Viviane Lyrio da Silva Vieira; Ariel da Silva Dias

DOI: 10.22167/2675-6528-202601520

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

A crescente complexidade do desenvolvimento de software impulsionou a busca por abordagens de teste mais eficientes, com o teste exploratório emergindo como uma prática flexível e adaptável. Investigou-se como a inteligência artificial (IA) pode apoiar a automação de testes exploratórios. Para isso, realizou-se uma pesquisa exploratória-descritiva, que envolveu entrevistas semiestruturadas com dez profissionais de desenvolvimento de software, teste e design, de diversos países e setores. Os resultados obtidos indicaram que a maioria dos participantes ainda não automatizava testes exploratórios, e alguns sequer consideraram essa possibilidade. Contudo, observou-se que alguns profissionais já experimentaram agentes autônomos e a geração de scripts com IA. Foram identificadas barreiras significativas à adoção da IA, incluindo a falta de conhecimento, questões financeiras, aspectos culturais e organizacionais, e a desconfiança nos resultados gerados. Apesar dos desafios, os participantes reconheceram o potencial da IA como parceira, capaz de aumentar a produtividade, diversificar cenários, otimizar o tempo de execução e expandir a cobertura de testes, além de promover o desenvolvimento de novas habilidades nos profissionais, que passariam a atuar como orquestradores e revisores críticos. Concluiu-se que, embora a aplicação de IA em testes exploratórios esteja em estágio inicial, a sua trajetória é promissora, mas o papel humano permanece fundamental na análise e validação dos resultados.

Palavras-chave: Agentes autônomos; Inteligência artificial; Profissionais de TI; Qualidade de software; Validação de software.

1. Introdução

A crescente dependência da sociedade moderna em soluções digitais eleva a fiabilidade do software a um requisito fundamental, não apenas técnico, mas estratégico (Zaidman, 2024). Em um cenário de sistemas cada vez mais sofisticados e complexos, a garantia de qualidade torna-se um desafio central (Palamarchuk, 2025). A identificação precoce de defeitos é imperativa, pois o custo de correção tende a aumentar exponencialmente à medida que o sistema evolui (Myers, 1979). Embora técnicas como o Behaviour Driven Development (BDD) busquem aprimorar a precisão dos testes, elas frequentemente enfrentam limitações diante da imprevisibilidade dos cenários de uso reais (Hornysh, 2026). A inviabilidade de testar exaustivamente todas as possibilidades de dados de entrada e comportamentos do sistema (Othman e Zein, 2022) ressalta a necessidade de abordagens de teste eficientes e adaptáveis à constante evolução do software.

Nesse contexto, a automação de testes consolidou-se como prática essencial no ciclo de desenvolvimento de software para entregas contínuas e ciclos mais curtos. Ela reduz a execução manual repetitiva, aumenta a cobertura e permite que profissionais de qualidade se dediquem a atividades estratégicas (Pradeep, 2023; Rathod et al., 2023). Contudo, a automação tradicional, baseada em scripts pré-definidos, enfrenta desafios em flexibilidade e custos de manutenção. Esses scripts, por dependerem de caminhos previamente definidos, não conseguem reproduzir a diversidade e imprevisibilidade do comportamento humano, cruciais para a descoberta de defeitos inesperados. É aqui que o teste exploratório se revela indispensável. Esta abordagem permite ao testador investigar o sistema de forma livre e adaptativa, explorando fluxos alternativos e identificando inconsistências que testes roteirizados dificilmente antecipariam (Yu et al., 2021). Consolidado por Kaner (2012) e Kaner, Bach e Pettichord (2011), o teste exploratório é valorizado por sua adaptabilidade e menor necessidade de manutenção (Bagmar e Abhichandani, 2025), surgindo frequentemente durante a execução, guiado por objetivos e pela experiência do profissional, em vez de ser rigidamente planejado (Bach, 2000; Itinen e Rautiainen, 2005).

Apesar da eficácia do teste exploratório, sua natureza predominantemente manual e a dependência da intuição e experiência humana (Peixoto et al., 2024) limitam a escalabilidade em ambientes de desenvolvimento acelerados. Contudo, a rápida evolução da inteligência artificial (IA), com modelos de linguagem de grande escala (LLMs) e agentes autônomos, abre novas perspectivas para a automação de testes exploratórios. Essas tecnologias possibilitam o desenvolvimento de sistemas capazes de interagir com aplicações, observar resultados e adaptar seus caminhos em tempo real, simulando processos cognitivos humanos e redefinindo a abordagem do teste exploratório (Bures, Frajtak e Ahmed, 2018). A IA, nesse contexto, atua como suporte cognitivo (Shneideman, 2020), auxiliando na captura de evidências e na execução de tarefas repetitivas, liberando os profissionais para análises mais profundas e estratégicas, sem a sobrecarga de coleta de dados (Kahneman, 2011), e otimizando o reporte de bugs (Whittaker, 2009). Adicionalmente, a IA pode mitigar a dependência da experiência individual do testador (Tinkham e Kaner, 2003; Bach, 2004), promovendo a disseminação de conhecimento (Shneiderman, 2020). Assim, a IA surge como parceira capaz de complementar a abordagem manual, aumentando a velocidade de execução, a cobertura de testes e identificando vulnerabilidades e riscos (Afzal et al., 2014; Nie e Leung, 2011; McMahon e Tidy, 2026; Akuma et al., 2025; Tang et al., 2025). Essa colaboração híbrida humano-IA (Garousi, Joy e Taibi, 2025; Santana, Magalhães e Santana, 2025) aponta para um futuro em que o testador se torna um especialista assistido por IA, orquestrando e revisando criticamente os resultados (ISTQB, 2025).

