A IA deixou de ser um diferencial e passou a ser condição mínima para competir. A avaliação é de Gustavo Bassan, Sócio e Vice-Presidente de Engenharia da BossaBox, empresa especializada em montar squads de tecnologia sob demanda. Por isso, a companhia está apostando fortemente em IA, incluindo um sistema de 40 agentes especializados que automatizam tarefas repetitivas. Bassan diz que a BossaBox vai investir para aumentar a eficiência interna e de clientes por meio de IA. “Com essa estratégia em mente, nosso intuito é dobrar o faturamento da companhia em 2026, mantendo a lucratividade e sustentabilidade do negócio”, projetou.
Como a incorporação de AI nos projetos tem alterado o modelo de squads-as-a-service da BossaBox?
A AI está provocando uma mudança fundamental no nosso modelo. Saímos de um paradigma “code-first” para um paradigma “specs-first” — onde a especificação é a fonte da verdade e o código é consequência. Na prática, isso transformou o papel dos profissionais dentro dos squads: eles deixaram de ser executores de tarefas para se tornarem curadores de contexto e orquestradores do trabalho feito pela inteligência artificial.
Construímos um framework de agentes especializados que atuam de ponta a ponta no ciclo de desenvolvimento de produto, desde o planejamento de uma iniciativa até a entrega do código em produção. Com isso, squads mais enxutos conseguem superar os níveis de performance que tínhamos antes.
Mas é importante deixar claro: a AI é um amplificador, não um transformador. Ela potencializa o que já funciona e expõe o que não funciona. Como garantimos performance em contrato com métricas de velocidade e qualidade de entrega, fomos forçados a resolver esses desafios na prática, no nível do sistema como um todo. Quando o sistema está bem estruturado, AI funciona como um catalisador. Quando o sistema é o problema, AI só magnífica ele.
Quais são as principais iniciativas/aplicações de IA no dia a dia da empresa?
Desenvolvemos um sistema completo de mais de 40 agentes especializados que automatizaram grande parte das tarefas repetitivas, possibilitando que humanos foquem na orquestração e tomada de decisão mais estratégica.
Chamamos esse sistema de AI Framework, organizado em cinco capabilities: Context — levantamento estruturado de contexto do produto e do negócio; Planning — decomposição de iniciativas em funcionalidades e tarefas; Refinement — transformação de stories em tarefas técnicas detalhadas; Implement — geração de código com TDD e criação de testes automatizados; e Quality — criação de cenários de teste e automações end-to-end.
A base de tudo isso é a metodologia que chamamos de Spec-First Development (desenvolvimento orientado a especificação). Durante décadas, o código era a linguagem que usávamos para nos comunicar com as máquinas. A inteligência artificial mudou esse jogo. Agora ela escreve o código, e nós escrevemos a intenção. O papel de Produto, Design e Engenharia passa a ser definir com clareza o que entregar, por que e com quais critérios de sucesso. O código é consequência.
O que essa metodologia representa na prática?
Na prática, antes de qualquer linha de código, o fluxo passa por um conjunto vivo de especificações versionadas que servem como input estruturado para os agentes. Documentação deixou de ser algo que fazemos depois de implementar e virou algo que fazemos para que a AI possa implementar.
Na etapa de implementação, operamos com Test Driven Development nativo: os agentes geram os testes antes do código, garantindo que o comportamento esperado está definido desde o início. Com TDD integrado ao fluxo, os testes nascem da especificação e validam a intenção, não apenas a execução técnica.
Na sequência, os agentes de Quality criam cenários de teste e automações end-to-end, fechando o ciclo com validação contínua ao longo de todo o processo — não apenas no final, como acontece no modelo tradicional.
Quais foram os ganhos observados até aqui?
Os ganhos apareceram em três frentes. Primeiro, escalabilidade sem fricção humana: novas demandas acionam o mesmo sistema sem precisar de operação manual intensiva, algo que antes era limitado pela banda da equipe.
Segundo, maior modularidade: a operação funciona como um lego de capabilities, o que nos permite atender diferentes segmentos e criar novos produtos com o mesmo núcleo de tecnologia. Terceiro, aprendizado cumulativo: o sistema se retroalimenta, decisões e padrões se tornam mais preditivos ao longo do tempo, com o humano atuando em casos de exceção.
Quais são os próximos planos e projetos da empresa envolvendo IA?
Nosso roadmap está focado em três direções. Primeiro, evoluir nosso modelo operacional para o que chamamos de “Systems of Intelligence” — sair de software que apenas informa, com dashboards estáticos e decisões inteiramente humanas, para software que age, com inteligência em tempo real e resultados autônomos.
O humano deixa de estar no meio de toda operação e passa a estar na borda, supervisionando e intervindo quando necessário. É uma mudança de paradigma relevante para todo o mercado.
Segundo, investir em context engineering como disciplina dentro da empresa, não como tarefa pontual. Isso significa tratar documentação e especificações como infraestrutura crítica — PRDs, user stories, critérios de aceite e decisões de arquitetura versionados e acessíveis, servindo como fonte da verdade tanto para humanos quanto para agentes de AI. Validamos na prática que a qualidade do output da AI é diretamente proporcional à qualidade do contexto que ela recebe.
Terceiro, estamos construindo um workflow determinístico e orquestrado que garante o fluxo de desenvolvimento acontecendo de ponta a ponta com consistência — da especificação ao deploy. Não basta ter agentes inteligentes; é preciso um sistema que orquestre a sequência certa de etapas, com validações em cada checkpoint, para que o resultado seja previsível e confiável. Isso se materializa na evolução da interface pela qual os profissionais dos squads interagem com todo o framework de agentes.
Essa plataforma se conecta os agentes ao contexto do projeto via integrações com GitHub, Jira e pipelines de CI/CD, garantindo que cada etapa alimente a próxima com o contexto necessário. Além disso, estamos expandindo nosso framework de avaliação contínua dos agentes — calibração pós-deploy com traces reais, avaliações baseadas em critérios e um ciclo de melhoria contínua. O objetivo é que cada agente evolua com o uso e que o sistema se torne uma fábrica de aprendizado composto.
Quais são as perspectivas de crescimento e novos investimentos da empresa?
Estamos diante de um novo ciclo no mercado de tecnologia. Nosso Leading Tech Report 2026 mostra que eficiência operacional, clareza estratégica e integração inteligente de AI deixaram de ser diferenciais e passaram a ser condições mínimas para competir.
A BossaBox está posicionada exatamente nessa interseção. Vamos investir não apenas em aumentar nossa própria eficiência operacional por meio de AI, assim como de levar esse modelo para nossos clientes. Com essa estratégia em mente, nosso intuito é dobrar o faturamento da companhia em 2026, mantendo a lucratividade e sustentabilidade do negócio.
