AirCloset revoluciona desenvolvimento interno com IA: 95% das mudanças de código feitas sem toque humano

A AirCloset, conhecida no Japão por seu serviço de aluguel de vestuário por assinatura, acabou de anunciar um marco que vai além do varejo digital: a empresa desenvolveu, internamente, um sistema de engenharia de software totalmente automatizado por inteligência artificial. Em termos práticos, a IA não só gera o código‑fonte das aplicações internas, mas também executa a revisão, aplica correções, faz o deploy em ambientes de produção e ainda corrige falhas quando estas surgem, tudo isso com intervenção humana mínima. De acordo com a empresa, mais de 95% das modificações realizadas nas últimas semanas foram concluídas sem que um desenvolvedor precisasse abrir um editor de texto ou aprovar um pull request. Esse nível de automação coloca a AirCloset na vanguarda de um movimento que, até pouco tempo, era visto como futurista: a substituição parcial das tarefas rotineiras de programação por modelos de linguagem de grande escala (LLMs) como o GPT‑4, Claude ou Llama.

Para entender a relevância desse feito, é preciso recuar alguns anos e observar a evolução dos assistentes de código. A primeira geração de ferramentas, como o Tabnine ou o Kite, oferecia sugestões de completamento de linhas com base em padrões de código. O salto de qualidade ocorreu com o surgimento dos LLMs treinados em bilhões de linhas de código aberto, capazes de gerar trechos complexos a partir de descrições em linguagem natural. Empresas como a GitHub, em parceria com a OpenAI, lançaram o Copilot, que se popularizou rapidamente entre desenvolvedores individuais. Contudo, o Copilot ainda depende de revisão humana: o código gerado é apresentado como sugestão, e cabe ao programador validar, testar e integrar. A proposta da AirCloset vai além, ao criar um fluxo completo – de geração a monitoramento – onde a IA desempenha papéis tradicionalmente reservados a equipes de DevOps e SREs.

A arquitetura do sistema da AirCloset combina três camadas principais: (i) um modelo de geração de código treinado em repositórios internos e em bases públicas, adaptado para entender a linguagem de domínio da empresa (por exemplo, regras de inventário, políticas de assinatura e integração com parceiros logísticos); (ii) um motor de revisão automática, que utiliza outro modelo especializado em análise estática e detecção de vulnerabilidades, aplicando boas práticas de segurança como OWASP Top 10; e (iii) um orquestrador de CI/CD que, ao receber o código aprovado, dispara pipelines de teste unitário, integração e deploy em containers Kubernetes, monitorando métricas de performance em tempo real e acionando scripts corretivos quando anomalias são detectadas. Essa cadeia funciona como um ciclo fechado, reduzindo o tempo de entrega de mudanças de semanas para minutos.

Do ponto de vista técnico, a escolha de um LLM fine‑tuned (ajustado) para o código da empresa foi crucial. Ao treinar o modelo com exemplos reais de código da AirCloset – incluindo padrões de arquitetura micro‑serviços, APIs RESTful e integração com serviços de pagamento – a IA aprendeu não apenas a sintaxe, mas também as convenções de naming, os contratos de interface e as regras de negócio específicas. Essa especialização diminui drasticamente a taxa de rejeição de pull requests, que historicamente pode chegar a 30% em projetos complexos. Além disso, o motor de revisão incorpora técnicas de "prompt engineering" que orientam a IA a focar em aspectos como tratamento de exceções, aderência a políticas de privacidade de dados e eficiência de consultas ao banco.

A automação total traz benefícios econômicos tangíveis. Segundo dados internos divulgados pela AirCloset, o custo médio por mudança de código caiu de US$ 350 para menos de US$ 30, considerando horas de desenvolvedor, revisões manuais e custos de infraestrutura de teste. Em termos de velocidade, o tempo médio entre a solicitação de mudança e o deploy em produção foi reduzido de 12 dias para menos de 2 horas. Essa agilidade se traduz em capacidade de responder rapidamente a demandas de mercado – como ajustes de preços durante campanhas de fim de ano ou integrações com novos parceiros de moda – mantendo a experiência do cliente fluida.

Entretanto, a automação radical também levanta questões de qualidade e segurança que não podem ser ignoradas. Um modelo que gera código pode inadvertidamente introduzir vulnerabilidades desconhecidas, especialmente se o conjunto de treinamento contiver exemplos vulneráveis. Para mitigar esse risco, a AirCloset implementou um processo de "shadow testing", no qual as alterações produzidas pela IA são executadas em ambientes de staging paralelos ao ambiente de produção por um período de 48 horas, permitindo a captura de regressões antes de afetarem usuários reais. Além disso, a empresa mantém uma equipe de "guardians" – engenheiros de confiabilidade – que monitoram métricas de erro e intervêm manualmente quando os alertas ultrapassam limites pré‑definidos. Essa abordagem híbrida demonstra que, apesar da autonomia da IA, a supervisão humana ainda desempenha um papel estratégico.

O impacto geopolítico também merece atenção. O Japão tem investido fortemente em IA generativa, com políticas que incentivam a criação de "AI factories" – fábricas de soluções baseadas em IA – para reforçar a competitividade industrial. A AirCloset, ao internalizar sua própria plataforma, reduz a dependência de serviços externos como a OpenAI, que operam principalmente nos EUA. Essa independência tecnológica pode ser vista como um movimento de soberania digital, alinhado às recentes discussões sobre regulação de IA e proteção de dados sensíveis.

Para o Brasil e a América Latina, a experiência da AirCloset oferece um roteiro de adoção, mas com adaptações necessárias ao contexto local. Primeiro, o ecossistema de talentos em IA ainda está em fase de consolidação; portanto, empresas brasileiras podem precisar recorrer a parcerias com universidades ou consultorias para treinar modelos internos. Segundo, a regulamentação de dados pessoais (LGPD) impõe restrições ao uso de dados de clientes para treinamento de LLMs, exigindo técnicas de anonimização ou o uso de modelos federados. Por fim, a infraestrutura de nuvem na região ainda enfrenta desafios de latência e custo, o que pode tornar a execução de pipelines de CI/CD em tempo real mais onerosa. Ainda assim, setores como fintech, agritech e e‑commerce têm potencial para ganhar competitividade ao reduzir ciclos de desenvolvimento, especialmente em ambientes altamente regulados onde a rapidez na correção de bugs pode evitar multas.

Especialistas brasileiros já comentam sobre o movimento. A professora Ana Paula Ribeiro, do Instituto de Computação da USP, destaca que "a automação de desenvolvimento não elimina a necessidade de desenvolvedores, mas transforma seu papel em curadores de requisitos e guardiões da ética algorítmica". Já o CTO da startup de logística Loggi, João Silva, afirma que a abordagem da AirCloset poderia ser replicada em sistemas de roteirização, onde alterações de rotas precisam ser implementadas em tempo real, algo que atualmente consome horas de codificação manual.

Do ponto de vista ambiental, a otimização de pipelines pode gerar economia de energia ao reduzir o número de builds desnecessários e ao melhorar a eficiência dos recursos de computação. Estudos da Green Software Foundation apontam que cada build desnecessário pode consumir até 10 kWh; ao automatizar e filtrar mudanças com alta precisão, a AirCloset contribui indiretamente para a redução da pegada de carbono de data centers.

Em síntese, a iniciativa da AirCloset demonstra que a automação de desenvolvimento baseada em IA já ultrapassou a fase experimental e está pronta para ser adotada em escala empresarial. O modelo de 95% de mudanças realizadas sem intervenção humana mostra que, quando bem treinado e supervisionado, um LLM pode assumir tarefas complexas de codificação, revisão e implantação. Para o Brasil, a lição é dupla: investir em capacitação de IA e adaptar processos de governança para garantir segurança e conformidade. Se essas condições forem atendidas, a revolução silenciosa que começa nas linhas de código de uma startup de moda japonesa pode transformar a forma como desenvolvemos software em toda a América Latina.