Apesar do potencial transformador da IA no teste exploratório, sua adoção na prática é incipiente, enfrentando barreiras como falta de conhecimento, questões financeiras, aspectos culturais e organizacionais, e desconfiança nos resultados (Santana, Magalhães e Santana, 2025). A compreensão sobre como aplicar a IA em testes exploratórios carece de aprofundamento, especialmente para identificar ferramentas e abordagens adequadas aos diversos objetivos. Diante desse cenário, justifica-se investigar a percepção e a experiência de profissionais de desenvolvimento de software em relação à automação de testes exploratórios com o apoio da inteligência artificial, visando identificar o estágio atual de adoção, os desafios enfrentados e o potencial percebido. Assim, o presente estudo tem como objetivo investigar se e como testes exploratórios estão sendo automatizados por profissionais de desenvolvimento de software, teste e design, e como a inteligência artificial pode apoiar essa automação.

2. Material e Métodos

A presente pesquisa adotou uma abordagem exploratória-descritiva, conforme delineado por Creswell e Creswell (2018), com o propósito de investigar o emprego de ferramentas de inteligência artificial na automação de testes exploratórios por profissionais da Tecnologia da Informação. Caracterizou-se como um estudo de natureza qualitativa, conduzido por meio de entrevistas semiestruturadas em profundidade. A análise dos dados coletados seguiu as orientações metodológicas da análise temática, conforme proposto por Flick (2022), garantindo uma compreensão aprofundada das percepções e experiências dos participantes. Os preceitos éticos estabelecidos pela Comissão Nacional de Ética em Pesquisa (CONEP, 2025) foram rigorosamente respeitados em todas as etapas do estudo.

O estudo foi contextualizado na investigação do uso de inteligência artificial para a automação de testes exploratórios, buscando compreender o estágio atual de adoção e os desafios percebidos por profissionais da área. A coleta de dados ocorreu em um período anterior à conclusão deste trabalho em 2026, sem uma delimitação temporal específica para o processo de campo. Os participantes estavam distribuídos geograficamente em diversos países, com a maioria localizada no Brasil (60%), e outros na Europa (Portugal, Alemanha, Polônia) e nos Estados Unidos. A unidade de análise consistiu em profissionais de desenvolvimento de software que possuíam conhecimento e experiência relacionados ao teste exploratório.

O público-alvo da pesquisa foi composto exclusivamente por profissionais atuantes no desenvolvimento de software que detinham conhecimentos e experiência em teste exploratório. A amostra foi selecionada de forma intencional, seguindo os princípios de amostragem não probabilística descritos por Flick (2022). Não houve uma definição prévia do tamanho da amostra; em vez disso, priorizou-se a relevância, a profundidade da experiência e o potencial de contribuição de cada participante para os objetivos da investigação. Essa abordagem visou capturar uma gama rica e diversificada de perspectivas sobre o tema central do estudo.

A amostra final da pesquisa incluiu dez participantes, identificados como P1 a P10 para preservar suas identidades. Esses profissionais ocupavam diversas posições, como Líderes Técnico ou de Equipe, Desenvolvedores, Testadores e Designers de Produto. Observou-se um perfil predominantemente sênior, com a maioria possuindo entre onze e vinte anos de experiência na área. Os participantes trabalhavam em empresas de grande porte (500 ou mais colaboradores) e utilizavam metodologias ágeis de desenvolvimento de software, como Scrum, Kanban e Scrumban, refletindo a diversidade do contexto profissional investigado.

Para a coleta de dados, utilizou-se um questionário semiestruturado, que serviu como guia durante as entrevistas em profundidade. Este instrumento, detalhado no Apêndice A do trabalho original, foi concebido para assegurar a consistência na abordagem dos temas, ao mesmo tempo em que oferecia flexibilidade para que os participantes pudessem explorar livremente tópicos considerados relevantes a partir de suas próprias experiências. As questões focaram no entendimento das vivências profissionais dos participantes no domínio do desenvolvimento e da qualidade de software, com ênfase na automação de testes exploratórios e no papel da inteligência artificial.

