Bancada AI for Devs
Ir para notas que citam estaA Bancada AI for Devs é a frente do Solutis LabS que explorou como a inteligência artificial pode ampliar a produtividade e a qualidade da engenharia de software, desativada como frente ativa, mas origem do QAssist.
Seu objetivo cobria o ciclo de desenvolvimento inteiro visto pela lente da IA: copilots, coding agents, geração de código, geração de testes, refatoração assistida, engenharia aumentada por IA, automação do ciclo de desenvolvimento e experiência de quem desenvolve. Na prática, o percurso da Bancada foi estreitando esse leque, da curiosidade sobre ferramentas de geração de código até uma aposta bem definida em qualidade de software.
O torneio entre assistentes de codificação
O primeiro ciclo foi de ampliação de repertório nas ferramentas de geração de código que estavam surgindo, usadas ali sobretudo como forma de desbloquear a criatividade de quem desenvolve.
Dessa varredura saíram três assistentes de codificação para uma comparação pública. O grupo se dividiu em times, cada um encarregado de explorar e defender uma ferramenta em apresentação aberta, e o resultado foi decidido por votação de quem assistiu. O GitHub Copilot foi o eleito. O formato importa tanto quanto o vencedor: a comparação obrigou cada time a usar a ferramenta a fundo para poder sustentá-la, o que gerou mais repertório do que uma avaliação feita por uma pessoa só.
Qual perfil mais ganha com IA na qualidade de software
O ciclo seguinte trocou a pergunta sobre ferramentas por uma pergunta sobre pessoas: qual perfil profissional consegue aumentar mais a qualidade do software usando IA. A investigação avaliou vários perfis, com discordâncias registradas pelo caminho, e chegou ao analista de qualidade como o de maior potencial.
Essa conclusão é a dobradiça da bancada. Ela desloca o foco da IA que escreve código para a IA que verifica software, e é dela que nasce todo o trabalho seguinte.
Os três atos dos testes autônomos
Com testes autônomos como inspiração, a exploração foi dividida em três atos:
- Interpretação de artefatos da aplicação, como a documentação existente.
- Geração de artefatos de teste a partir dessa interpretação.
- Execução dos testes de forma totalmente autônoma.
O terceiro ato não avançou. A conclusão do grupo na época foi que a tecnologia disponível ainda não estava pronta para autonomia total, e a bancada preferiu registrar o limite a forçar uma demonstração frágil. Os dois primeiros atos concentraram exploração conceitual e prática suficiente para virar um Learning Prototype próprio, o primeiro da bancada.
O legado depois da desativação
A bancada foi desativada como frente ativa e, por isso, não aparece como planeta na Visão Tech, o mapa dos domínios que a empresa explora. O que sobrevive dela é o protótipo de agentes de IA para artefatos de teste, descrito em QAssist, e a tese de que o maior ganho da IA na engenharia de software está na verificação, não apenas na escrita de código.