Sentinel AI: Framework Híbrido Determinístico-Cognitivo para Governança de Projetos de Software

CASE DE INOVAÇÃO

Sentinel AI

Framework Híbrido Determinístico-Cognitivo para Governança de Projetos de Software

Submissão · Call for Cases MIT-ANPEI Brazil Summit 2026 Maicol de Aguiar e Peixe VP de Desenvolvimento e Qualidade de Software BRISA - Sociedade para o Desenvolvimento da Tecnologia da Informação maicol.peixe@brisabr.com.br São Paulo, Brasil - Setembro de 2026

Sentinel AI - Iniciativa de Inovação BRISA | Autor: Maicol de Aguiar e Peixe - VP de Desenvolvimento e Qualidade de Software

RESUMO EXECUTIVO

A BRISA - Sociedade para o Desenvolvimento da Tecnologia da Informação - enfrentava um desafio recorrente na governança de seu portfólio de projetos de engenharia de software: informação fragmentada entre múltiplas frentes do ciclo de vida (Azure DevOps, atas de reunião, escalas de equipe), sobrecarga cognitiva dos gestores de PMO ao auditar manualmente esses dados, e dificuldade em antecipar riscos decorrentes de atrasos, férias da equipe e desvios de qualidade. Para resolver esse problema, a BRISA desenvolveu internamente o Sentinel AI: um framework híbrido que separa, de forma estrita, o cálculo determinístico de métricas de engenharia executado por um motor algorítmico auditável da camada interpretativa e conversacional, conduzida por agentes cognitivos baseados em Modelos de Linguagem de Grande Escala (LLMs). Hoje o Sentinel controla, de ponta a ponta: burndown, entregáveis, alocação da equipe, o mapeamento de conhecimentos técnicos de cada integrante, as reuniões de alinhamento (standups), a emissão de relatórios semanais e alarmes de risco, a análise de atrasos na sprint atual e no projeto como um todo, a análise de produtividade e qualidade dos recursos alocados, o plano de férias, e um chat interativo para consulta sobre qualquer projeto monitorado. Em produção contínua há mais de 90 dias na BRISA, o framework vem ampliando o entendimento dos times sobre os próprios processos de engenharia, apoiando decisões diárias de gestão e estimulando a reflexão sobre redesenho de processos e mudança cultural entre gestores, analistas de qualidade e desenvolvedores.

1. O PROBLEMA

A governança de ecossistemas complexos de engenharia de software é marcada pelo fluxo ininterrupto de dados granulares e heterogêneos: commits, atualizações de itens de trabalho em quadros Kanban, logs de testes automatizados e impedimentos relatados em cerimônias diárias. A capacidade analítica das lideranças de tecnologia, no entanto, permanece limitada pelas restrições da memória de trabalho humana gerando um hiato entre a geração do dado operacional bruto e a tomada de decisão estratégica.

Tradicionalmente, a síntese e a auditoria dessas informações dependem da intervenção manual e reativa de profissionais de PMO, o que gera alta latência decisória, suscetibilidade a vieses subjetivos e sobrecarga operacional. Duas variáveis críticas costumam ser negligenciadas por ferramentas estáticas de análise de repositórios: o impacto cumulativo de ausências sazonais da equipe (férias) e a conformidade formal das transições de fase do ciclo de vida de desenvolvimento (SDLC).

Tentativas de aplicar IA generativa diretamente sobre repositórios de engenharia esbarram na propensão de modelos autorregressivos a alucinar métricas quantitativas. O Sentinel AI resolve esse impasse com uma divisão clara de responsabilidades: cálculos matemáticos e validações de conformidade do SDLC são executados por um motor puramente determinístico, enquanto a geração de relatórios, auditorias em linguagem natural e o chat interativo são conduzidos por agentes autônomos baseados em LLMs reduzindo a carga cognitiva da liderança e preservando a segurança psicológica das equipes.

2. A SOLUÇÃO - ESCOPO FUNCIONAL DO SENTINEL AI

A iniciativa nasceu de Maicol de Aguiar e Peixe, VP de Desenvolvimento e Qualidade de Software da BRISA, responsável pela idealização e pelo desenvolvimento da solução. Em produção na BRISA, o Sentinel AI controla hoje, de forma integrada:

● Burndown das sprints em andamento, com desvio calculado em tempo real.

● Entregáveis de cada projeto e sua situação frente ao planejado.

