Regulamentação do uso de IA na engenharia de software com CMMI

Nesta entrevista, conversamos com o Grupo de Engenharia de Software da Sofis Solutions, uma equipe que vem trabalhando ativamente na evolução de suas práticas de desenvolvimento diante da incorporação da inteligência artificial generativa. Com uma trajetória marcada pela melhoria contínua e pela aplicação de frameworks de referência como o CMMI-DEV, o grupo compartilha sua visão sobre como a engenharia de software se transforma quando a IA deixa de ser uma ferramenta experimental e passa a ser um componente integrado do processo.

Ao longo da entrevista, abordamos o impacto da IA no ciclo de vida do software, as ferramentas desenvolvidas pela organização, os desafios de governança e tomada de decisão, e como as métricas e as práticas de qualidade estão sendo adaptadas em um contexto de engenharia de software aumentada por IA. O objetivo é oferecer uma visão clara e prática sobre como combinar inovação tecnológica com disciplina de processo e foco em valor.

Como a IA generativa impactou o ciclo de vida do desenvolvimento de software?

A IA generativa impactou de forma transversal todo o ciclo de vida do desenvolvimento de software, principalmente ao acelerar atividades e mudar a maneira como as equipes trabalham e tomam decisões. Hoje, ela atua como um assistente permanente que acompanha o processo desde as etapas iniciais até a manutenção do produto.

Por exemplo, na análise e definição de requisitos, facilita a passagem da linguagem natural para artefatos técnicos preliminares, permitindo que as equipes cheguem mais rapidamente a um entendimento comum do problema. Em design e arquitetura, ajuda a explorar alternativas e a identificar riscos precoces, funcionando como um apoio ao julgamento da equipe, e não como uma fonte de decisões automáticas.

Durante a implementação, o impacto é muito visível em termos de produtividade, pois permite a geração de código base, a compreensão de sistemas legados e o apoio a tarefas de refatoração.

Quais ferramentas a Sofis desenvolveu para apoiar esse processo?

Na Sofis Solutions, desenvolvemos ferramentas próprias voltadas a integrar a IA generativa de forma prática e governada ao ciclo de desenvolvimento.

Por um lado, o ReqGen, nossa ferramenta inteligente para descoberta, análise e especificação de requisitos, apoia as etapas iniciais do ciclo de vida, facilitando a geração e o refinamento de requisitos a partir da linguagem natural. Seu foco está em melhorar a clareza, a rastreabilidade e a consistência dos artefatos iniciais, reduzindo ambiguidades desde o início.

Por outro lado, o Sofian atua como um assistente transversal para as equipes de engenharia. Ele acompanha tarefas de análise, desenvolvimento e manutenção, ajudando a compreender código, propor melhorias e acelerar a resolução de problemas, sempre sob a supervisão e o julgamento da equipe.

Ambas as ferramentas refletem nossa visão da IA como um habilitador: ela não substitui as pessoas, mas potencializa a capacidade das equipes de trabalhar melhor, com maior qualidade e foco em valor.

A Sofis foi avaliada como CMMI-DEV. O que a aplicação dessas práticas acrescenta em um processo de desenvolvimento de software assistido por IA?

A aplicação das práticas do CMMI-DEV fornece um framework de ordem, consistência e governança, que é fundamental quando o desenvolvimento de software é acelerado pela IA generativa. A IA permite fazer mais e mais rápido, mas o CMMI garante que esse “mais rápido” não ocorra às custas da qualidade, da rastreabilidade ou da sustentabilidade do produto.

Em um processo assistido por IA, o CMMI ajuda a manter clareza na gestão de requisitos, no controle de mudanças e no alinhamento com os objetivos de negócio, evitando que artefatos gerados automaticamente se tornem ruído ou dívida técnica. Ele também reforça a definição de papéis e responsabilidades, algo essencial quando a IA passa a ser mais um ator dentro do processo de engenharia.

Além disso, o CMMI fortalece a medição e a análise, permitindo avaliar de forma objetiva como a IA impacta a produtividade, a qualidade e os riscos. Isso possibilita decisões baseadas em dados, e não apenas em percepções. Em última análise, a combinação de CMMI-DEV com IA generativa permite escalar o uso dessas tecnologias de maneira controlada, repetível e confiável, mantendo o foco na excelência de engenharia e na entrega de valor.

Você pode aprofundar o aspecto de governança e tomada de decisão em relação à IA e ao CMMI?

A governança e a tomada de decisão tornam-se aspectos centrais quando a IA passa a fazer parte ativa do processo de desenvolvimento, e é aí que o CMMI oferece um valor diferenciado. A IA introduz velocidade e capacidade de geração, mas também novos riscos: decisões implícitas, falta de rastreabilidade ou dependência excessiva de resultados automáticos. O CMMI ajuda a enquadrar esse uso dentro de regras claras.

