Relatorio Executivo Versao 1.0
Abrir versao Markdown

Minsait x Energisa

Eficiencia no Processo de Testes com Apoio de IA

Analise tecnica consolidada para EO 5.2, IQOS/SGIND e GDO, com foco em produtividade, gargalos estruturais e ganhos reais no ciclo de QA.

Reducao no tempo por cenario

~55%

Benchmark + modelo vs medicao atual

Economia por plano (10-20 cenarios)

2,5h - 5,1h

Design e planejamento

Reducao no relatorio IQOS/CSV

>= 87,5%

Com Python local + IA

Overhead estrutural de acesso

4,7h - 10h/mes

Nao mitigado diretamente por IA

Resumo Executivo

A IA (GitHub Copilot) reduziu de forma consistente o tempo das etapas controlaveis pelo time de QA (design de cenarios, planejamento e consolidacao), enquanto as perdas de infraestrutura (acesso remoto e execucao manual) continuam como principal fator limitante da eficiencia operacional.

Mensagem para decisao gerencial

  1. Ganhos com IA ja sao mensuraveis e sustentaveis.
  2. O maior gargalo atual e estrutural (acesso/ambiente), nao metodologico.
  3. Proximo salto de eficiencia depende de acesso tecnico para ampliar shift-left e caixa-branca.

Escopo

  • EO 5.2 (GIS)
  • IQOS/SGIND (web Java)
  • GDO (operacao de gas)

Premissas de dados

  • > 40 sessoes de teste por mes
  • Setup de acesso: 6 a 10 min por sessao
  • Execucao manual desktop: > 30 min/cenario
  • Aprovacao em 1a revisao (IA): 71% a 85%

Metricas e Modelagem

Comparativo consolidado

Indicador Sem IA Com IA Ganho
Tempo por cenario 22,2 a 33,3 min 10 a 15 min ~55%
Plano de testes (10-20 cenarios) 4,6 a 9,3 h 2,1 a 4,2 h 2,5 a 5,1 h/plano
Relatorio IQOS/CSV >= 16 h < 2 h >= 87,5%

Leitura visual dos ganhos

Sem IA (max) - Tempo por cenario
33,3 min
Com IA (max) - Tempo por cenario
15 min
Sem IA - Relatorio IQOS/CSV
16 h
Com IA - Relatorio IQOS/CSV
2 h

Formula aplicada

Reducao (%) = (Tempo sem IA - Tempo com IA) / Tempo sem IA x 100

Conversao por benchmark: Tempo sem IA = Tempo com IA / 0,45

Base de proxy: benchmark GitHub Research (55% mais rapido com Copilot).

Gargalos Estruturais

Impacto temporal (mensal e trimestral)

Gargalo Mensal Trimestral Efeito tecnico
VPN + Jumpserver + autenticacao 4,0 a 8,0 h 12,0 a 24,0 h Reduz tempo util de execucao
Reconexao / timeout 0,7 a 2,0 h 2,1 a 6,0 h Interrompe fluxo e aumenta variabilidade
Execucao manual desktop >= 20 h >= 60 h Baixa escalabilidade de regressao
Sem acesso ao codigo atualizado N/A direto N/A direto SC/BC indisponiveis no ambiente atual

Composicao de perdas (cenario base)

Overhead de acesso base: 7,0 h/mes

Setup VPN + Jumpserver: 5,9 h Reconexao/instabilidade: 1,2 h

Ponto central

A IA mitiga fortemente preparacao e consolidacao, mas nao elimina perdas de acesso remoto e limitacoes de ambiente. Para ganhos adicionais, e necessario tratar infraestrutura e acesso tecnico.

Analise por Projeto

EO 5.2 (GIS)

Contexto desktop Smallworld

  • Gargalo principal: sem acesso a codigo atualizado.
  • Ganho atual com IA: aceleracao de design, criticidade e caderno de testes.
  • Proxima alavanca: piloto de caixa-branca por modulo critico.

IQOS/SGIND

Web + automacao local de CSV

  • Gargalo principal: acesso intermitente a codigo/build local.
  • Ganho atual com IA: reducao forte no tempo de relatorio e planejamento.
  • Proxima alavanca: automacao funcional web + caixa-branca.

GDO

Contexto semelhante ao EO 5.2

  • Gargalo principal: execucao remota/manual e sem codigo.
  • Ganho atual com IA: padronizacao documental e previsibilidade.
  • Proxima alavanca: cobertura estrutural tecnica em modulos prioritarios.

Conclusoes e Recomendacoes Executivas

Conclusao

No contexto Minsait/Energisa, a IA e tecnicamente justificavel e operacionalmente vantajosa para design, planejamento e consolidacao de testes. O ganho e real, mensuravel e sustentavel.

Recomendacoes priorizadas

  1. Manter IA como pratica padrao de design e planejamento de testes.
  2. Expandir automacao local para artefatos exportaveis (prioridade: IQOS).
  3. Instituir KPIs mensais/trimestrais: tempo por cenario, tempo por plano, taxa de aprovacao em 1a revisao, overhead de acesso.
  4. Avaliar modelo controlado de acesso tecnico para habilitar caixa-branca (SC/BC) por modulo critico.
  5. Tratar IA e infraestrutura como trilhas complementares de eficiencia.

Cenarios deslocados por acesso (mes)

9 - 20

Cenarios deslocados por acesso (trimestre)

27 - 60

Aprovacao de cenarios IA (1a revisao)

71% - 85%

Referencias e Nota Metodologica

Referencias principais

  1. GitHub Research (2022/2024).
    Research: quantifying GitHub Copilot's impact on developer productivity and happiness
  2. GitHub + Accenture (2024).
    Impact in the enterprise with Accenture
  3. DORA Capabilities (2024).
    Test Automation
  4. DORA Research Program (2024).
    DORA Research 2024
  5. World Quality Report 2025-26.
    Capgemini / Sogeti / OpenText
  6. ISTQB.
    International Software Testing Qualifications Board

Nota metodologica

  • O valor de 55% foi aplicado como proxy para tarefas tecnicas estruturadas no contexto de QA.
  • O modelo combina benchmark externo com dados operacionais locais informados pelo QA.
  • As faixas conservador/base/agressivo foram usadas para evitar falsa precisao.