Imagine um time de engenharia que libera agentes de código no backlog numa segunda-feira. Na sexta, a fila de revisão está cheia, dois agentes seguiram padrões diferentes e ninguém sabe dizer se a entrega ficou mais rápida. O desenvolvimento com IA chegou a esse ponto em muitas empresas, e o número que o descreve vem do estudo AI SDLC 2026, da Atlassian: 94% das lideranças de engenharia usam IA, mas só 6% têm os sistemas para escalá-la no ciclo de software inteiro. O que esses 6% fizeram antes de ligar os agentes? 

O que o estudo da Atlassian diz, e de onde vem o dado 

O número abriu o anúncio que a Atlassian fez em 10 de setembro, com novidades no Jira e na DX, plataforma de métricas de engenharia. Doze dias depois, a empresa reuniu líderes de engenharia e de produto no summit digital State of AI SDLC. A agenda previa sessões sobre como medir o impacto da IA e sobre o quanto um agente depende do contexto que recebe. Este texto se apoia no material que a Atlassian publicou; o conteúdo das palestras ficou de fora. 

Para Taroon Mandhana, CTO de IA e Teamwork da empresa, o maior gargalo está no contexto da organização, e a inteligência do modelo pesa menos. Convém ler o dado sabendo de onde ele vem. A Atlassian vende a plataforma que propõe como resposta, e os percentuais de ganho que acompanham o anúncio saem de análises dela e da DX. A CSP Tech, por sua vez, é Gold Solution Partner Atlassian e trabalha com Jira e Confluence dentro de operações de clientes, o que também vale declarar. O que segue separa o dado publicado pela Atlassian da leitura de quem implanta e sustenta essas ferramentas. O diagnóstico soa familiar a quem já apontou um agente para um repositório de dez anos, e os percentuais valem como indício de direção. 

Quando o agente não conhece a empresa 

Segundo a Atlassian, os agentes falham quando não entendem a arquitetura, as decisões, os padrões e a memória institucional do time. Pense na regra que impede o módulo de cobrança de chamar direto a API do sistema legado. Se ela existe só na cabeça de um engenheiro sênior, o agente a quebra com a melhor das intenções, e o erro aparece na revisão, quando aparece. 

A resposta da empresa tem duas peças. O Code Context, construído sobre o Teamwork Graph, dá ao Rovo e aos agentes de código visão de bases com vários repositórios; chega aos clientes pagos de forma gradual, em beta aberto. O Agent Context Controls permite que as equipes de plataforma definam quais agentes atuam em cada espaço e o que podem enxergar nele. Em análise citada pela Atlassian, a DX apurou que times cujas ferramentas de IA usaram mais contexto do Teamwork Graph entregaram cerca de 64% mais por desenvolvedor. 

Contexto, porém, só rende quando alguém o escreveu antes. 

Do prompt avulso ao ciclo governado, do backlog ao pull request 

Boa parte das equipes usa agentes em sessões soltas: alguém abre o terminal, pede uma tarefa, revisa o resultado e recomeça. A Atlassian propõe trocar a sessão por um ciclo contínuo, com três recursos novos no Jira. 

Os agent loops varrem o backlog atrás de itens bem definidos e sem responsável, delegam execução e testes ao Jira Coding Agent e abrem pull requests prontos para revisão. O Standards define uma vez os padrões de código da organização e os associa aos repositórios, para que agentes e desenvolvedores sigam as mesmas regras. O AI Review põe um agente em cada pull request. Ele confere o código contra esses padrões antes que chegue a uma pessoa. O merge continua nas mãos do humano, e o que vem antes dele já não depende de uma pessoa só. 

Repare na condição embutida no primeiro recurso: o loop só pega trabalho bem definido. Um card que diz "melhorar a performance do relatório" ainda é uma conversa que não aconteceu. Entregue a um agente, vira vários pull requests plausíveis e nenhum certo. Para o ciclo funcionar, o backlog precisa ser escrito para um executor que não pode perguntar de volta. 

O estágio de cada recurso pesa na decisão. Agent loops, Standards e AI Review estão em acesso antecipado privado. O Agent Context Controls e o painel de uso de agentes devem chegar aos clientes pagos do Jira nos próximos meses, e o DX for Agentic Development, aos clientes DX no trimestre do anúncio. São os status de 10 de setembro, e convém confirmá-los com a Atlassian antes de planejar qualquer coisa em cima deles. 