Do ponto de vista da governança, o CMMI estabelece quais decisões podem ser assistidas por IA e quais devem permanecer sob a responsabilidade explícita das pessoas. Isso permite usar a IA como apoio técnico, sem diluir a responsabilização ou a responsabilidade profissional da equipe de engenharia.

Em termos de tomada de decisão, o CMMI reforça o uso sistemático de informações objetivas. Em um contexto com IA, isso implica não apenas medir o produto e o processo, mas também observar como a IA impacta prazos, defeitos, retrabalho ou dívida técnica. As decisões deixam de se basear em intuição ou entusiasmo tecnológico e passam a se apoiar em evidências.

Por fim, o CMMI favorece uma adoção progressiva e controlada da IA. Em vez de incorporar ferramentas de forma isolada ou reativa, elas são integradas a processos definidos, com critérios de avaliação e melhoria contínua. Dessa forma, a IA se torna um ativo estratégico governado, e não um fator de risco para a qualidade ou a sustentabilidade do software.

Como isso impactou o modelo de métricas do processo?

A incorporação da IA generativa ampliou e refinou o modelo de métricas do processo, em vez de substituí-lo. Com o CMMI como framework de referência, as métricas tradicionais continuam válidas, mas agora são complementadas com novas perspectivas voltadas a compreender o efeito real da IA no desempenho do processo.

Por um lado, mantém-se a medição clássica de produtividade, qualidade e conformidade, mas passa a existir a necessidade de distinguir qual parte do resultado é assistida por IA e como isso impacta tempo, retrabalho ou defeitos. Isso ajuda a evitar interpretações enganosas, como assumir melhorias sem evidência objetiva.

Por outro lado, surgem métricas relacionadas ao uso responsável da IA, como a estabilidade dos artefatos gerados, o nível de intervenção humana necessário ou a frequência de correções posteriores. Essas medições ajudam a decidir onde a IA agrega maior valor e onde convém limitar seu uso.

Nesse contexto, o modelo de métricas deixa de ser apenas um mecanismo de controle e passa a ser uma ferramenta de aprendizagem organizacional. Ele permite ajustar práticas, melhorar a governança do uso de IA e sustentar decisões baseadas em dados, alinhadas à melhoria contínua promovida pelo CMMI.

Como vocês medem o nível de intervenção humana necessária?

O nível de intervenção humana é medido de forma indireta, a partir de evidências do processo e não da percepção individual. O foco está em entender quanto do trabalho gerado com apoio de IA exige correções, validações ou retrabalho para atingir o padrão esperado.

Na prática, observa-se, por exemplo, quantas iterações são necessárias entre uma saída assistida por IA e sua aceitação final, o volume de mudanças manuais realizadas sobre artefatos gerados e o tempo adicional investido em revisão e ajuste. Esses indicadores permitem inferir o grau real de autonomia da IA em cada atividade.

Além disso, analisa-se a estabilidade dos resultados: se um artefato gerado por IA requer revisões mínimas e se mantém estável ao longo do tempo, a intervenção humana foi principalmente de validação; se, por outro lado, necessita ajustes frequentes ou correções posteriores, a intervenção foi substancial.

Essa abordagem permite tomar decisões informadas: identificar atividades em que a IA já agrega valor com baixo custo de supervisão e outras em que ainda é necessário maior controle humano, alinhando o uso da IA com os princípios de qualidade e melhoria contínua do processo.

Como vocês visualizam o trabalho no próximo ano em relação ao aprofundamento das práticas de CMMI em engenharia de software aumentada por IA?

Visualizamos o próximo ano como uma etapa de consolidação e maturidade, mais do que de experimentação. A IA já está incorporada ao dia a dia do desenvolvimento; o desafio agora é aprofundar seu uso dentro das práticas de CMMI de forma consistente, mensurável e governada.

Da perspectiva do CMMI — em linha com as diretrizes promovidas pelo CMMI Institute — o foco estará em fortalecer a definição de processos nos quais a IA é um habilitador explícito, esclarecendo responsabilidades, critérios de aceitação e pontos de controle humano. Não se trata apenas de “usar IA”, mas de deixar claramente estabelecido como, quando e para quê ela é utilizada dentro do processo padrão de engenharia.

Também esperamos uma forte evolução em medição e análise. O trabalho caminhará para modelos de métricas mais refinados, que permitam avaliar o impacto real da IA na produtividade, na qualidade e na sustentabilidade, e usar essa informação para a tomada de decisões em nível de projeto e organizacional.

Por fim, vemos um aprofundamento da melhoria contínua: revisar periodicamente quais práticas assistidas por IA funcionam, quais geram riscos e como ajustá-las. Nesse sentido, o CMMI continua sendo o framework que nos permite escalar a engenharia de software aumentada por IA sem perder controle, qualidade ou foco no valor de negócio.