CASE · INFRAESTRUTURA DE DADOS · 40 DEVS

Scalegrid: quando a revisão humana vira o gargalo

Quatro engenheiros seniores concentravam 80% das revisões de PR. Contratar mais gente era a resposta óbvia — e errada. A resposta certa foi dar escopo a um agente.

86%dos PRs com revisão automáticaera 12% no kickoff

−41%tempo de revisão humanadevolvido aos seniores

6agentes com escopo definidorevisão, testes, observabilidade

58score AI-Readiness hojeera 31 no kickoff

O PONTO DE PARTIDA

Um PR ficava em média 3,2 dias aguardando revisão. Não por falta de disciplina: por falta de gente sênior disponível para revisar tudo que 40 desenvolvedores produziam.

Tentativas anteriores de automatizar a revisão falharam por um motivo previsível: sem regras versionadas, o agente não tinha critério para aprovar ou rejeitar — só gerava ruído, e o time desligou. O diagnóstico inverteu a ordem: primeiro o contrato, depois o agente.

score AI-Readiness no kickoff: 31/100 · nível ASSISTIDO

O DIFF DO REPOSITÓRIO

estado do repositório no kickoff → estado hoje

@@ scalegrid/data-platform @@

pipelines/

connectors/

README.md

+ .rules/review-criteria.mdcritério de aprovação

+ .github/workflows/ai-review.ymlgate em todo PR

+ agents/reviewer.mdescopo e formato de comentário

+ agents/test-writer.mdtestes a partir do ADR

+ observability/tracing padronizado

+ ARCHITECTURE.md276 linhas

+ decisions/14 ADRs

A SEQUÊNCIA

SEMANAS 1–4Diagnóstico e blueprintscore 31 · revisão como gargalo de escala

MÊS 2Critério de revisão versionadoo que rejeita, o que aprova, o que escala para humano

MÊS 3Agente revisor com gate de merge12% → 63% de cobertura · espera de PR cai para 0,8 dia

MESES 4–5Testes e observabilidade por agente86% de cobertura de revisão · score 58

"Tentamos automatizar revisão duas vezes antes e falhamos. Faltava o critério escrito, não a ferramenta."

[nome] · VP de Engenharia, Scalegrid

Quantos PRs seus passam por revisão automatizada hoje?

Diagnosticar minha engenharia