Sentinel AI - Iniciativa de Inovação BRISA | Autor: Maicol de Aguiar e Peixe - VP de Desenvolvimento e Qualidade de Software

● Alocação da equipe entre projetos e frentes de trabalho.

● Conhecimentos técnicos de cada integrante da empresa, mapeados para apoiar decisões de alocação.

● Reuniões de alinhamento (standup meetings), com análise do conteúdo discutido.

● Emissão de relatórios semanais de status para lideranças e stakeholders.

● Emissão de alarmes de risco, antecipando problemas antes que se tornem bloqueios críticos.

● Análise de atrasos na sprint atual.

● Análise de atrasos no projeto como um todo, além do horizonte da sprint corrente.

● Análise de produtividade e qualidade do trabalho dos recursos humanos alocados a projetos.

● Plano de férias da equipe e seu impacto projetado na capacidade dos times.

● Chat interativo para consulta em linguagem natural sobre um projeto ou conjunto de projetos.

● Ingestão de documentos de requisitos e de outros materiais de referência enviados pelos gestores, dando à IA o contexto necessário para identificar problemas e desvios em relação ao plano inicial.

● Ingestão de transcrições de reuniões com clientes, utilizadas na racionalização de problemas e soluções ao lado dos dados do board.

● Tela de observabilidade dedicada ao controle de custos de consumo de tokens pelos agentes de IA, com visibilidade contínua por projeto.

3. ARQUITETURA TÉCNICA - MOTOR DETERMINÍSTICO

O backend do Sentinel AI adota um paradigma assíncrono de alto desempenho: Python 3.11 sobre o framework FastAPI, com agendamento via APScheduler operando em ciclos paralelos de amostragem. Os dados de ALM são extraídos diretamente do Microsoft Azure DevOps Services via SDK oficial, autenticados por chaves criptográficas PAT corporativas.

3.1. Índices de Saúde do Projeto

O motor de análise determinística calcula 8 índices normalizados de 0 a 100, combinados em um Score de Saúde Global por meio de uma média ponderada (cada subíndice recebe um peso, e a soma dos pesos é igual a 1). Três exemplos ilustram a lógica:

● Desvio de Burndown: mede o erro entre a curva ideal de queima de esforço planejada para a sprint e o progresso real executado ao longo do tempo, quanto menor o desvio, mais próximo de 100.

● Qualidade e Rastreabilidade do SDLC: percentual de itens de trabalho que cumprem os critérios formais de transição entre fases do ciclo de vida (ex.: critérios de aceitação preenchidos antes de avançar de Arquitetura para Desenvolvimento).

● Alocação de Capacidade e Impacto de Férias: capacidade real ajustada da equipe, descontado o efeito das ausências programadas (férias) ponderado pela senioridade de cada engenheiro, expressa como percentual da capacidade nominal.

Sentinel AI - Iniciativa de Inovação BRISA | Autor: Maicol de Aguiar e Peixe - VP de Desenvolvimento e Qualidade de Software

3.2. Orquestração Multiagente e RAG

A camada cognitiva é composta por quatro microsserviços autônomos de escopo único, eliminando os gargalos de agentes monolíticos genéricos. A inferência textual roda sobre o modelo Claude Sonnet, com temperatura controlada para reduzir variância. O módulo de análise de transcrições processa atas, documentos e áudio de reuniões (transcrição de voz), segmenta o texto e o converte em vetores de embedding. Para blindar a infraestrutura contra vazamento de dados entre projetos e clientes, a busca semântica é rigidamente restrita, a nível relacional, ao identificador do projeto em um banco de dados PostgreSQL com suporte a busca vetorial, nenhum projeto acessa dados vetoriais de outro.

O acesso à interface é protegido por autenticação sem senha (magic-tokens): ao solicitar acesso a partir do domínio corporativo @brisabr.com.br, o backend gera um token de alta entropia, com hash criptográfico e janela de expiração parametrizável definida pela política de segurança da organização —, encaminhado por e-mail transacional. Esse desenho elimina vetores clássicos de ataque por força bruta ou roubo de credenciais estáticas.

4. RESULTADOS MEDIDOS

O Sentinel AI está em produção contínua há mais de 90 dias na BRISA, monitorando múltiplos times de desenvolvimento. Mais do que um conjunto de métricas isoladas, o resultado central observado é organizacional: o sistema viabilizou um entendimento mais profundo dos próprios processos de engenharia, trazendo à tona a reflexão e a necessidade de redesenho de processos e de mudança cultural entre gestores, analistas de qualidade e desenvolvedores.

