Resumo Técnico: Adoção de Modelos de Linguagem de Grande Escala (LLMs) na Gestão Scrum

Declaração do Problema

Embora os Modelos de Linguagem de Grande Escala (LLMs) tenham demonstrado um impacto significativo em atividades técnicas de engenharia de software (ex: codificação, testes, depuração), há uma escassez de evidências empíricas sobre sua aplicação em atividades de gestão Scrum. A gestão Ágil é inerentemente intensiva em conhecimento, dependendo de ambiguidade, negociação, priorização e dinâmica humana. A literatura existente foca amplamente em tarefas técnicas ou permanece confinada a protótipos e cenários educacionais. Consequentemente, as organizações correm o risco de adotar LLMs em contextos de gestão baseadas em "hype", potencialmente levando à dependência excessiva, propagação de resultados enviesados, violações de confidencialidade e erosão da responsabilidade compartilhada da equipe. Este estudo aborda essa lacuna investigando como profissionais de software estão incorporando atualmente os LLMs em suas práticas de gestão Scrum, especificamente dentro da indústria de software brasileira, que representa um mercado grande e em rápido crescimento.

Metodologia

O estudo utiliza um design de pesquisa baseado em levantamento (survey) seguindo diretrizes sistemáticas para pesquisas de engenharia de software (Wagner et al.).

• Público-alvo: Profissionais com experiência prática em projetos baseados em Scrum.
• Estratégia de Amostragem: Uma abordagem não probabilística combinando amostragem por conveniência e bola de neve. O recrutamento ocorreu via comunidades Ágeis no LinkedIn, listas de e-mail profissionais e contatos acadêmicos/industriais.
• Instrumento: Um questionário de nove seções hospedado no Google Forms, estruturado em torno de quatro Questões de Pesquisa (RQs) derivadas de um framework de Objetivo-Pergunta-Métrica (GQM). O instrumento incluiu itens de múltipla escolha (escalas Likert, medidas de frequência) e perguntas abertas.
• Coleta de Dados: A pesquisa ficou aberta durante outubro e novembro de 2025.
• Tamanho da Amostra: 70 profissionais brasileiros completaram a seção demográfica. Destes, 49 trabalharam em um projeto Scrum nos últimos seis meses, e 33 relataram usar ativamente assistentes baseados em LLM em suas práticas de Scrum. A análise foca neste subconjunto de 33 usuários ativos.
• Análise: A análise quantitativa (frequências, porcentagens, médias) foi combinada com a codificação qualitativa (abordagem mista dedutiva–indutiva) para respostas abertas. Dois pesquisadores codificaram independentemente uma subamostra para garantir a confiabilidade.

Principais Contribuições

O artigo fornece uma das primeiras caracterizações empíricas do uso de LLM na gestão Scrum, oferecendo três insights primários:

1. Mapeamento das Práticas Atuais: Uma categorização detalhada de como os profissionais brasileiros empregam LLMs através de artefatos, eventos e papéis do Scrum.
2. Quantificação dos Benefícios Percebidos: Identificação de áreas de valor tangível, como ganhos de produtividade e melhorias na documentação.
3. Identificação de Barreiras e Riscos: Exposição de desafios críticos, incluindo questões de confiança, riscos de confidencialidade e saídas não confiáveis, que são essenciais para orientar a adoção responsável.

Resultados

RQ1: Níveis de Conhecimento e Uso

• Proficiência: A base de usuários é relativamente madura. Entre os usuários ativos, 85% relatam proficiência intermediária ou avançada (61% "Qualificado", 21% "Proficiente").
• Frequência: O uso é rotineiro, não exploratório. 52% usam LLMs diariamente, e 18% semanalmente.
• Ferramentas: A adoção está concentrada nos principais ecossistemas: ChatGPT (100%), Gemini (82%) e Copilot Chat (67%).
• Governança: As políticas organizacionais são fragmentadas; 36% relatam não possuir política, 36% possuem políticas formais e 45% seguem um processo prescrito, indicando que a adoção é amplamente impulsionada pelos próprios profissionais.

