Artigo

Anna Luiza Marques Lopes; Beatriz Cristina de Freitas

DOI: 10.22167/2675-6528-202601606

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A gestão de riscos em projetos de engenharia de software apresenta desafios relevantes, especialmente em contextos de elevada complexidade e incerteza, onde a identificação e análise de riscos nem sempre ocorrem de forma estruturada. Analisou-se a contribuição da Inteligência Artificial (IA) generativa no processo de identificação e análise de riscos na fase de planejamento de projetos de Engenharia de Software. A pesquisa foi conduzida por meio de um estudo exploratório e descritivo, utilizando um estudo de caso em um projeto real de desenvolvimento de software. Elaborou-se e aplicou-se um prompt estruturado com base nas práticas do PMBOK. A metodologia envolveu a coleta de informações do projeto, interação com a ferramenta de IA, identificação e classificação dos riscos, construção de uma matriz de probabilidade e impacto, e validação dos resultados junto à equipe do projeto. Os resultados indicaram que a ferramenta estruturou informações dispersas, identificou riscos relevantes em diferentes dimensões e evidenciou lacunas importantes no planejamento, contribuindo para a melhoria da análise de riscos. Observou-se, contudo, que a qualidade das respostas dependeu diretamente do nível de detalhamento das informações fornecidas, demandando validação por especialistas. Concluiu-se que a Inteligência Artificial demonstrou potencial como ferramenta complementar à gestão de riscos, especialmente na fase inicial de planejamento, desde que utilizada de forma integrada ao julgamento humano.

Palavras-chave: identificação de riscos; inteligência artificial generativa; matriz de probabilidade e impacto; matriz de riscos; planejamento de projetos.

1. Introdução

A gestão de riscos em projetos é um componente essencial para o sucesso e a sustentabilidade de empreendimentos, independentemente de sua natureza. De acordo com o Project Management Institute (PMI), por meio do PMBOK (2017), o principal objetivo da gestão de riscos é maximizar a probabilidade e o impacto de eventos positivos, enquanto se minimiza a ocorrência e os efeitos de riscos negativos. Essa abordagem proativa é fundamental para otimizar as chances de alcançar os objetivos do projeto dentro dos prazos, custos e requisitos de qualidade estabelecidos. No contexto da Engenharia de Software, a aplicação eficaz da gestão de riscos assume um papel ainda mais crítico, dada a complexidade inerente e a natureza dinâmica do Ciclo de Vida do Desenvolvimento de Software (SDLC), onde a confiabilidade dos resultados é diretamente impactada pela capacidade de antecipar e mitigar incertezas.

A relevância de um gerenciamento de riscos robusto em projetos de software não é uma preocupação recente. Estudos históricos, como o conduzido por Boehm em 1991, já apontavam para a fragilidade desse processo. Em uma pesquisa abrangente com seiscentas empresas, Boehm (1991) revelou que uma parcela significativa, trinta e cinco por cento, dessas organizações enfrentou projetos de software que saíram do controle. Uma grande parte desses problemas foi diretamente atribuída à ausência ou insuficiência de práticas de identificação e tratamento de riscos desde as etapas iniciais do projeto. Esse cenário, infelizmente, ainda se manifesta em abordagens contemporâneas, com o PMBOK (2017) continuamente reforçando o gerenciamento de riscos como um dos pilares para o sucesso em ambientes de alta complexidade e incerteza, destacando a necessidade de métodos eficazes para antecipar e mitigar eventos adversos.

O Project Management Institute (PMI) estabelece um conjunto estruturado de processos para a gestão de riscos, que abrange desde o planejamento e a identificação até a análise qualitativa e quantitativa, a formulação de respostas e o monitoramento contínuo (PMBOK, 2017). Essas diretrizes são amplamente reconhecidas e oferecem um framework aplicável a diversos tipos de projetos, incluindo os de software. Contudo, a efetividade dessas abordagens tradicionais é frequentemente limitada por fatores como a incerteza inerente aos projetos, a dinamicidade do ambiente de desenvolvimento e a subjetividade presente na avaliação dos riscos, conforme apontado por Sabbag (2004).

