Para começar, vale uma constatação direta: o Asaas, plataforma financeira e operacional mais completa do Brasil, já produz aproximadamente 30% do seu código fonte com apoio de inteligência artificial. Ou seja, a IA deixou o território da curiosidade técnica e passou a ocupar o fluxo rotineiro do time de engenharia.

Além disso, o ganho não para no código. Em processos densos de análise de negócio, a produtividade também cresceu cerca de 30%. Portanto, estamos falando de uma mudança estrutural, não de um piloto isolado.

E para devs, isso levanta uma pergunta que vale a leitura: como uma fintech em rota de IPO está orquestrando IA com governança, sem virar refém de um único provedor? Vamos por partes.

Por que o Asaas apostou em IA estruturada e não em ferramentas avulsas

Primeiro, é preciso entender o contexto. O Asaas opera em um setor onde escala e regulação caminham lado a lado. Consequentemente, qualquer adoção de IA precisa equilibrar velocidade e responsabilidade.

Em vez de liberar ferramentas soltas para cada desenvolvedor, a empresa criou uma estratégia corporativa. Dessa forma, a IA passou a apoiar etapas do ciclo de desenvolvimento com acesso controlado a contexto, diretrizes e dados sensíveis.

Na prática, isso significa três coisas:

• A IA ajuda a interpretar demandas antes do código nascer.
• Ela contribui na preparação de entregas para revisão.
• A supervisão humana permanece nas etapas decisivas.

Como resultado, o ganho não é só de velocidade. Ele aparece também em padronização, qualidade e previsibilidade — palavras que, convenhamos, todo time de engenharia gosta de ver no roadmap.

Revisões automatizadas: o copiloto invisível do code review

A propósito, um dos pontos mais interessantes para quem vive de pull request é o uso de revisões automatizadas. Segundo Fernando Chagas, CTO do Asaas, essas revisões apoiam a identificação de potenciais falhas e verificam se o código segue os padrões técnicos definidos pela casa.

Em outras palavras, o reviewer humano não é substituído. Ele ganha um copiloto que reduz ruído e devolve foco para o que realmente importa: arquitetura, lógica de negócio e decisões críticas.

Além disso, a abordagem reforça algo que muitos times negligenciam. A IA precisa entrar no processo, não apenas no editor de código. Caso contrário, vira novidade efêmera.

AI Gateway: a camada que evita o lock-in de modelos

Agora, vamos ao componente mais técnico e, talvez, o mais relevante para arquitetos e tech leads. O Asaas construiu uma plataforma corporativa chamada AI Gateway.

Basicamente, ela funciona como uma camada única de acesso a múltiplos modelos, tanto de mercado quanto internos. Por consequência, a empresa evita dependência excessiva de um único fornecedor e mantém liberdade para escolher o modelo ideal para cada caso.

Os pilares do AI Gateway incluem:

• Roteamento de modelos, permitindo trocar provedores conforme o caso de uso.
• Mecanismos de fallback, que garantem continuidade quando um provedor fica indisponível.
• Bases de conhecimento prontas, que contextualizam tarefas com informações internas de forma auditável.
• Rastreabilidade e governança, alinhadas às políticas de acesso da empresa.

Para times que convivem com SLAs apertados, esse desenho de resiliência é especialmente valioso. Afinal, depender de um único endpoint externo é receita conhecida para incidentes em produção.

Chat corporativo e assistentes personalizados: IA fora do terminal

Além do gateway, há uma camada de adoção que merece atenção. O Asaas disponibiliza um chat corporativo conectado ao AI Gateway, reduzindo o atrito para experimentação.

Mais do que isso, a interface permite criar assistentes personalizados por colaborador ou equipe. Dessa maneira, a IA chega às rotinas reais de trabalho, e não fica presa a um playground técnico.

Por exemplo, um time de produto pode ter um assistente afinado com sua documentação. Já o time de engenharia pode contar com agentes especializados na base de código. Cada caso ganha um ferramental sob medida.

IA aplicada ao crédito: documentos que se leem sozinhos

Saindo da engenharia, vale olhar para um caso de negócio que ilustra bem o pragmatismo da estratégia. O Asaas automatizou parte do processamento de documentos de lastro na antecipação de recebíveis.

Para quem não conhece, antecipação de recebíveis é um tipo de crédito em que a empresa adianta valores de vendas já realizadas. Tradicionalmente, o fluxo é manual, lento e cheio de fricção, já que os documentos chegam em formatos heterogêneos.

Com a nova solução, a IA cuida da parte chata:

• Faz a leitura e interpretação dos documentos.
• Extrai informações relevantes.
• Gera resumos para os analistas.
• Valida automaticamente os campos esperados versus os encontrados.

Contudo, a decisão final permanece com o analista, em um modelo human-in-the-loop. Como resultado, o ganho de produtividade já chega a 30% e a expectativa é crescer nos próximos ciclos. Em paralelo, um modelo para previsão de inadimplência deve entrar em beta no segundo trimestre.

Prevenção a fraudes: IA proprietária em cima de transações sensíveis

Outro caso que merece destaque, especialmente para devs que trabalham com risco e segurança, é a prevenção a fraudes. Diante do crescimento acelerado das transações digitais, o Asaas vem desenvolvendo modelos proprietários para essa frente.

Entre as iniciativas em andamento, duas se destacam. A primeira é a avaliação de risco de fraude no nível da conta. A segunda é a análise em tempo real de transações de cash out, etapa naturalmente sensível pela criticidade das validações.

Em síntese, a ideia é identificar padrões suspeitos antes que o prejuízo aconteça. Por sua vez, isso fortalece a confiança da base de clientes, que já passa de 260 mil empresas.

Times dedicados: AI Enablement e AI Tools

Por fim, nada disso acontece sozinho. Para sustentar a adoção com consistência, o Asaas mantém dois times centrais.

Primeiro, há o AI Enablement, que estrutura e amplia o uso de IA em toda a organização. Esse grupo atua como ponte entre tecnologia, produto e operações, oferecendo infraestrutura e suporte técnico especializado.

Em seguida, dentro da Engenharia, existe o time AI Tools, responsável por padronizar o uso de IA no desenvolvimento de software. Inclusive, essa estrutura marcou a transição de uma fase exploratória, em que cada dev testava abordagens isoladas, para um modelo mais maduro, com agentes especializados na base de código.

Para times de engenharia que estão começando essa jornada, o aprendizado é claro. Sem um squad dedicado, a adoção de IA tende a virar uma colcha de retalhos.

O que devs podem tirar do caso Asaas

Em resumo, há três lições práticas que valem para qualquer time técnico, independentemente do porte da empresa.

Primeiro, IA generativa funciona melhor quando entra no processo, e não apenas no IDE. Segundo, governança e liberdade de escolha de modelos não são opostos, e sim complementos, como mostra o AI Gateway. Por último, casos de uso de negócio, como crédito e antifraude, costumam render mais ROI do que automações genéricas.

Por outro lado, vale o lembrete: nada disso substitui o julgamento humano. A IA acelera, mas a engenharia continua sendo feita por pessoas que pensam, debatem e decidem.

E é justamente esse equilíbrio que o Asaas vem tentando construir, em uma jornada que ainda tem muito a evoluir nos próximos ciclos.