de desenvolvimento, mas não estão integradas de forma consistente ao processo de engenharia. |
Estruturação de práticas de desenvolvimento orientadas por IA. |
|
AI Technical Due Diligence |
Uma empresa ou produto afirma possuir tecnologia de IA própria, mas é necessário avaliar sua base técnica e viabilidade. |
Análise técnica da tecnologia, arquitetura e sustentabilidade da solução. |
|
AI Governance Consult |
O uso de IA cresce, mas falta visibilidade sobre custos, controles e responsabilidades. |
Estruturação de mecanismos de governança para aplicações e modelos de IA. |
|
AI Modernization |
Sistemas legados dificultam mudanças e sua manutenção se torna cada vez mais complexa. |
Modernização e evolução de sistemas existentes com apoio de IA. |
|
AI App Development |
Existe uma necessidade de negócio que exige uma aplicação de IA, mas a organização não dispõe de capacidade interna suficiente para desenvolvê-la. |
Construção de sistemas novos, da ideia à produção, com testes e guardrails desde o primeiro commit. |
|
AI Test Automation |
A complexidade dos sistemas aumenta o esforço necessário para testar mudanças e realizar releases. |
Automação de testes, do nível unitário aos testes end-to-end. |
|
AI Feature Delivery |
O backlog cresce mais rápido do que o time consegue entregar |
Squad AI-first que assume parte do backlog e entrega com cadência e métricas mensais |
Essa divisão ajuda a visualizar que a adoção de IA envolve problemas diferentes. Uma organização pode estar no momento de entender sua prontidão, enquanto outra já precisa lidar com governança, modernização de sistemas, testes ou desenvolvimento de novas funcionalidades.
Quais são as quatro linhas de consultoria?
- AI Diagnosis & Strategy: a porta única. Mostra onde a IA pode gerar valor e o que a empresa precisa para chegar lá. Avalia processos e oportunidades ligados ao negócio, a prontidão de plataformas, APIs e dados, a governança e permissões e a capacidade de entrega do time, em seis pilares: casos de uso, plataforma, dados, governança, entrega e competências.
Em 2 a 3 semanas, você recebe um diagnóstico sustentado por evidências, casos de uso priorizados por valor, viabilidade e risco, e um roadmap com arquitetura de referência.
O progresso é medido pela evolução do score nos seis pilares, por acessos e ações indevidas de agentes (a meta é zero) e pelo tempo entre o caso de uso e o agente em produção.
- AI First Engineering. Implantar na sua engenharia o mesmo processo AI-first que a Codurance usa na dela. Começa por um assessment do fluxo real (competências, ferramentas, gargalos e handoffs eliminados).
Segue com engenharia de contexto, que define contratos, limites e decisões explícitas para a IA operar com coerência, e com um ciclo de desenvolvimento com guardrails, em que humanos definem intenção, limites e limiares de falha.
Inclui trilha de treinamento e ferramentas, com custo e segurança desde o primeiro dia. Mede lead time antes e depois, custo de token por dev e retrabalho pós-geração.
- AI Technical Due Diligence. A due diligence técnica tradicional responde se o software é bem construído. Esta responde se a IA é real, defensável e economicamente sólida.
Soma ao baseline de engenharia (arquitetura, qualidade, segurança, infra/DevOps) uma camada de nove dimensões de IA: estratégia de modelo, dependência de fornecedor e de modelo, dados, economia de inferência, confiabilidade do modelo, maturidade de MLOps, segurança específica de IA, propriedade intelectual e regulatório, e profundidade do time de IA.
Pega o que costuma passar batido: AI-washing (um wrapper fino vendido como IA proprietária), tese que morre na economia de inferência escondida, lock-in, exposição regulatória e risco de pessoa-chave. Entrega um relatório com red flags priorizadas e a leitura com o comitê.
- AI Governance Consult. A precificação de IA migrou de assento para token, os agentes não executam em linha reta e alerta e dashboard só dizem o que já aconteceu.
A resposta é uma camada entre a aplicação e o modelo que aplica a política antes da chamada, com cinco controles:
- Inventário: todo ativo de IA (modelo, prompt, base de RAG, ajuste fino) com dono, finalidade, criticidade e custo.
