Redução do débito técnico de testes em código com o auxílio de ferramentas de inteligência artificial generativa

Abstract

O débito técnico de testes constitui um desafio crítico no desenvolvimento ágil de software, decorrente, frequentemente, da priorização de novas funcionalidades em detrimento da qualidade e da validação rigorosa. Embora as ferramentas de Inteligência Artificial Generativa (GenAI) tenham apresentado rápida difusão no suporte ao desenvolvimento, sua aplicação em contextos corporativos enfrenta barreiras significativas. Tais limitações incluem o risco à confidencialidade do código-fonte e a carência de conhecimento específico, visto que os modelos pré-treinados não possuem contexto sobre o projeto ou apresentam informações desatualizadas. Este trabalho, estruturado como um estudo de caso em uma startup de tecnologia, propõe uma solução baseada na arquitetura de Geração Aumentada por Recuperação (RAG). O objetivo central é desenvolver e avaliar um sistema capaz de gerar testes automatizados end-to-end (E2E) para reduzir o débito técnico de testes. O protótipo, implementado em Python, utiliza a plataforma Ollama para a execução local de Grandes Modelos de Linguagem (LLMs), assegurando a privacidade do código. A base de conhecimento do RAG foi composta pelo código-fonte em React Native e pela documentação técnica da ferramenta Maestro. Os resultados demonstram que a arquitetura RAG local é uma estratégia viável e segura para auxiliar equipes de QA na redução do débito técnico, superando as limitações de modelos genéricos ao fornecer comandos contextualmente precisos.