Migrações com IA: Asana relata US$ 5,9 mi economizados em duas semanas

O caso da Asana

A OpenAI afirma que a Asana eliminou o Enzyme, sistema de testes considerado obsoleto, em duas semanas usando o Codex. O trabalho consumiu cerca de US$ 12 mil em modelos e infraestrutura, contra uma estimativa anterior de aproximadamente US$ 6 milhões e até cinco anos para a execução tradicional. A migração foi feita por engenheiros durante cerca de uma semana e meia de esforço, distribuída em duas semanas de calendário.

A comparação, porém, exige contexto. Enzyme e React Testing Library (RTL), para onde a Asana migrou, adotam abordagens diferentes: o primeiro testa instâncias de componentes; o segundo testa o Document Object Model renderizado, aproximando-se da página vista pelo usuário. Por isso, a conversão envolve reescrever testes com sintaxe e pressupostos distintos, sobretudo nos fluxos complexos.

O que os números representam

O autor considera crível que a Asana tenha concluído a etapa em duas semanas, mas avalia que o custo de US$ 6 milhões provavelmente foi superestimado. A cifra era uma estimativa de referência, calculada a partir do tempo presumido para migrar e validar cada arquivo restante, remover vestígios do framework e multiplicar o resultado pelo custo horário de engenheiros. O cálculo não incorporava ganhos de eficiência ao trabalhar em muitos arquivos nem o uso de modelos de linguagem.

Dan Ubilla, responsável pelo grupo de produtividade de desenvolvimento da Asana, esclareceu que a empresa começou a migração em 2024 e tinha mais de 4 mil arquivos Enzyme. Uma primeira fase migrou cerca de 25%, priorizando testes fáceis de converter ou frequentemente alterados, além de melhorar simulações, preparação de dados e instrumentação de cobertura. O restante era uma tarefa oportunística, de baixa prioridade, enquanto a empresa também lidava com migrações críticas e importantes. Assim, os cinco anos indicavam quando o trabalho seria concluído nesse ritmo, e não cinco anos de dedicação contínua de uma equipe.

Evidências de outras migrações

A Airbnb relatou ter convertido 3.500 arquivos de testes em seis semanas com LLMs, contra uma previsão manual de 1,5 ano de engenharia. A equipe criou ciclos de tentativa e repetição: 75% dos arquivos foram migrados em quatro horas; uma cadeia de refatoração mais sofisticada levou a maior parte dos restantes, chegando a 97% após quatro dias; os 3% finais exigiram intervenção de engenheiros por uma semana.

Outros exemplos reforçam a tese. A Uber migrou 600 mil testes unitários, cobrindo 15 milhões de linhas, do JUnit 4 para o JUnit 5 em quatro meses, com dois engenheiros e IA, totalizando oito meses de esforço de engenharia e custos de IA. A Bun informou uma migração de 530 mil linhas de Zig para Rust em duas semanas, com US$ 165 mil de custo de API. Como contraponto de projetos anteriores à IA, a Sentry levou 1,5 ano para converter 1.100 arquivos e 95 mil linhas de JavaScript para TypeScript.

Implicações

A conclusão é que a IA pode tornar viáveis migrações longas, adiadas e pouco atraentes, reduzindo o período em que equipes precisam manter bibliotecas antigas. Isso não significa automação sem supervisão: os engenheiros precisam planejar o processo, criar ciclos de verificação e participar da execução. A Asana agora pretende aplicar LLMs a outras migrações demoradas. O autor também sugere que modelos mais baratos, inclusive abertos e executados por provedores de inferência ou GPUs próprias, poderiam reduzir ainda mais os custos em execuções futuras.