Como a Rakuten reduziu pela metade o tempo de recuperação de incidentes com IA

A Rakuten precisava aumentar a velocidade da engenharia sem comprometer estabilidade e segurança. O desafio envolvia reduzir o tempo de recuperação de incidentes, acelerar projetos e diminuir gargalos em revisão de código. Em uma empresa digital, engenharia é diretamente ligada à receita e à experiência do cliente.

Antes da aplicação mais estruturada de IA, engenheiros precisavam investigar logs, consultar telemetria, formular hipóteses e revisar código com alto esforço manual. Projetos full-stack exigiam coordenação entre backend, mobile e APIs. O ciclo de entrega podia levar semanas ou trimestres, dependendo da complexidade.

A Rakuten integrou Codex aos fluxos de engenharia para apoiar resposta a incidentes, revisão de código, desenvolvimento e checagem de segurança. Em vez de usar IA apenas como assistente individual, a empresa aplicou o agente em rotinas críticas de operação de software.

A tecnologia central foi o OpenAI Codex, usado para interpretar código, gerar implementações, revisar alterações, analisar logs e apoiar consultas técnicas. O case menciona uso em consultas KQL, backend Python/FastAPI, iOS Swift/SwiftUI e APIs.

Durante incidentes, o Codex ajuda engenheiros a consultar logs, analisar padrões e sugerir causas prováveis. No pipeline de desenvolvimento, revisa código e vulnerabilidades antes da entrega. Em projetos novos, interpreta especificações e gera partes funcionais do sistema, que são depois avaliadas pelos engenheiros.

O processo conecta Codex aos fluxos de observabilidade, CI/CD e desenvolvimento. A IA atua como uma camada de análise e execução assistida: recebe contexto técnico, propõe consultas, gera código, revisa alterações e acelera diagnóstico. A validação humana permanece como mecanismo de controle de qualidade e segurança.

• Redução aproximada de 50% no MTTR.
• Problemas corrigidos até duas vezes mais rápido.
• Projetos que levariam um trimestre passaram a ser entregues em semanas.
• Potencial de 3 a 4 vezes mais velocidade em construção de software.
• Revisões e checagens de vulnerabilidade automatizadas no pipeline de CI/CD.

O case mostra que IA para desenvolvimento deve ser medida por indicadores operacionais, como MTTR, lead time, vulnerabilidades e velocidade de entrega. O ganho aparece quando o agente é incorporado ao processo de engenharia, e não apenas usado como autocomplete. Para empresas brasileiras, o aprendizado é começar por incidentes, revisão e documentação técnica, onde o retorno é mais fácil de mensurar.