No domínio específico da Engenharia de Software, a complexidade e a constante evolução tecnológica intensificam os desafios. Bhoola et al. (2014) observam que as estratégias de resposta a riscos são, muitas vezes, empregadas de forma reativa, priorizando ações corretivas após a materialização de eventos indesejáveis, em detrimento de abordagens preventivas e proativas. Além disso, há uma lacuna persistente entre a identificação dos riscos e a definição de respostas adequadas, o que compromete a capacidade dos processos tradicionais de apoiar a tomada de decisão em cenários de incerteza e interdependências. Titarenko (2025) reforça que, mesmo com a existência de métodos consolidados, gestores enfrentam dificuldades na aplicação prática dos processos de identificação, análise e monitoramento de riscos em projetos complexos, devido à multiplicidade de fatores envolvidos e à natureza volátil dos ambientes de projeto. Essas limitações evidenciam que os avanços metodológicos, por si só, não têm sido suficientes para eliminar fragilidades estruturais na gestão de riscos, especialmente em contextos de elevada incerteza.

Diante dessas limitações, o interesse em tecnologias emergentes, como a Inteligência Artificial (IA), tem crescido significativamente como uma alternativa para aprimorar a gestão de riscos. Ajiga et al. (2024) destacam que a IA generativa, em particular, tem sido explorada em diversas atividades da Engenharia de Software, incluindo a automação de tarefas, o suporte à qualidade e a análise de grandes volumes de dados. A IA generativa refere-se à capacidade de sistemas computacionais de aprender a partir de dados e produzir inferências que simulam aspectos do raciocínio humano. Estudos recentes, como os de Faruk et al. (2025), sugerem que ferramentas baseadas em IA podem oferecer um suporte valioso na avaliação e priorização de riscos, por meio da identificação de padrões e da geração de recomendações automatizadas. Essa capacidade contribui para reduzir a dependência de julgamentos subjetivos e ampliar a capacidade de antecipar eventos não previstos, oferecendo um potencial significativo para aprimorar a gestão de riscos em projetos de software.

Nesse contexto, considerando as limitações das abordagens tradicionais e as incertezas quanto ao uso da IA generativa, este estudo busca investigar como a utilização de Inteligência Artificial generativa pode apoiar a identificação e análise de riscos na fase de planejamento de projetos de Engenharia de Software. O problema de pesquisa formulado é: como a utilização de Inteligência Artificial generativa pode apoiar a identificação e análise de riscos na fase de planejamento de projetos de Engenharia de Software? Assim, o objetivo deste estudo é avaliar os potenciais benefícios da aplicação de Inteligência Artificial generativa na gestão de riscos durante a fase de planejamento do Ciclo de Vida do Desenvolvimento de Software, investigando de que forma essa tecnologia pode apoiar e aprimorar a identificação de riscos em projetos de software.

2. Material e Métodos

A pesquisa foi conduzida como um estudo exploratório e descritivo, adotando a abordagem de estudo de caso para investigar a aplicação de Inteligência Artificial generativa na gestão de riscos. O estudo, realizado em um projeto de uma empresa de consultoria de software em São Paulo, focou no desenvolvimento de uma aplicação web mobile para criação de bebidas customizáveis, na fase de planejamento do Ciclo de Vida do Desenvolvimento de Software. A equipe envolvida era composta por uma gerente de projetos, um arquiteto de software e um desenvolvedor sênior. A metodologia permitiu uma compreensão aprofundada das práticas em contexto real.

Para a investigação, utilizou-se o ChatGPT, um modelo de Inteligência Artificial generativa da OpenAI, capaz de processar dados e gerar respostas contextualizadas. O instrumento de coleta de dados foi um prompt estruturado, elaborado pela pesquisadora sob orientação docente, com base nas diretrizes do PMBOK (PMI, 2017) e na experiência profissional em gestão de projetos. Esse prompt continha instruções detalhadas para orientar a ferramenta na identificação e análise de riscos, considerando os processos de identificação, análise e planejamento de respostas a riscos do PMI.

