No simpósio de tecnologia Unleash, organizado pela Atlassian em parceria com a YourStory, foi discutida a transição de demonstrações impressionantes de inteligência artificial para seu uso confiável em condições de produção. Embora as demonstrações frequentemente mostrem a execução bem-sucedida de tarefas por um agente, como responder a perguntas complexas ou gerar código, o simpósio focou em um problema mais complexo: como tornar a IA confiável no trabalho.
Requisitos para IA de Produção
O sistema deve garantir a precisão dos resultados, operar dentro das permissões estabelecidas, ter visibilidade, segurança e capacidade de recuperação de ações. Além disso, deve funcionar de forma estável não apenas no palco, mas continuamente em vários produtos, entre usuários e em ambientes corporativos complexos.
A jornada do pedido ao fluxo de trabalho foi apresentada através de workshops de engenharia, apresentações de produtos e seminários práticos. As equipes da Atlassian detalharam os sistemas em torno do Rovo e seu stack de IA estendido, incluindo contextos limitados, fluxos de trabalho duradouros, análise de incidentes, segurança inteligente e a infraestrutura necessária para garantir a confiabilidade da IA em escala.
Limites em vez de Grandes Pedidos
Kartik Chandrasekaran, engenheiro de software sênior da Atlassian, demonstrou um sistema de agente para processar solicitações de relatórios. Anteriormente, tais solicitações exigiam a participação de engenheiros de suporte, que encontravam as APIs e estruturas de banco de dados necessárias, escreviam e executavam o código, e depois faziam alterações com base no feedback do cliente. Esse processo poderia levar horas ou dias e era avaliado em custos anuais de cerca de US$ 500.000 em horas de engenharia.
No entanto, o sistema da Atlassian permite que o engenheiro descreva o relatório em linguagem natural. O agente gera código executável, que passa por verificação antes de ser executado através de um mecanismo de fluxo de trabalho duradouro. O resultado final é compilado em um relatório e fornecido ao cliente. Uma decisão de engenharia importante não foi apenas usar LLMs para escrever código, mas limitar o acesso do modelo e o conteúdo gerado por ele. Em vez de fornecer ao agente amplas especificações de API, a equipe criou ferramentas altamente especializadas em um ambiente controlado, aplicando verificações automáticas que estabelecem limites determinísticos em torno da saída probabilística. A conclusão foi clara: agentes de nível industrial frequentemente precisam de ambientes operacionais mais rigorosos, e não de pedidos mais volumosos. Um princípio semelhante se aplica ao diagnóstico de falhas.
Suporte à Análise de Causa Raiz
Satish Kumar, engenheiro líder sênior da Atlassian, explicou como a IA pode ajudar na análise de causa raiz durante incidentes de software. A investigação pode incluir alterações de código, flags de funcionalidade, métricas, logs, rastreamentos, dependências de serviços e conhecimento histórico. Sem um escopo claramente definido, o agente pode rapidamente perder sinais no ruído geral ou fazer conclusões fracas. A abordagem AI SRE apresentada combinou capacidades cognitivas de código, dados de observabilidade e topologia de serviços para formar e verificar hipóteses com base em evidências disponíveis. O objetivo não era substituir os engenheiros na resposta a incidentes, mas ajudá-los a chegar mais rapidamente ao problema correto.
Segurança em Escala
À medida que a criação de software acelerada por IA avança, as equipes de segurança enfrentam pressão de outro lado: mais mudanças, mais serviços e mais soluções competem por atenção limitada. Lohit Mehta, engenheiro líder sênior de segurança de produto da Atlassian, e Achyuta Anti Srinivasan, engenheiro sênior de segurança de produto da Atlassian, descreveram a transição da empresa de filas manuais de verificação para uma plataforma de avaliação de segurança baseada em IA. A Atlassian tem mais de 6000 engenheiros trabalhando em mais de 1000 microsserviços, e cerca de 3000 projetos passam pela organização a cada trimestre. A plataforma utiliza sinais de prioridades de negócios, estado dos serviços, exposição do cliente e atividade de engenharia. Em seguida, a IA é aplicada a essas informações fundamentadas para gerar resumos e acelerar os fluxos de trabalho de avaliação. No entanto, o modelo não é considerado a fonte da verdade; os dados determinísticos dos serviços e o julgamento humano permanecem centrais para as decisões relacionadas à segurança.
Proteção do Ecossistema de Desenvolvedores de Terceiros
À medida que a IA acelera o desenvolvimento e a atualização de aplicativos, surge outro fator: o volume de código que entra no mercado, o que, por sua vez, aumenta a superfície de risco. Sundar Chakraborty, engenheiro sênior de segurança de produto da Atlassian, mostrou que a mesma abordagem multinível se aplica ao ecossistema de parceiros e marketplace. Ele descreveu em detalhes a estratégia da empresa para reforçar a segurança no Data Center Marketplace por meio de verificação de parceiros, assinatura de aplicativos e um pipeline de varredura automatizado que abrange análise de composição de software, testes estáticos, detecção de segredos e análise de malware. Este pipeline executa mais de 10.000 varreduras diariamente e identificou mais de 6.700 vulnerabilidades, das quais mais de 5.100 foram classificadas como críticas ou de alta prioridade. Isso destacou que a segurança do marketplace não pode depender de um único controle; a confiança deve ser construída em vários níveis — desde a identidade do parceiro até a origem e o conteúdo do próprio aplicativo.
