Líder de Operações de Produto afirma que o futuro dos fluxos de trabalho de IA depende de processos determinísticos

Trabalho na automatização de processos com IA, concentrando-me na forma como a IA altera a maneira como as pessoas trabalham. Também gosto de especular sobre a forma como as novas tecnologias estão a mudar o futuro do trabalho.

You should also read

• Os fluxos de trabalho de IA do mundo real utilizados pelo Diretor de Entregas de uma agência de implementação do Asana

• Gestor de Projetos e Educador com IA Partilha um Fluxo de Trabalho Simples com IA que Altera Fundamentalmente a Forma como os Projetos Funcionam

Como a IA nos ajuda a analisar o feedback e a tomar melhores decisões

Muitas das atividades mais trabalhosas, que costumavam consumir muito tempo de uma pessoa — e, por isso, muitas vezes nem sequer eram realizadas — passaram a ser tratadas automaticamente.

Assim, o resultado mais óbvio da IA é que as equipas passam menos tempo em tarefas manuais e mais tempo a refletir sobre os resultados.

Também melhorámos a análise do feedback. Antes, as pessoas recebiam uma avalanche de feedback, liam apenas uma fração e, muitas vezes, acabavam por tomar decisões baseadas na intuição. Mas, nessa altura, eram gerados relatórios e os comentários eram adicionados automaticamente aos itens de trabalho. Isso significava que podíamos fazer a triagem muito mais rapidamente.

E achei que também passámos a saber tomar melhores decisões — porque podíamos analisar o trabalho que tinha sido realizado. E começámos a identificar indícios de lacunas importantes que não estávamos a resolver.

Mas há coisas que têm de ser feitas por pessoas — normalmente, as decisões difíceis, muitas vezes relacionadas com a cultura organizacional e os métodos de trabalho. Também monitorizei pessoalmente o envolvimento com os artefactos que esses agentes de IA criavam, para encontrar sinais de sucesso humano.

Chris partilha

Muitas das atividades mais trabalhosas, que costumavam consumir muito tempo de uma pessoa, passaram a ser tratadas automaticamente.

Como os fluxos de trabalho com agentes podem apoiar as equipas

Utilizámos a IA para tarefas como a elaboração de relatórios, a triagem, a definição de prioridades e a recolha de feedback dos clientes a partir de vários canais.

A triagem é fundamental para uma equipa que está a tentar criar um produto melhor. Tínhamos um produto altamente técnico, por isso passávamos muito tempo a fazer a triagem de novos casos de utilização e erros. Do lado da experiência do utilizador, estávamos a descobrir tendências e a decidir no que trabalhar.

A nossa equipa era nova e tínhamos muitas fontes de feedback, mas não dispúnhamos de uma plataforma fácil de utilizar que analisasse e definisse prioridades para o feedback de todas elas.

Por isso, utilizei o Codespaces, o VS Code, o Copilot CLI (com vários modelos) e os GitHub Agentic Workflows para desenvolver tudo.

A última coisa que criei foi um agente de sugestões para as redes sociais, baseado no que tinha sido lançado e nas tendências do mercado. A equipa estava muito focada na engenharia, por isso precisava de ajuda para fazer o seu próprio marketing do sistema.

Como resultado disso, e dos outros agentes, a equipa passou a ter mais tempo para se concentrar no produto.

Um conjunto de ferramentas para fluxos de trabalho com várias etapas

Quanto ao nosso conjunto de ferramentas, utilizámos as ferramentas de IA do GitHub para automatizar trabalhos com várias etapas.

Isso incluía fluxos de trabalho com agentes para delegar tarefas a agentes de IA, o Copilot CLI para executar esses agentes a partir do terminal, o Codespaces para ambientes de desenvolvimento baseados na nuvem, o Copilot Spaces para fornecer à IA o contexto adequado do projeto e as Skills para empacotar instruções ou fluxos de trabalho repetíveis.

Como criar fluxos de trabalho com agentes

Criei, testei e monitorizei sobretudo fluxos de trabalho com agentes com a ajuda de outros agentes.

O GitHub Next criou uma estrutura chamada Agentic Workflows para integrar agentes de forma segura no GitHub Actions. A estrutura oferece tanto aos humanos como aos agentes uma forma clara de criar, testar e monitorizar fluxos agentivos, pelo que poderá considerá-la útil.

Abaixo encontra-se um fluxo de trabalho agentivo mínimo que mantém a documentação atualizada. Este é apenas um exemplo simples para ilustrar a sintaxe — não se destina a utilização em produção. Está disponível um exemplo mais completo no repositório de exemplos do GitHub Next. E aqui estão alguns fluxos de trabalho que criei para casos de utilização não relacionados com engenharia.

