# ACI JIRA AI Fixer ## Proposta Executiva **Data:** 18 de Fevereiro de 2026 **Versão:** 1.1 **Atualização:** Azure OpenAI obrigatório para compliance **Classificação:** Interno - Diretoria --- ## Sumário Executivo ### O Problema A equipe de suporte enfrenta desafios crescentes na resolução de Support Cases: | Desafio | Impacto | |---------|---------| | **Tempo de resposta** | Análise inicial consome horas de desenvolvedor sênior | | **Backlog crescente** | Issues acumulam enquanto equipe foca em demandas urgentes | | **Qualidade variável** | Dependência de conhecimento individual sobre o código | | **Conhecimento concentrado** | Poucos especialistas conhecem todos os módulos | ### A Solução Um sistema de **Inteligência Artificial** que: 1. **Monitora** automaticamente novos Support Cases no JIRA 2. **Analisa** o problema e identifica o código-fonte afetado 3. **Propõe** correções específicas em COBOL, SQL e JCL 4. **Documenta** a análise diretamente no JIRA 5. **Cria** branches com correções para revisão humana ### Resultado Esperado ``` ┌─────────────────────────────────────────────────────────────┐ │ ANTES vs DEPOIS │ ├─────────────────────────────────────────────────────────────┤ │ │ │ ANTES DEPOIS │ │ ────── ────── │ │ Issue criada Issue criada │ │ ↓ ↓ │ │ Dev analisa (2-4h) IA analisa (5min) │ │ ↓ ↓ │ │ Busca código (1-2h) Código identificado │ │ ↓ ↓ │ │ Investiga causa (2-4h) Causa + fix sugerido │ │ ↓ ↓ │ │ Desenvolve fix (2-4h) Dev revisa e aprova │ │ ↓ ↓ │ │ Review + deploy Review + deploy │ │ │ │ TOTAL: 8-14 horas TOTAL: 2-4 horas │ │ │ │ ✅ Redução de 60-70% no tempo de resolução │ │ │ └─────────────────────────────────────────────────────────────┘ ``` --- ## Por Que Agora? ### 1. Tecnologia Madura Os modelos de linguagem (GPT-4, Claude) atingiram nível de qualidade suficiente para análise e geração de código, incluindo linguagens legadas como COBOL. ### 2. Vantagem Competitiva Empresas líderes estão adotando IA para acelerar desenvolvimento. Quem não adotar ficará para trás em produtividade. ### 3. Volume Gerenciável Com 5-10 issues/mês, o risco é baixo e o ambiente é ideal para validar a solução antes de escalar. ### 4. Custo Acessível O custo operacional é mínimo (~R$2.500/mês) devido ao baixo volume. --- ## Como Funciona ### Fluxo Simplificado ``` ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ Support │ │ IA │ │ Dev │ │ Case │────▶│ Analisa │────▶│ Revisa │ │ (JIRA) │ │ + Sugere │ │ + Aprova │ └──────────────┘ └──────────────┘ └──────────────┘ 5min 5min 30min-2h ┌─────────────────────┐ │ Comentário JIRA: │ │ - Causa raiz │ │ - Arquivos afetados│ │ - Correção proposta│ │ - Link para PR │ └─────────────────────┘ ``` ### Exemplo Real **Issue:** "Transação sendo declinada com código 51 mesmo com saldo disponível" **Resposta da IA (em 5 minutos):** ``` 📋 ANÁLISE AUTOMÁTICA 🔍 Causa Identificada: O programa ACQAUTH.CBL está comparando o campo WS-AVAILABLE-BALANCE com formato PIC 9(9)V99, mas o valor retornado do HOST usa PIC 9(11)V99, causando truncamento. 📁 Arquivo Afetado: - src/cobol/ACQAUTH.CBL (linhas 1234-1256) 💡 Correção Proposta: Alterar declaração de WS-AVAILABLE-BALANCE para PIC 9(11)V99 e ajustar a comparação na SECTION 3000-VALIDATE. 