Geração de Cenários de Teste com IA
Ir para notas que citam estaGeração de cenários de teste com IA é a prática de transformar código, HTML de página, documentação ou a execução real de uma aplicação por um agente em cenários e scripts de teste automatizados. Ela existe para encurtar a etapa em que alguém precisa imaginar, caso a caso, o que pode dar errado numa funcionalidade e depois traduzir isso em automação. Há dois caminhos principais: colar artefatos numa ferramenta de chat e pedir os cenários, ou deixar um agente como o Browser Use usar a aplicação e sugerir cenários a partir do que viu.
Cenários a partir de artefatos colados num chat
O fluxo mais simples é pegar um método de código cedido pelo desenvolvedor, o HTML da página ou um documento produzido por outra ferramenta, colar num assistente de chat como ChatGPT ou Claude e pedir que aquilo vire vários cenários de teste. O ganho é real, mas tem dois limites. Primeiro, não há contexto compartilhado: cada pessoa reconstrói o contexto do zero a cada conversa, reenviando página e documentação. Segundo, o resultado varia com o modelo que cada um usa, e o time acaba com artefatos inconsistentes entre si. A resposta a esses limites é um agente próprio que já conheça os padrões do projeto (de página, de massa de teste, de test case).
A Alucinação é o maior problema desse caminho. Fornecer vários exemplos concretos do formato esperado baliza o modelo e reduz o risco; daí a ideia de reunir, num kit compartilhado, scripts reais de Selenium, Robot Framework e Appium para alimentar os agentes.
Um limite apareceu cedo: só com prompt direto não se chega a um teste autônomo completo, em que a IA interpreta a tela, gera o script e o executa sozinha. Esse ciclo exige uma solução construída ao redor do modelo. O prompt isolado ainda rende histórias de usuário, cenários, roteiros de teste de aceitação e massa de dados.
Cenários a partir da execução por um agente
No outro caminho, o agente usa a aplicação antes de sugerir. Num único comando em inglês, pediu-se ao agente que acessasse o BugBank, aplicação de teste que simula um banco digital, fizesse um registro com credenciais à sua escolha e gerasse cenários para a página de registro. Ele identificou os campos, preencheu, criou a conta e devolveu a lista:
- registro com sucesso;
- e-mail já cadastrado;
- senha e confirmação diferentes;
- campos vazios;
- senha fraca;
- e-mail em formato inválido.
O agente ainda notou que a aplicação não persiste os dados, guardados só em memória local: reiniciar o teste apaga o cadastro. A resposta bruta é longa e pouco estruturada; formatá-la num assistente de chat e persisti-la fora da execução facilita o reaproveitamento, inclusive como código de teste em Cypress.
O agente propôs o cenário de e-mail duplicado sem reexecutar o registro para verificar se a aplicação de fato o rejeita. A lista é ponto de partida; validar cada cenário continua sendo trabalho do time, na linha da Revisão Humana de Saídas de IA.
Teste funcional versus regras de negócio
O agente cobre bem o teste funcional: navegar, preencher, cadastrar e checar a mensagem de sucesso. Regras de negócio mais profundas, como limite de caracteres ou validações específicas de campo, e a integração com banco de dados ficam fora, a menos que entrem como contexto adicional (as regras de cada campo, descritas por escrito). A distinção entre essas camadas está em Tipos de Teste de Software.
Isso cria um trade-off. Gerar scripts em Selenium a partir das regras de negócio, com fases de interpretação e geração, produz artefatos versionáveis e repetíveis. Deixar o agente executar o teste direto em linguagem natural elimina o script, mas não garante que o mesmo cenário rode igual em execuções diferentes. Os cenários sugeridos também não formam ainda um plano de teste formal: são insumo para ele.