- Teto em camadas: por chamada, conversa, usuário por dia e área por mês, com corte antes da chamada.
- Roteamento por tarefa: cada tipo de tarefa aponta para o menor modelo que a atende.
- Reuso de contexto: o que se repete é cacheado, e a leitura de cache custa uma fração do preço.
- Auditoria e padrão anômalo: registro de tudo; volume, repetição e tentativa de extrair instruções geram ação.
A entrada é uma auditoria de fatura de IA de uma semana. A linha mede se o teto bloqueia (e não só alerta), o percentual de chamadas ao modelo de fronteira, a taxa de acerto de cache e o custo por resolução.
Quais são as quatro linhas de delivery?
AI Modernization.
Seu legado modernizado em meses, não anos, sem big-bang, em três movimentos:
- Stabilization: estanca incidentes com testes de caracterização e observabilidade, e mapeia a lógica de negócio e as dependências.
- Re-writing: from source, a IA lê o código, gera testes e requisitos, reconstrói e compara; from UX, navega as telas e replica o comportamento. Requisitos e testes viram documentação viva.
- Re-engineering: conversão por domínio, com o sistema antigo e o novo rodando juntos, e decisão por domínio: manter, redesenhar ou eliminar.
O critério de aceite é objetivo: os testes do sistema antigo e do novo precisam dar o mesmo resultado. Se você ainda está dimensionando o problema, comece por como medir o custo do software legado.
AI App Development. Da ideia ao sistema em produção. É um greenfield completo, com pirâmide de testes e guardrails desde o primeiro commit e integrações feitas do zero. Aceita backlog, telas desenhadas ou só a ideia. Arquitetura e decisões de negócio ficam com gente sênior, e a IA executa dentro dessas decisões. Quando o produto tem IA embarcada, evals, guardrails e controle de custo e latência já entram na primeira versão.
AI Test Automation. Uma rede completa de testes, do unitário ao E2E, sem parar o time. No E2E pela tela, a IA opera a interface como um usuário, sem depender do código. Na pirâmide, a IA analisa requisitos e código e constrói camada a camada, do unitário para cima, com revisão de quem conhece a regra de negócio.
Quando o sistema diverge do documentado, os requisitos são atualizados, e cada teste fica rastreável a um requisito. Testes instáveis são tratados e a execução no CI é priorizada pelo que mudou. O resultado esperado é uma regressão que cai de dias para horas.
AI Feature Delivery. A Codurance assume o seu backlog, ou parte dele, e multiplica a vazão com um squad AI-first dentro do seu produto: features, correção de bugs e gestão de backlog com IA. Antes, adequa o codebase (testes, modularização, ferramentas) para viabilizar o desenvolvimento com IA. A cadência é mensal e medida (vazão, lead time, SLA), com revisão trimestral.
Como o Craft AI se relaciona com o SQA?
A IA tende a reproduzir os padrões que já existem na base de código, bons ou ruins, como explicamos em A IA amplifica o que já existe na sua base de código. Por isso, medir a base antes de acelerar importa.
O SQA (Software Quality Assessment) dá nota A–F em Code Quality, Code Security, Development Process e Knowledge Distribution, e inclui indicadores de prontidão para IA. Para o lado financeiro dessa decisão, veja ROI da IA na modernização de software.
Por que o craftsmanship importa mais na era da IA?
Porque a IA muda a velocidade, não a natureza do trabalho. O Software Craftsmanship in the AÍ desenvolve quatro ideias:
- A IA amplifica o que já existe. Sem fundamentos sólidos de design e modularização, as ferramentas de IA tendem a amplificar as falhas já presentes na base de código.
- Velocidade não elimina o custo de entender o código. O craftsmanship garante que a aceleração não aconteça às custas da compreensão.
- Conhecimento pode se perder mais rápido. Uma consequência pouco notada da IA generativa é a aceleração da perda de conhecimento.
- A IA é a ferramenta; o craftsmanship é a planta. Na imagem usada pelo autor, a IA é a ferramenta elétrica e o craftsmanship é o projeto que dá precisão ao que ela faz.