A coleta de dados iniciou-se com a reunião de informações relevantes do projeto, incluindo escopo, requisitos funcionais e não funcionais, prazos, tecnologias, estrutura da equipe e dependências. Esses dados serviram de base para a aplicação do prompt estruturado. A gerente de projetos foi a responsável pela interação com a ferramenta de IA, que guiou a coleta por meio de perguntas sequenciais sobre os diversos aspectos do projeto.

Para validar os riscos identificados, realizou-se uma comparação com as boas práticas do PMI e com a percepção da equipe envolvida no projeto. A validação foi conduzida por meio de reuniões com a equipe de desenvolvimento, visando avaliar a consistência, relevância e aplicabilidade dos achados. A pesquisa foi realizada com fins exclusivamente acadêmicos, garantindo o anonimato das informações organizacionais e dos profissionais envolvidos, sem coleta de dados sensíveis ou identificação direta de participantes, dispensando submissão ao Comitê de Ética em Pesquisa (CEP). Contudo, o estudo de caso único limita a generalização dos resultados, exigindo cautela na extrapolação das conclusões.

3. Resultados e Discussão

A aplicação do prompt estruturado, desenvolvido conforme as diretrizes do PMBOK (PMI, 2017) e a experiência em gestão de projetos de Engenharia de Software, demonstrou ser um instrumento eficaz para guiar a interação com a Inteligência Artificial generativa. Este processo permitiu a coleta e a organização de informações detalhadas sobre o projeto analisado, abrangendo aspectos como contexto, objetivo, escopo, requisitos, prazos, dependências, arquitetura, tecnologias, estrutura da equipe e premissas. A ferramenta de IA, ao seguir as instruções do prompt, conduziu a interação de forma sequencial, facilitando a estruturação de dados que, de outra forma, poderiam permanecer dispersos ou informais na fase inicial de planejamento.

O processo de interação entre o gestor de projetos e a ferramenta de IA, desde a coleta de informações até a análise final, foi fundamental para a identificação e classificação dos riscos. A abordagem adotada permitiu que a IA generativa atuasse como um facilitador na organização e na interpretação dos dados do projeto, transformando informações brutas em elementos estruturados para a gestão de riscos. A Figura 3 ilustra essa dinâmica, evidenciando as etapas de entrada de informações, a aplicação do prompt, a integração com a IA e a subsequente estruturação e análise dos resultados, culminando na matriz de riscos.

Figura 3. Processo de identificação e análise de riscos com apoio de inteligência artificial generativa.

Fonte: Elaborado pela autora com base nos resultados originais da pesquisa.

A estruturação das informações do projeto pela IA revelou-se um dos principais benefícios da abordagem. A ferramenta foi capaz de organizar dados que, inicialmente, estavam dispersos, consolidando-os em uma estrutura mais clara e coerente. Além disso, a IA evidenciou dependências cruciais do projeto e formalizou requisitos funcionais e não funcionais, que muitas vezes são tratados de maneira informal nas fases iniciais. Essa capacidade de organização é vital para a clareza do planejamento e para a identificação de pontos críticos que poderiam ser negligenciados.

A análise dos requisitos funcionais e não funcionais, embora em nível inicial, permitiu identificar lacunas importantes no planejamento. Por exemplo, a ferramenta destacou a necessidade de maior detalhamento em requisitos como segurança, onde não foram especificados critérios de criptografia ou permissões. Da mesma forma, em performance, a ausência de métricas claras, como tempo máximo de resposta ou número de usuários simultâneos, foi apontada. Essas observações são cruciais, pois a falta de especificações claras pode levar a riscos operacionais e técnicos significativos ao longo do desenvolvimento do software.