Infraestrutura para Operação em Velocidade Máquina
Várias sessões foram dedicadas a sistemas que devem continuar funcionando após o término da interação visível com a IA. Como os agentes começam a gerar código, tarefas e documentação em velocidade de máquina, a infraestrutura subjacente deve lidar com um grande volume de atividades automatizadas sem reduzir o desempenho, a correção ou a capacidade de recuperação.
Priyansh Jain, engenheiro de software sênior da Atlassian, e Ammi Reddy Chirla, engenheiro líder da Atlassian, compartilharam como a empresa resolveu gargalos na migração de grandes clientes Jira Data Center para a nuvem. Alterações no pipeline de migração levaram a um aumento de seis vezes na capacidade de transferência. No entanto, essa velocidade revelou outra limitação: erros de dados que poderiam forçar os clientes a limpar seus sistemas de origem e reiniciar migrações longas. A equipe reformulou o processo para classificar e corrigir certos erros durante a transferência de dados, sem alterar os dados de origem. Essa abordagem visa reduzir o número de falhas de migração em 50% a 60% e pode economizar de 22 a 30 dias para o cliente corporativo.
Kartikeyan Murthy, engenheiro líder de busca de problemas do Jira na escala da Atlassian, investigou profundamente a arquitetura que atende a mais de 1,5 bilhão de consultas Jira Query Language diariamente para mais de 350.000 locatários. O sistema divide as consultas em uma representação intermediária e as direciona através de serviços especializados, permitindo a adição de novas cláusulas e campos sem desestabilizar o caminho principal de busca. Para os maiores locatários, a arquitetura da Atlassian proporcionou um desempenho duas vezes maior, enquanto continuava a suportar um grande número de usuários, problemas e consultas simultâneas. Esses exemplos lembram que a IA corporativa não é definida apenas por funcionalidades visíveis; se os agentes aumentam a velocidade e o volume de trabalho, os sistemas de busca, de sistema e de migração subjacentes também devem evoluir.
Uso de IA para Tomada de Decisão
No trilho de produto, foi examinado como o próprio processo deve mudar quando a IA reduz a distância entre a ideia e o protótipo funcional. Tulasi Menon, chefe de estratégia de IA de produto na Atlassian, afirmou que, embora as tarefas rotineiras no produto diminuam, a responsabilidade por definir o que é 'bom' se torna mais importante. Ela descreveu o ciclo de vida do produto baseado em IA, fundamentado em percepção, formação, verificação, lançamento e aprendizado contínuo. A IA pode condensar pesquisas de mercado e análises de concorrência, e as ferramentas modernas podem transformar ideias em protótipos funcionais em questão de horas ou dias. No entanto, a velocidade por si só não torna o produto melhor. Os gerentes de produto ainda devem definir o problema certo, estabelecer o padrão de qualidade e decidir quais evidências justificam o lançamento ou o abandono da ideia. Menon também alertou sobre o uso de IA para criar artefatos polidos, mas vazios — sejam documentos de produto longos ou protótipos impressionantes que não ajudam as equipes a tomar decisões. No entanto, o lançamento não é o fim do ciclo de vida. As equipes precisam de avaliações, rastros reais, critérios de qualidade e ciclos de feedback que identifiquem falhas e melhorem o produto ao longo do tempo.
Isso foi demonstrado por Alok Agrawal, gerente de produto da Atlassian, e Abhinaya Singh, gerente de grupo de produto do Jira Service Management na Atlassian. Este par mostrou como os gerentes de produto usam Rovo e Rovo Dev para coletar feedback de clientes, sintetizar informações, preparar atualizações e criar protótipos iniciais. A questão mais importante não era quantas tarefas a IA poderia realizar, mas o que os gerentes de produto poderiam fazer com o tempo liberado. Os participantes usaram o Rovo Studio para configurar agentes para fluxos de trabalho específicos do produto, passando de solicitações únicas para ferramentas repetíveis baseadas no contexto organizacional. Outras sessões estenderam essa abordagem orientada para a produção por todo o stack da Atlassian, desde a persistência definida pelo esquema até a análise de agentes de processos de negócios de longa duração e revisões de segurança de produto usando IA. Juntos, eles revelaram uma abordagem mais ampla da Atlassian para IA corporativa. A empresa não vê o agente como um modelo colocado sobre um fluxo de trabalho existente; ela cria o contexto, as permissões, os mecanismos de verificação, a orquestração, a segurança e a recuperação necessários para que esse agente seja útil na prática. Uma demonstração pode mostrar o que um agente é capaz de fazer. A produção mostra se a organização pode confiar nele.
