Pular para o conteúdo
LabS Atlas
Solutis LabS
Entrar

Bancada AI for Devs

Ir para notas que citam esta
atualizado há 25 diasEntre para perguntar ao Labinho sobre esta notaO Labinho é o assistente que responde com as notas e as sessões do LabS e mostra de onde tirou cada resposta.

A 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:

  1. Interpretação de artefatos da aplicação, como a documentação existente.
  2. Geração de artefatos de teste a partir dessa interpretação.
  3. 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.