Outras lacunas importantes identificadas incluíram a falta de critérios de usabilidade definidos e a ausência de especificações detalhadas para integrações com sistemas externos, como Service Level Agreements (SLAs) ou requisitos de disponibilidade. A ferramenta, ao evidenciar esses pontos, não apenas auxiliou na identificação de riscos, mas também reforçou a importância de um planejamento mais robusto e completo. A qualidade das informações de entrada, portanto, mostrou-se diretamente proporcional à profundidade e utilidade das análises geradas pela IA, um achado consistente com as práticas do PMBOK (PMI, 2017) que enfatizam a importância da clareza dos dados.

Na etapa de identificação dos riscos do projeto, a ferramenta de IA demonstrou capacidade de reconhecer ameaças e oportunidades potenciais em diversas dimensões. Os riscos foram categorizados como técnicos e tecnológicos, operacionais, organizacionais, humanos, financeiros, regulatórios e legais, externos e ambientais, e de governança e comunicação. Essa categorização abrangente, alinhada às tipologias de risco do PMBOK (PMI, 2017), permitiu uma visão holística dos potenciais desafios e vantagens do projeto, facilitando uma análise mais estruturada e completa.

Entre os riscos negativos (ameaças) identificados, destacaram-se a instabilidade ou indisponibilidade de sistemas externos, a integração complexa entre múltiplos sistemas, a capacidade limitada da equipe técnica, a falta de um profissional de Quality Assurance (QA) dedicado, a definição incompleta do fluxo de negócio e a dependência de stakeholders para validação. Esses riscos, em sua maioria, foram classificados como de alto ou crítico impacto, indicando a necessidade de atenção prioritária. A ferramenta também identificou uma oportunidade, o uso do método SDD (Software Design Document), que poderia reduzir o tempo de entrega do projeto.

A validação dos riscos identificados pela IA junto à equipe do projeto revelou que muitos deles já eram conhecidos, especialmente aqueles relacionados a dependências de sistemas externos, testes e hardware. No entanto, a contribuição da IA foi significativa ao formalizar e documentar esses riscos, que, embora presentes na percepção da equipe, não estavam explicitamente registrados. A ferramenta auxiliou a explicitar riscos como a sobrecarga potencial da equipe, a disponibilidade limitada do arquiteto de software e a dependência de equipamentos para testes, transformando conhecimentos implícitos em informações acionáveis para o planejamento.

Essa capacidade de estruturar e formalizar informações facilitou a análise e a interpretação dos riscos, permitindo à equipe compreender as relações entre causas e consequências de forma mais clara. A identificação desses riscos na fase de planejamento demonstra a habilidade da IA em conectar diferentes elementos do projeto e inferir fontes de incerteza, o que é consistente com as práticas de gestão de riscos que preconizam a consideração de múltiplas dimensões do projeto, incluindo aspectos tecnológicos, recursos humanos e processos organizacionais (PMI, 2017). A IA, portanto, atuou como um catalisador para uma análise mais profunda e integrada.

A partir dos riscos identificados, a etapa seguinte envolveu a construção de uma matriz de probabilidade e impacto, um modelo conceitual essencial para a priorização. Esta matriz, conforme ilustrado na Figura 4, permite visualizar a relação entre a probabilidade de ocorrência de um risco e seu impacto potencial nos objetivos do projeto. Ao classificar os riscos em diferentes níveis de criticidade, a matriz direciona a atenção para os eventos que demandam maior planejamento e estratégias de resposta, otimizando a alocação de recursos e esforços.

Figura 4. Modelo conceitual da matriz de probabilidade e impacto utilizada para priorização de riscos.

Fonte: Elaborado pela autora com base nos resultados originais da pesquisa.

Com base nos riscos identificados e na matriz de probabilidade e impacto, a ferramenta de IA elaborou uma matriz de riscos detalhada, alinhada às práticas de Gerenciamento dos Riscos do Projeto do PMBOK (PMI, 2017). Esta matriz classificou os riscos como ameaças ou oportunidades e atribuiu a cada um uma probabilidade, um impacto e um score de prioridade. Os riscos de maior prioridade incluíram a instabilidade de sistemas externos (ameaça, probabilidade 3, impacto 5, score 15, prioridade Muito Alto) e a integração complexa entre múltiplos sistemas (ameaça, probabilidade 4, impacto 5, score 20, prioridade Crítico).