O efeito prático de ter ou não os fundamentos aparece em quatro frentes:
|
Frente |
Sem fundamentos de craftsmanship |
Com fundamentos de craftsmanship |
|
Código gerado |
Entra sem rede de testes e gera regressões |
Passa por testes e revisão de quem conhece a regra de negócio |
|
Design da base |
A IA replica o desenho confuso que já existe |
A modularização dá à IA limites claros para trabalhar |
|
Conhecimento |
Concentra-se em poucas pessoas e no que a IA gerou |
Documentação viva e testes preservam o entendimento do time |
|
Controle |
Custo e acesso de agentes descobertos depois do fato |
Inventário, limites e critérios definidos antes do deploy |
Que riscos esse tipo de abordagem busca reduzir?
|
Risco |
Como aparece no dia a dia |
Linha relacionada |
|
Adotar IA sem saber se a base aguenta |
"O board mandou 'ter AI', e ninguém sabe dizer se a casa aguenta." |
AI Diagnosis & Strategy |
|
Custo de IA sem dono |
"A conta de IA dobrou e eu não sei dizer para qual feature." |
AI Governance Consult |
|
Agentes sem controle |
Agentes com acesso a dados e sem plano para desligá-los |
AI Governance Consult |
|
IA aplicada sobre legado frágil |
"Todo mundo tem medo de mexer nesse sistema." |
AI Modernization |
|
Código gerado sem rede de testes |
"A gente leva dias para ter coragem de fazer um release." |
AI Test Automation |
|
Processo que não acompanha a ferramenta |
"A AI escreve rápido, mas a cada feature ela parece reaprender o sistema do zero." |
AI First Engineering |
|
Promessas de IA que não se sustentam |
"O pitch diz que é AI proprietária. É mesmo?" |
AI Technical Due Diligence |
|
Roadmap maior que a capacidade |
"Meu roadmap de 12 meses precisa caber em 4." |
AI Feature Delivery / AI App Development |
O Craft AI é para você?
É para você se:
- Há pressão para adotar IA, mas as prioridades não estão claras.
- Existem iniciativas isoladas, sem avaliação consistente de viabilidade e retorno.
- Ninguém sabe dizer quem é o dono do custo de IA.
- O sistema que roda o negócio é o que ninguém quer mexer.
Não é para você se você só precisa comprar licenças de uma ferramenta de IA, ou se não pretende mudar nada na forma como a engenharia trabalha.
Como a Codurance pode ajudar sua empresa
A Codurance combina consultoria e delivery em IA no Craft AI, com entrada fixa e critério de aceite objetivo. Entre em contato hoje e comece por um assessment de 1 a 3 semanas.
- →O Craft AI é uma ferramenta ou plataforma de IA?
Não. É um portfólio de serviços de consultoria e delivery em IA, com oito linhas.
- →Qual a diferença entre as linhas de consultoria e as de delivery?
A consultoria ajuda a decidir com evidência (diagnóstico, governança, due diligence, processo). O delivery constrói e entrega (modernização, aplicações, testes, features).
- →Por onde uma empresa deve começar?
Pelo AI Diagnosis & Strategy, a porta única do Craft AI, ou direto pela entrada da linha que resolve a dor mais urgente.
- →A IA substitui o time de engenharia?
Não. Arquitetura e decisões de negócio são definidas por gente sênior, e a IA executa dentro delas. Nas linhas de capacitação e handover, o método fica com o seu time.
- →Serve para sistemas legados?
Sim. A linha AI Modernization trata legado em três movimentos (estabilizar, reescrever, reengenhar), por domínio e sem big-bang.
- →Serve para quem vai comprar uma empresa que diz ter IA?
Sim. A AI Technical Due Diligence avalia se a IA do alvo é real, defensável e economicamente sólida, além do baseline de engenharia.
- →Craft AI e SQA são a mesma coisa?
Não. O SQA mede a qualidade da base de código com notas A–F. O Craft AI é o portfólio de serviços de IA, e o SQA ajuda a saber em que estado a base está antes de acelerar.
- →Como o resultado é medido?
Cada linha tem métricas próprias: score nos seis pilares, lead time, regressão de dias para horas, paridade de comportamento na modernização, teto que bloqueia na governança