Como provar que o desenvolvimento com IA funciona 

Há ainda a pergunta que chega à sala do comitê. Alguém quer saber se o investimento em IA melhorou a entrega, e a resposta costuma ser uma impressão. O DX for Agentic Development mede o impacto da IA em vazão, qualidade, adoção e custo, relacionando o que se gasta ao que se entrega. O Agent Usage Dashboard, no Jira, mostra quais agentes aparecem nos fluxos de cada time. 

Os números que a Atlassian publica vão na direção esperada. Numa análise de 3.400 repositórios de 2.500 clientes, ela reporta que times com ciclo de desenvolvimento nativo em IA e Rovo Dev fazem merge de cerca de 19% mais pull requests por mês e economizam de duas a três horas por desenvolvedor por semana. São médias de clientes da própria Atlassian. O número que importa ao seu comitê é o do seu time, e ele só existe se alguém registrou o ponto de partida antes de ligar os agentes. 

O que organizar antes de os agentes entrarem no backlog 

Entre ligar os agentes agora e organizar a base primeiro, a segunda opção costuma custar menos. A exceção é o time que já mantém decisões atualizadas no Confluence e um backlog com critério de aceite; esse pode abrir um piloto pequeno de imediato. Os demais têm quatro frentes. 

Decisões fora da cabeça das pessoas 

Arquitetura, restrições e o motivo de cada escolha antiga precisam estar escritos no Confluence ou em registros de decisão dentro do repositório, onde um agente e um engenheiro recém-chegado possam achá-los. Se a explicação de por que o módulo X não toca o banco Y depende de conversa de corredor, ela ainda não existe para o agente. 

Backlog escrito para quem não pode perguntar 

Critério de aceite e dependências no próprio item do Jira. O teste é simples: se um desenvolvedor contratado ontem executaria o item sem fazer uma pergunta, um agente também executa. 

Padrões de código explícitos 

Nomenclatura, tratamento de erro, cobertura mínima de testes e tamanho máximo de pull request. O que hoje se corrige na revisão, caso a caso, precisa virar regra escrita, e é isso que um recurso como o Standards vai aplicar. 

Linha de base antes dos agentes 

Tempo entre a abertura do item e o merge, tempo de revisão, retrabalho depois do merge e custo por entrega nas últimas semanas, ainda sem agentes. Sem esse retrato, qualquer ganho futuro vira opinião. 

Onde a CSP Tech entra 

A CSP Tech é Gold Solution Partner Atlassian e acompanha as ferramentas da empresa em todo o ciclo: licenciamento, implementação, configuração, migração, integração, sustentação e governança de Jira, Jira Service Management, Confluence e Rovo. É um trabalho que acontece dentro da operação do cliente, onde sistemas, integrações e rotina precisam evoluir sem perder continuidade. 

Essa proximidade muda a conversa sobre agentes. Quem desenha o workflow do Jira, a estrutura de espaços do Confluence e as permissões de cada projeto sabe que são esses registros que alimentam o Teamwork Graph e, por consequência, o contexto que o agente enxerga. Um workflow cheio de status que ninguém respeita gera um grafo ruim. Um espaço do Confluence com decisões que o time já abandonou ensina o agente a repetir o que a equipe parou de fazer. A CSP Tech trata a preparação para agentes como trabalho de governança sobre as ferramentas que o cliente já usa. 

Quando o sistema que o agente vai tocar é um legado sem documentação, o trabalho começa antes, no mapeamento de dependências e no registro do que hoje só uma pessoa sabe. 

Um diagnóstico de prontidão para agentes de IA no Jira olha para essas camadas: onde está a arquitetura documentada, quão executável é o backlog, que padrões existem só na memória de alguém e quais métricas já dá para levantar hoje. 

Para que você possa se aprofundar ainda mais, recomendamos também a leitura dos artigos abaixo: 

Os legados de 2028 estão sendo escritos hoje 

Team ’26: o que vimos sobre o futuro da IA na Atlassian 

Consultoria Jira em 2026: quando configurar a ferramenta vira desenhar governança de dados 

A pergunta da diretoria 

Quando a diretoria pede contas do investimento em agentes de código, a pergunta tende a ter quatro partes: por que esse pull request foi aberto por um agente, o que ele consultou, contra qual padrão foi revisado e quanto custou. Quem responde às quatro sem consultar três pessoas está mais perto dos 6% que escalam do que dos que ainda testam. É um teste que dá para fazer hoje, numa reunião de uma hora. 

Se o seu time já usa agentes e ainda não consegue responder a essas perguntas, vale avaliar a situação atual com quem faz esse trabalho de base. Fale com os especialistas da CSP Tech e identifique onde estão os gargalos do seu desenvolvimento com IA. 

Fale com a CSP Tech: https://www.csptech.com.br/contato