Como a Grab usa uma defesa em camadas para conter falhas provocadas por código gerado por IA

A Grab adotou uma estratégia de defesa em camadas para preservar a estabilidade de seu aplicativo móvel diante do aumento no volume de código produzido por assistentes de inteligência artificial. A abordagem combina análise estática, testes automatizados, lançamento gradual, feature flags e monitoramento em tempo real para prevenir, detectar e conter falhas sem comprometer a velocidade de desenvolvimento.

A empresa reconhece que a inteligência artificial acelerou a produção de código. Segundo a Grab, “a IA está aumentando a velocidade com que o código é escrito; a defesa em camadas é o que torna essa velocidade segura”. Com uma alta frequência semanal de solicitações de integração entre diversas equipes, qualquer alteração pode introduzir um crash capaz de afetar milhões de sessões.

Para reduzir esse risco, o ciclo de desenvolvimento foi organizado em três frentes: prevenção, do período anterior à integração do código até a pré-produção; controle da exposição durante o lançamento; e resposta rápida após a disponibilização da versão aos usuários.

Na etapa que antecede a integração e a pré-produção, o objetivo é impedir que falhas escapem dos ambientes internos. A Grab utiliza analisadores estáticos, como Android Lint e SwiftLint, com regras da comunidade e configurações próprias adaptadas ao aplicativo. Também são realizadas baterias de testes automatizados e verificações manuais de qualidade antes que o código seja integrado ao ramo principal.

Um dos principais componentes dessa fase é o Grab Early Access (GEA), programa que distribui versões internas do aplicativo a um grupo selecionado de funcionários da companhia, com monitoramento ativo de falhas. De acordo com a empresa, um crash identificado por poucos usuários internos no GEA poderia representar, em escala de produção, um aumento significativo na taxa de falhas, maior demanda para o suporte e a necessidade de uma correção emergencial. Por isso, a captura de problemas antes de chegarem ao público é considerada uma das principais barreiras de estabilidade da Grab.

Concluída a pré-produção, a companhia controla a exposição dos riscos em ambiente real. A nova versão não é liberada simultaneamente para toda a base: o rollout é gradual, começando por uma pequena parcela de usuários e sendo ampliado conforme os índices de estabilidade são acompanhados.

Caso seja identificado um aumento anormal de crashes na fase inicial, o lançamento pode ser interrompido antes que o problema alcance toda a base. Paralelamente, muitas funcionalidades são protegidas por feature flags, chaves de configuração que permitem ativar ou desativar recursos sem a necessidade de enviar uma nova versão às lojas de aplicativos.

Esse mecanismo funciona como uma espécie de freio de emergência. Se uma funcionalidade recém-ativada elevar a taxa de falhas acima dos limites definidos, a respectiva flag pode ser desligada imediatamente, reduzindo os impactos para usuários e equipes de suporte.

Após a liberação da versão, a Grab mantém o monitoramento em tempo real dos crashes por meio do Firebase Crashlytics integrado ao BigQuery. A estrutura permite identificar anomalias assim que uma compilação chega ao ambiente de produção.

Processos automatizados de triagem agrupam os relatórios de falhas, acrescentam metadados das sessões e ajudam a relacionar cada crash a solicitações de integração específicas, ao momento em que uma feature flag foi ativada ou a determinado lote do rollout. Com isso, a empresa reduz o intervalo entre a identificação do problema e a localização do trecho de código responsável.

A Grab também realiza análises pós-incidente. Com base nos problemas detectados em produção, as equipes refinam as regras de lint e ampliam a cobertura de testes para cenários que não foram identificados inicialmente, estabelecendo um processo de melhoria contínua.

A adoção acelerada de assistentes de IA é o principal contexto dessa estratégia. Essas ferramentas permitem produzir código com mais rapidez e em maior volume. Em um aplicativo da escala da Grab, isso representa mais alterações por lançamento, um número maior de combinações de código e, consequentemente, mais possibilidades de falha.

Além de prejudicar a experiência do usuário, cada crash reduz a taxa de sessões livres de falhas, pode afetar a classificação do aplicativo na Google Play e gera custos adicionais com suporte, correções emergenciais e manutenção de versões problemáticas em dispositivos que não são atualizados com frequência.

Nesse cenário, a defesa em camadas busca equilibrar a velocidade proporcionada pela IA com a necessidade de manter o serviço confiável. Os usuários tendem a ser beneficiados pela redução de travamentos e interrupções, enquanto a empresa busca evitar danos à reputação e ao desempenho do aplicativo nas lojas.

A estratégia, no entanto, exige que a área de engenharia opere um pipeline mais sofisticado, com integração entre analisadores estáticos, testes automatizados, monitoramento contínuo e respostas coordenadas a incidentes. Para isso, as equipes de desenvolvimento, qualidade e operações precisam trabalhar de maneira cada vez mais integrada.

Internamente, o Grab Early Access é tratado como uma das principais barreiras de proteção por identificar falhas que seriam mais caras e difíceis de corrigir em produção. A partir dos dados coletados após cada lançamento, a empresa ajusta fluxos, regras de lint e testes como parte do processo de aperfeiçoamento contínuo.

Com mais de 250 mil desenvolvedores na comunidade de referência que acompanha essas práticas, a expectativa é que abordagens semelhantes sejam adotadas por outras equipes que trabalham com código gerado por IA. A tendência é que modelos de defesa em camadas se tornem uma referência para conciliar inovação acelerada e confiabilidade.

Na Grab, os próximos passos incluem o refinamento das ferramentas, a ampliação da automação na triagem de incidentes e a aplicação da mesma lógica de proteção a outras plataformas e produtos do ecossistema.

Fonte: Miraí Broadcast