Para a instabilidade de sistemas externos, a estratégia de resposta proposta foi mitigar, implementando monitoramento contínuo via APIs (Application Programming Interfaces) e verificações de saúde, além de estabelecer cache de respostas críticas e SLAs (Service Level Agreements) quando aplicável. No caso da integração complexa, a IA sugeriu mitigar por meio da adoção de arquitetura desacoplada, criação de ambiente de integração (sandbox) e implementação de testes automatizados de integração (CI/CD) e contratos de API. Essas estratégias demonstram a capacidade da IA de gerar recomendações práticas e alinhadas às boas práticas de mercado.

Outros riscos críticos identificados e suas estratégias incluíram a capacidade limitada da equipe técnica (ameaça, probabilidade 3, impacto 4, score 12, prioridade Alto), para a qual se propôs estabelecer supervisão ativa do desenvolvedor sênior, promover code review, pair programming e sessões de capacitação. A falta de QA dedicado (ameaça, probabilidade 4, impacto 4, score 16, prioridade Crítico) foi abordada com a sugestão de implementar testes automatizados, definir critérios de aceitação claros e adotar revisão cruzada. A definição incompleta do fluxo de negócio (ameaça, probabilidade 3, impacto 4, score 12, prioridade Alto) demandou mitigar com refinamentos contínuos com stakeholders, validação de fluxos via protótipos e formalização de requisitos.

A dependência de stakeholders para validação (ameaça, probabilidade 3, impacto 4, score 12, prioridade Alto) teve como estratégia mitigar por meio do estabelecimento de agenda fixa de validações, definição de SLAs de resposta e criação de critérios claros de aprovação antecipada para reduzir ciclos de retrabalho. A disponibilidade limitada do arquiteto de software (ameaça, probabilidade 2, impacto 3, score 6, prioridade Médio) foi sugerida para ser mitigada com planejamento de checkpoints técnicos obrigatórios, documentação de decisões arquiteturais e priorização do envolvimento do arquiteto em etapas críticas. Por fim, a oportunidade do uso do método SDD (probabilidade 3, impacto 3, score 9, prioridade Médio) foi proposta para ser explorada/melhorada, aplicando o método em funcionalidades prioritárias, monitorando métricas de produtividade e qualidade e ajustando o uso conforme feedback.

A avaliação da eficiência da Inteligência Artificial generativa, conduzida de forma qualitativa, considerou sua capacidade de estruturar informações, identificar riscos relevantes e apoiar a organização em uma matriz de risco. Os resultados indicaram uma aderência satisfatória aos critérios definidos na metodologia, com a ferramenta identificando um conjunto relevante de riscos distribuídos em múltiplas categorias (técnicos, organizacionais, humanos e operacionais), o que evidencia alinhamento com a tipologia do PMBOK. Contudo, as descrições dos riscos e as estratégias de resposta ainda se apresentaram em um nível básico, demandando maior detalhamento e validação humana.

A ferramenta demonstrou uma capacidade notável de identificar lacunas nas informações fornecidas sobre o projeto durante cada interação. Foram evidenciadas ausências de dados importantes, como melhor especificação dos requisitos funcionais e não funcionais, natureza exata dos sistemas com integrações, estrutura detalhada da equipe, histórico de projetos similares e um cronograma mais detalhado. Essa habilidade da IA em apontar deficiências no planejamento inicial é um valor prático significativo, pois força a equipe a complementar as informações antes da tomada de decisões, melhorando a qualidade do planejamento geral.

A identificação dessas lacunas pela IA não apenas analisa as informações disponíveis, mas também evidencia limitações no nível de detalhamento do planejamento e das informações fornecidas, contribuindo para tornar explícitos pontos que poderiam comprometer o sucesso do projeto. Esse comportamento reforça o valor prático da ferramenta como apoio ao planejamento, ao evidenciar a necessidade de complementação das informações com as partes envolvidas antes da tomada de decisão. A precisão da análise de riscos e a assertividade das estratégias dependem diretamente da qualidade das informações de entrada, um aspecto crucial para a gestão de riscos.