O sistema gera insights diários sobre o andamento dos projetos e é capaz de identificar problemas na própria estruturação dos cards no Azure DevOps, além de desvios em relação ao plano inicial definido nos documentos de requisitos. Para isso, gestores fazem upload de documentos de requisitos e de outros materiais de referência, dando ao Sentinel o contexto necessário para atuar sobre possíveis problemas e desvios assim que eles surgem e não apenas ao final da sprint.

Transcrições de reuniões com clientes também são carregadas no sistema e usadas na racionalização de problemas e soluções, ampliando a leitura do Sentinel para além do que está formalmente registrado no board.

Com a integração já concluída ao pipeline de CI/CD, o Sentinel passou também a apresentar, com acurácia, as quatro métricas DORA do Google, Deployment Frequency, Lead Time for Changes, Mean Time to Recover e Change Failure Rate —, reunindo em um único painel a visão de entrega de software e a visão de gestão de portfólio.

O isolamento do cálculo matemático em uma camada determinística blindou o sistema contra alucinações numéricas, risco documentado quando LLMs são usados diretamente para extrair métricas de repositórios. Já o cruzamento entre o módulo de férias e as fases do SDLC permite antecipar riscos com antecedência suficiente para que a liderança reorganize caminhos críticos antes da desmobilização sazonal de engenheiros seniores. Por se basear em regras auditáveis e transparentes, o diagnóstico do Sentinel reduz a sensação de avaliação punitiva individual, convertendo esforço defensivo em proatividade técnica e reforçando a segurança psicológica das equipes.

Sentinel AI - Iniciativa de Inovação BRISA | Autor: Maicol de Aguiar e Peixe - VP de Desenvolvimento e Qualidade de Software

5. IMPACTO E REPLICABILIDADE

O padrão arquitetural do Sentinel AI de separar o cálculo determinístico e auditável das métricas da camada interpretativa conduzida por agentes de IA é replicável por qualquer organização que opere em Azure DevOps, independentemente do porte do portfólio: onboarding de um novo projeto requer apenas o mapeamento do identificador do projeto, sem redesenho da arquitetura. Esse desacoplamento também reduz o custo de manutenção: evoluções nos modelos de linguagem não exigem retrabalho na camada de cálculo, e mudanças nas regras de negócio do PMO não exigem retreinamento de modelos.

Como aprendizado organizacional, a experiência da BRISA mostra que o principal ganho não está em substituir o julgamento humano do PMO, mas em eliminar o ruído processual (carga cognitiva estranha) que hoje consome a maior parte do tempo de gestores de projeto liberando-os para decisões de fato estratégicas.

6. ESTÁGIO DO ESFORÇO INOVADOR, LIMITAÇÕES E PRÓXIMOS PASSOS

O Sentinel AI está em produção contínua na BRISA há mais de 90 dias, com os resultados qualitativos descritos na Seção 4. A arquitetura depende da qualidade e disciplina de preenchimento dos metadados no Azure DevOps por parte das equipes: se o registro básico de estados for negligenciado, a acurácia das predições degrada proporcionalmente. O custo de janelas de contexto estendidas em modelos de fronteira, por sua vez, já é acompanhado pela tela de observabilidade de consumo de tokens descrita na Seção 2, que dá visibilidade contínua ao gasto em cenários multiprojeto de grande escala.

Como próximos passos, o roadmap tecnológico da iniciativa prevê duas frentes prioritárias:

● Atuação bidirecional dos agentes sobre o Azure DevOps: hoje o Sentinel lê e interpreta os dados do repositório para gerar análises e alertas; o próximo passo é permitir que ele também escreva de volta, por exemplo, atualizando campos, sinalizando cards com problemas de estruturação ou abrindo itens de acompanhamento automaticamente —, sempre sob supervisão humana.

● Acoplamento de modelos preditivos de séries temporais para refinar as estimativas de burndown sob cenários de alta volatilidade de escopo.

7. PARTICIPANTES

Organização responsável: BRISA - Sociedade para o Desenvolvimento da Tecnologia da Informação.

Idealização e desenvolvimento da solução, dentro da BRISA: Maicol de Aguiar e Peixe - VP de Desenvolvimento e Qualidade de Software, que uniu a visão de gestão à atuação técnica direta, sendo o próprio desenvolvedor da solução.

Sentinel AI - Iniciativa de Inovação BRISA | Autor: Maicol de Aguiar e Peixe - VP de Desenvolvimento e Qualidade de Software