14 KiB
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:
- Monitora automaticamente novos Support Cases no JIRA
- Analisa o problema e identifica o código-fonte afetado
- Propõe correções específicas em COBOL, SQL e JCL
- Documenta a análise diretamente no JIRA
- 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)
- Semana 1: Definir equipe e iniciar setup de infraestrutura
- Semana 2: Criar repositórios AI e configurar integrações
- Mês 1: Primeira demonstração com issue real
- Mês 3: MVP funcional para piloto
- 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.