---

on:

  push:

    branches: [main]

permissions:

  contents: read

  pull-requests: read

safe-outputs:

  create-pull-request:

tools:

  edit:

  web-fetch:

  web-search:

---

# Atualizador da documentação

É um redator técnico. A sua tarefa é tornar a documentação do repositório ${{ github.repository }} _excelente_.

Passos:

1. Analise as alterações do repositório. Em cada envio para o ramo principal, examine as diferenças para identificar entidades alteradas/adicionadas/removidas.

2. Reveja a documentação existente quanto à sua exatidão e completude. Identifique lacunas na documentação, incluindo secções em falta ou desatualizadas.

3. Atualize a documentação conforme necessário.

4. Crie um pedido de alteração com uma descrição clara das alterações.

Como pode ver acima, os acionadores, as permissões, as saídas e as ferramentas são todos definidos de forma clara e explícita na definição do fluxo de trabalho.

Porque é que os processos determinísticos continuam a ser cruciais

O trabalho de projeto continua a exigir processos determinísticos.

Nos bastidores, os fluxos de trabalho agentivos continuam a ser criados com base no GitHub Actions, o que significa que podem combinar passos fixos e baseados em regras com trabalho de IA mais aberto. Isto é importante porque há muitos momentos em que se pretende um processo determinístico a trabalhar em conjunto com algo mais não determinístico, como um agente.

Um bom exemplo são os resumos semanais do estado. O agente pode ser útil para sintetizar o que mudou e transformá-lo num resumo útil, mas o primeiro passo — obter os comentários certos das incidências da vista de projeto certa durante o período correto — tem de ser preciso. Essa parte é melhor tratada como um passo determinístico antes de o agente começar a interpretar a informação.

Também começámos a separar estes fluxos de trabalho em componentes reutilizáveis. Um passo determinístico recolhia a informação de uma forma normalizada, enquanto um conjunto separado de instruções dizia ao agente como formatar o resumo para uma equipa específica. Isto é importante porque as equipas comunicam frequentemente informações semelhantes de formas ligeiramente diferentes.

A outra componente importante são as salvaguardas. Nos fluxos de trabalho agentivos, as “saídas seguras” podem restringir aquilo que o agente está autorizado a fazer. Por exemplo, um agente pode ter autorização para recolher dados de incidências, mas apenas para criar um pedido de alteração ou uma publicação numa discussão como saída. Isto torna mais seguro utilizar agentes com dados organizacionais sensíveis.

É aqui que entra a ideia mais abrangente de “processo como código”. Quando o fluxo de trabalho é dividido em passos determinísticos, instruções para o agente, saídas permitidas e pontos de revisão humana, o processo deixa de ser apenas documentação. Passa a ser algo que tanto os humanos como os agentes podem executar.

O nosso processo real não é apenas aquilo que está escrito. É aquilo que fazemos, aquilo de que falamos, aquilo que atualizamos efetivamente e aquilo que não atualizamos. Existe frequentemente uma diferença entre o que dizemos fazer e o verdadeiro sistema oculto que existe por baixo. Com este tipo de ferramentas, especialmente os fluxos de trabalho agentivos, podemos começar a fechar essa lacuna.

O nosso processo real não é apenas aquilo que está escrito. É aquilo que fazemos, aquilo de que falamos, aquilo que efetivamente atualizamos e aquilo que não atualizamos.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Chris ButlerOpens new window

Ex-diretor de Operações de Produto no GitHub

Como a AI está a mudar a entrega de projetos

Em breve, a AI eliminará a maior parte das verificações manuais da carga de trabalho de um gestor de projetos.

Os relatórios passarão de um modelo de envio para um modelo de consulta.

A AI calculará o risco em vez de o moldar. E poderemos criar relatórios que incluam dados quantitativos (datas, métricas) e qualitativos (discussões das pessoas, PRs) para criar um perfil de risco mais abrangente — em vez de deixar que os instintos da equipa determinem o estado vermelho/amarelo/verde.

O que significa isto para os gestores de projetos? Em última análise, no futuro não haverá empregos para "verificadores". E isso é bom. As pessoas não devem ser a automatização. Devemos obter automaticamente rascunhos de relatórios sem os recolhermos nós próprios. Não devemos deparar-nos com um novo problema ou item sem uma triagem automática.

Mas isso significa que os gestores de projetos precisam de mudar o seu foco para um trabalho humano mais valioso — como o alinhamento das partes interessadas e as decisões difíceis que mencionei anteriormente.

Por isso, aqui fica o meu conselho: adotem as ferramentas, mas verifiquem-nas. Assumam a responsabilidade pelas decisões difíceis. E falem com as partes interessadas.

O Chris partilha

Eis o meu conselho: adotem as ferramentas, mas verifiquem-nas. Assumam a responsabilidade pelas decisões difíceis. E falem com as partes interessadas.

Acompanhe

Pode acompanhar o trabalho de Chris Butler no LinkedIn.

Em breve, haverá mais entrevistas com especialistas no The Digital Project Manager!