📊 Confiança: 87% 🔗 PR com correção: bitbucket.tsacorp.com/projects/ACQ/repos/... ``` ### Segurança: IA Não Altera Código de Produção ``` ┌─────────────────────────────────────────────────────────────┐ │ SEPARAÇÃO DE RESPONSABILIDADES │ ├─────────────────────────────────────────────────────────────┤ │ │ │ Repositório CLIENTE (produção) │ │ ACQ-MF-safra-fork │ │ ├── IA tem acesso: SOMENTE LEITURA │ │ └── Alterações: APENAS por desenvolvedores │ │ │ │ Repositório IA (isolado) │ │ ACQ-MF-safra-ai │ │ ├── IA tem acesso: LEITURA E ESCRITA │ │ └── Propósito: Branches com sugestões de correção │ │ │ │ Fluxo de Aprovação: │ │ 1. IA cria branch no repositório isolado │ │ 2. IA abre Pull Request para repositório cliente │ │ 3. Desenvolvedor HUMANO revisa │ │ 4. Desenvolvedor HUMANO aprova ou rejeita │ │ 5. Só então o código vai para produção │ │ │ │ ✅ 100% das alterações passam por revisão humana │ │ │ └─────────────────────────────────────────────────────────────┘ ``` --- ## Investimento ### Desenvolvimento (MVP) | Item | Investimento | |------|--------------| | Desenvolvimento (4.5 meses) | R$ 350.000 - R$ 450.000 | | Infraestrutura inicial | R$ 15.000 | | **Total MVP** | **R$ 365.000 - R$ 465.000** | *Estimativa considera equipe dedicada de 4-5 profissionais.* ### Custo Operacional Mensal | Item | Custo/Mês | |------|-----------| | APIs de Inteligência Artificial | R$ 150 | | Infraestrutura (servidores) | R$ 1.000 - R$ 2.500 | | Manutenção (10% equipe) | R$ 3.500 | | **Total Operacional** | **~R$ 5.000/mês** | *Custo baixo devido ao volume de 5-10 issues/mês.* --- ## Retorno do Investimento (ROI) ### Economia de Tempo | Métrica | Valor | |---------|-------| | Issues por mês | 5-10 | | Tempo médio atual por issue | 8-14 horas | | Tempo médio com IA | 2-4 horas | | **Economia por issue** | **6-10 horas** | | **Economia mensal** | **30-100 horas de dev sênior** | ### Cálculo Financeiro ``` Custo hora desenvolvedor sênior: ~R$ 200 Economia mensal: 50 horas (média) Valor economizado: R$ 10.000/mês Investimento MVP: R$ 400.000 (média) Custo operacional: R$ 5.000/mês Payback: ~40-48 meses Porém, considerando: - Escala para mais clientes/produtos - Redução de bugs em produção - Liberação de devs para inovação - Retenção de conhecimento ROI real: Difícil quantificar, mas ALTAMENTE POSITIVO ``` ### Benefícios Intangíveis | Benefício | Impacto | |-----------|---------| | **Padronização** | Todas as issues analisadas com mesmo rigor | | **Documentação** | Histórico completo de análises no JIRA | | **Conhecimento** | IA aprende padrões, independe de pessoas | | **Velocidade** | Resposta inicial em minutos, não horas | | **Moral da equipe** | Devs focam em problemas complexos, não repetitivos | --- ## Riscos e Mitigações | Risco | Probabilidade | Mitigação | |-------|---------------|-----------| | **IA sugere fix incorreto** | Média | Revisão humana obrigatória em 100% dos casos | | **Resistência da equipe** | Baixa | Posicionar como assistente, não substituto | | **Segurança do código** | ✅ Eliminado | Azure OpenAI - dados ficam no tenant Azure, não são usados para treino | | **Custo de LLM aumenta** | Baixa | Contrato Enterprise Azure com preços fixos | ### Compliance e Segurança A solução utiliza **exclusivamente Azure OpenAI**, garantindo: - ✅ Dados de código não são enviados para APIs públicas - ✅ Dados não são usados para treinar modelos Microsoft - ✅ Processamento na região Brazil South (baixa latência) - ✅ Compatível com políticas corporativas ACI - ✅ Utiliza contrato Enterprise Agreement existente **Nota:** O GitHub Copilot existente continuará sendo usado pelos desenvolvedores no IDE. São ferramentas complementares - Copilot para autocompletar código, AI Fixer para automatizar análise de issues. ### Abordagem Conservadora O sistema será implementado em fases: ``` Fase 1 (MVP): Apenas análise e sugestão IA comenta no JIRA, não cria código Fase 2: Geração de código em repositório isolado Humano decide se usa ou não Fase 3: Pull Requests automáticos Humano ainda aprova Fase 4: Auto-merge (apenas para fixes de alta confiança) Somente após meses de validação ``` --- ## Timeline ``` ┌─────────────────────────────────────────────────────────────┐ │ ROADMAP MVP │ ├─────────────────────────────────────────────────────────────┤ │ │ │ Mês 1-2 Mês 2-3 Mês 3-4 Mês 4-5 │ │ ─────── ─────── ─────── ─────── │ │ Setup + Indexação Geração de Testes + │ │ Integrações de Código Correções Refinamento │ │ │ │ ✓ JIRA ✓ COBOL ✓ LLM ✓ Piloto │ │ ✓ Bitbucket ✓ SQL ✓ Validação ✓ Ajustes │ │ ✓ Infra ✓ JCL ✓ Output ✓ Docs │ │ │ │ │ │ │ ▼ │ │ GO-LIVE │ │ ~4.5 meses │ │ │ └─────────────────────────────────────────────────────────────┘ ``` --- ## Diferenciais da Solução ### Por que não usar ferramentas prontas (GitHub Copilot, etc)? | Aspecto | Ferramentas Genéricas | Nossa Solução | |---------|----------------------|---------------| | **Integração JIRA** | ❌ Manual | ✅ Automática | | **Conhecimento do sistema ACI** | ❌ Genérico | ✅ Treinado com regras ACI | | **COBOL expertise** | ⚠️ Limitado | ✅ Otimizado para mainframe | | **Fluxo Support Case** | ❌ Não existe | ✅ Nativo | | **Segurança (on-premise)** | ❌ Cloud only | ✅ 100% interno | | **Customização** | ❌ Genérico | ✅ Regras configuráveis | --- ## Recomendação ### Decisão Solicitada Aprovar o desenvolvimento do **MVP do ACI JIRA AI Fixer** com: - **Investimento:** R$ 400.000 - R$ 465.000 - **Timeline:** 4.5 meses - **Escopo:** Produtos ACQ-MF e ICG-MF - **Objetivo:** Reduzir tempo de análise de Support Cases em 60%+ ### Próximos Passos (após aprovação) 1. **Semana 1:** Definir equipe e iniciar setup de infraestrutura 2. **Semana 2:** Criar repositórios AI e configurar integrações 3. **Mês 1:** Primeira demonstração com issue real 4. **Mês 3:** MVP funcional para piloto 5. **Mês 5:** Go-live em produção --- ## Conclusão O **ACI JIRA AI Fixer** representa uma oportunidade de: ✅ **Aumentar produtividade** da equipe de suporte em 60%+ ✅ **Reduzir tempo de resposta** de horas para minutos ✅ **Padronizar qualidade** das análises ✅ **Reter conhecimento** independente de pessoas ✅ **Posicionar a ACI** na vanguarda de automação com IA O momento é ideal: tecnologia madura, volume controlado para piloto, e demanda urgente da equipe. --- **Documento preparado para apresentação à Diretoria.** *Em caso de dúvidas, a equipe técnica está disponível para demonstração.*