RQ2: Adoção em Práticas Scrum

Os LLMs são utilizados principalmente como ferramentas cognitivas de suporte, em vez de substitutos para a tomada de decisão humana. A intensidade de adoção varia por categoria:

• Exploração do Scrum: Maior adoção (65–85% de uso atual ou planejado). Os profissionais utilizam LLMs para esclarecer conceitos, explorar práticas e encontrar recursos.
• Artefatos: Adoção substancial (72–87% de uso atual ou planejado). Alta aceitação para tarefas intensivas em texto, como escrita de Itens do Backlog do Produto (PBIs), definição de Requisitos Não Funcionais (NFRs) e melhoria de Metas da Sprint.
• Eventos: Adoção seletiva. Sumarização e síntese (ex: feedback da Sprint Review) são comuns (64–68%), enquanto tarefas interpretativas como desenhar pautas ou identificar impedimentos mostram menor adesão devido à necessidade de nuance contextual.
• Outras Tarefas de Gestão: Adoção cautelosa (20–50%). Os profissionais resistem ao uso de LLMs para atividades orientadas a valor ou sensíveis ao consenso, como definir a visão do produto ou melhorar acordos de trabalho.

RQ3: Benefícios Percebidos

• Produtividade e Qualidade: 78% dos respondentes citam aumento de produtividade e melhoria na qualidade dos artefatos.
• Redução de Esforço: 75% relatam redução de esforço manual em tarefas repetitivas.
• Trabalho de Conhecimento: 59% observam melhorias na documentação e compartilhamento de conhecimento; 50% relatam suporte para a tomada de decisão.
• Diferenças de Papéis: Desenvolvedores relatam a maior utilidade percebida (84%), seguidos por Scrum Masters (56%). Product Owners apresentam percepções mistas, refletindo a natureza estratégica de suas responsabilidades.

RQ4: Riscos e Desafios

• Confiabilidade: O problema mais citado é receber saídas que são "quase corretas, mas não totalmente" (81%). 59% relatam alucinações, e 63% citam alta variabilidade na qualidade das saídas.
• Segurança e Ética: 63% expressam preocupações sobre confidencialidade e privacidade; 56% citam incertezas legais e éticas.
• Impacto Humano: Existem preocupações moderadas de que a dependência excessiva possa erodir a compreensão dos processos Scrum (quase 30%) ou borrar a responsabilidade (23%).

Significância e Alegações

O artigo alega fornecer uma base empírica para entender a integração de LLMs na gestão Ágil, indo além da especulação teórica. Ele destaca que, embora os LLMs sejam eficazes como "auxílios cognitivos" para tarefas textuais, analíticas e exploratórias, eles ainda não são confiáveis para a tomada de decisão autônoma em atividades de gestão estratégica ou de consenso do Scrum.

Os autores enfatizam que a adoção responsável requer:

1. Supervisão Humana: As equipes devem manter a propriedade sobre negociação, priorização e tomada de decisão para evitar a erosão da responsabilidade.
2. Governança Organizacional: Diretrizes explícitas sobre compartilhamento de dados, validação de conteúdo e uso aceitável são necessárias para mitigar riscos de confidencialidade e legais.
3. Verificação Crítica: Os profissionais devem tratar as saídas de IA como rascunhos que exigem verificação, especialmente dada a alta frequência de erros "quase corretos".

O estudo conclui que, embora os LLMs ofereçam ganhos claros em eficiência e alívio cognitivo, sua integração na gestão Scrum é atualmente um fluxo de trabalho híbrido humano-IA, onde o elemento humano permanece central para gerenciar a ambiguidade e garantir o significado compartilhado. Sugere-se pesquisas futuras para explorar mudanças longitudinais no aprendizado da equipe e na responsabilidade conforme essas ferramentas evoluem.