347 lines
14 KiB
Markdown
347 lines
14 KiB
Markdown
# 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.*
|