Em síntese, os resultados deste estudo indicam que a Inteligência Artificial generativa oferece uma contribuição valiosa para a gestão de riscos em projetos de Engenharia de Software, especialmente na fase de planejamento. Sua principal utilidade reside na capacidade de estruturar informações dispersas, evidenciar lacunas no planejamento e apoiar a análise de incertezas, atuando como um mecanismo de apoio à tomada de decisão. A ferramenta demonstrou potencial para identificar riscos relevantes em diversas dimensões e propor estratégias de resposta, desde que a qualidade das informações de entrada seja alta e que os resultados sejam validados por especialistas, reforçando que a IA é uma ferramenta complementar ao julgamento humano, e não um substituto.

4. Conclusão

Este estudo buscou avaliar os potenciais benefícios da aplicação de Inteligência Artificial generativa na gestão de riscos durante a fase de planejamento de projetos de Engenharia de Software. Verificou-se que a ferramenta de IA, guiada por um prompt estruturado, demonstrou capacidade de organizar informações dispersas, identificar riscos relevantes em diversas dimensões – como técnicos, operacionais e humanos – e evidenciar lacunas importantes no planejamento inicial do projeto. Observou-se que a IA contribuiu para formalizar riscos que, embora conhecidos pela equipe, não estavam explicitamente documentados, transformando conhecimentos implícitos em informações acionáveis. Essa abordagem revelou-se um apoio significativo para a melhoria da análise de riscos, ao estruturar o processo de identificação e análise de incertezas, tornando-o mais objetivo e menos dependente exclusivamente da experiência individual dos profissionais.

Contudo, identificou-se que a qualidade das respostas geradas pela Inteligência Artificial dependeu diretamente do nível de detalhamento das informações de entrada fornecidas, e as descrições dos riscos e estratégias de resposta ainda se apresentaram em um nível básico, demandando validação e refinamento por especialistas. Essa limitação reforça que a IA atua como uma ferramenta complementar ao julgamento humano, e não como um substituto. Adicionalmente, por se tratar de um estudo de caso único, as conclusões devem ser interpretadas com cautela quanto à sua generalização para outros contextos de projeto. Para pesquisas futuras, sugere-se investigar a aplicação da IA generativa em diferentes ambientes organizacionais, bem como explorar sua integração com bases de dados históricas de projetos para ampliar a precisão das análises de risco e desenvolver abordagens mais quantitativas.

Referências Bibliográficas

Ajiga, D.; Okeleke, P.A.; Folorunsho, S.O.; Ezeigweneme, C. 2024. Enhancing software development practices with Al insights in high-tech companies. Computer Science & IT Research Journal. 5(8): 1897–1919.

Bhoola, V.; Hiremath, S.B.; Mallik, D. 2014. An assessment of risk response strategies practiced in software projects. Australasian Journal of Information Systems. 18(3): 161–178.

Boehm, B.W. 1991. Software risk management: principles and practices. IEEE Software. 8(1): 32-41.

Faruk, M.I.; Plabon, F.W.; Saha, U.S.; Hossain, M.D. 2025. Al-driven project risk management: leveraging artificial intelligence to predict, mitigate, and manage project risks in critical infrastructure and national security projects. Journal of Computer Science & Technology Studies. 7(6): 123-137.

Project Management Institute, PMI. 2017. A guide to the project management body of knowledge (PMBOK Guide). 6 ed. Project Management Institute, Newtown Square, PA, USA.

Sabbag, P.Y. 2004. Riscos e incerteza: o desafio de gerenciadores de projetos. PMI Global Congress Latin America, Buenos Aires, Argentina.

Titarenko, R. 2025. Analysis of project risk management challenges from the perspective of process approach. PM World Journal. 14(2).

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Gestão de Projetos do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy