Crys AI: dados para entender o que atrasa as entregas

A Crys AI ajuda as lideranças da Impulso a investigar o trabalho de engenharia. O assistente consulta indicadores calculados por ferramentas e transforma perguntas em análises sobre o andamento das entregas.

Baixar PDF original

9 páginas · PDF · 1,2 MB

Capa original do case Crys AI, com a arte completa do material.

O contexto

Os painéis mostravam indicadores, mas nem sempre explicavam por que uma entrega estava parada ou o que valia investigar em seguida. As lideranças precisavam reunir dados de diferentes ferramentas antes de discutir uma mudança no trabalho.

Isso incluía consultar Jira e GitHub e relacionar informações como tamanho das alterações de código e tempo de revisão. A busca e a consolidação consumiam uma parte do tempo que poderia ser dedicada à análise e às decisões.

O desafio

As ferramentas tinham formas diferentes de organizar projetos, rótulos e dados. Além de conectar as fontes, era necessário garantir que os indicadores fossem calculados de forma consistente.

Também era importante separar os acessos. Projetos diferentes não poderiam expor informações entre si, e cada pessoa precisava consultar a visão correspondente à sua responsabilidade.

Como atuamos

Separamos o cálculo dos indicadores da interpretação feita pela IA. As ferramentas e os modelos de dados calculam as métricas. A Crys consulta esses resultados para explicar o comportamento do trabalho e ajudar a investigar os gargalos.

A interação foi aproximada dos canais usados pela equipe, com foco no Slack. Perguntas em linguagem natural podem gerar análises e gráficos para compartilhar. A pessoa pode aprofundar a investigação com novas perguntas, sem precisar começar outra consolidação manual.

Um exemplo foi relacionar alterações de código maiores com revisões mais demoradas. Essa relação oferece um ponto de partida para investigar. A conclusão técnica e a decisão sobre o que mudar continuam com a equipe.

O que mudou

Na experiência interna apresentada, as lideranças relataram menos tempo dedicado a buscar e reunir dados:

  • De 4 a 8 horas por semana liberadas por liderança técnica, antes usadas na busca e consolidação de informações. O mesmo ganho é descrito como 10% a 20% da jornada semanal.
  • Cinco ou mais projetos internos acompanhados pela aplicação.
  • Mais de 25 métricas personalizadas, calculadas pela camada de dados e consultadas pela IA.

A identificação da relação entre alterações maiores e revisões mais longas apoiou a discussão sobre ajustes no trabalho. A principal mudança foi tornar as evidências mais acessíveis a quem precisava decidir.

Fonte dos indicadores: experiência interna da Impulso documentada no case Crys AI.

Detalhes da solução

A camada de dados utiliza dbt, DuckDB e Cube. Jira e GitHub estão entre as fontes de trabalho, e a solução envolve integrações com os canais de comunicação. MCP, Slack e Microsoft Teams também fazem parte das tecnologias citadas na implementação.

As permissões delimitam as informações disponíveis por projeto. Um painel acompanha o uso de tokens e os custos. Pedidos ainda não atendidos podem ser registrados como demandas para a equipe.

Quando o modelo fica indisponível, o fluxo prevê aviso ao usuário e registros para investigar a ocorrência.

Quer entender o que está atrasando as entregas do seu time?

Conte quais perguntas sua liderança precisa responder e onde estão os dados. Vamos conversar sobre como facilitar essa análise.