As entrevistas foram conduzidas remotamente por meio de videoconferência, utilizando plataformas de comunicação digital amplamente reconhecidas, como Microsoft Teams, Google Meet e Zoom. Essa escolha permitiu alcançar participantes em diferentes localidades geográficas, superando barreiras físicas. Todas as sessões foram gravadas em áudio, mediante a autorização expressa e prévia dos participantes, garantindo a fidelidade das informações coletadas. Posteriormente, o conteúdo gravado foi transcrito com o auxílio da ferramenta TurboScribe, facilitando a organização e a análise detalhada dos depoimentos.

Antes da fase principal de coleta, realizou-se uma entrevista piloto com um profissional da área. O objetivo dessa etapa foi testar a clareza e a pertinência do questionário, aprimorar o foco da entrevista e exemplificar o contexto da pesquisa. A entrevista piloto, com duração de aproximadamente duas horas, permitiu identificar o nível de experiência do entrevistado sobre o tema e extrair informações relevantes. Com base nos *insights* obtidos, o questionário foi atualizado para permitir discussões mais amplas e alinhadas aos objetivos da investigação, garantindo maior eficácia nas entrevistas subsequentes.

No total, foram realizadas doze entrevistas formalmente, cada uma com duração média de sessenta minutos. Duas dessas entrevistas foram posteriormente excluídas: a primeira, por ter se assemelhado mais a uma conversa informal e servido como aprendizado para a condução das demais; e a última, devido à indisponibilidade de tempo para sua análise. Assim, dez entrevistas foram consideradas para a análise final. O critério para a interrupção da coleta de dados foi a saturação teórica, definida pela sobreposição de informações obtidas entre as entrevistas, indicando que novos dados não trariam contribuições substanciais adicionais.

O tratamento e a análise dos dados coletados foram realizados por meio da análise temática, seguindo as diretrizes de Flick (2022). Este método permitiu organizar e categorizar o vasto conteúdo das entrevistas, identificando padrões, temas recorrentes e tópicos mais relevantes para os objetivos da pesquisa. A análise buscou extrair o significado das experiências e percepções dos participantes, transformando os dados brutos em informações estruturadas e compreensíveis. Esse processo foi fundamental para a construção dos resultados, que abordaram as práticas atuais e o potencial da inteligência artificial no teste exploratório.

Os procedimentos éticos foram rigorosamente observados ao longo de toda a pesquisa, em conformidade com o código de ética profissional da Comissão Nacional de Ética em Pesquisa (CONEP, 2025). Todos os participantes foram previamente informados sobre os objetivos do estudo e seus direitos, incluindo a possibilidade de interromper a entrevista a qualquer momento ou recusar-se a responder qualquer questão. A identidade dos participantes foi preservada por meio de codificação (P1 a P10). Adicionalmente, as gravações de áudio das entrevistas serão eliminadas após cinco anos da defesa do trabalho, seguindo as boas práticas de proteção de dados.

3. Resultados e Discussão

Os resultados desta investigação, fundamentados na análise temática das entrevistas semiestruturadas com profissionais de Tecnologia da Informação, revelam um panorama multifacetado sobre o uso de testes exploratórios e o potencial, bem como as barreiras, da inteligência artificial (IA) nesse contexto. A seção é estruturada em três temas principais: as práticas atuais do teste exploratório, o potencial da IA no seu apoio e as limitações para a adoção de ferramentas de IA.

O primeiro tema, “Práticas atuais de uso do teste exploratório”, desvenda a ubiquidade e a adaptabilidade dessa técnica no cotidiano dos profissionais. Um achado central é a flexibilidade e adaptabilidade do teste exploratório para atender às necessidades de diversos *stakeholders* do projeto, conforme detalhado no subtema 1.1. Todos os participantes, independentemente de suas funções — testadores, desenvolvedores, líderes de equipe ou designers de produto — confirmaram o uso explícito do teste exploratório. Essa universalidade corrobora a literatura que reconhece o teste exploratório como uma abordagem versátil, capaz de se moldar a diferentes objetivos e contextos de desenvolvimento de software (Kaner, 2012; Kaner, Bach & Pettichord, 2011). A capacidade de adaptação é um diferencial significativo, pois permite que a técnica seja empregada tanto para a descoberta de defeitos e aumento da cobertura de testes não formalizados, como relatado pelos testadores (P1, P2, P5 e P9), quanto para a validação de código em construção por desenvolvedores (P3, P4 e P10).

Ainda sobre a adaptabilidade, a pesquisa revelou que líderes de equipe (P6 e P8) utilizam o teste exploratório de forma estratégica, empregando *charters* com tempo e áreas pré-definidas, o que se alinha com a gestão de sessões de teste exploratório proposta por Bach (2000). Para o designer de produto (P7), a abordagem se estende à pesquisa de usabilidade e simulação de usuários, demonstrando a transdisciplinaridade da técnica. O participante P1, por exemplo, destacou seu uso no *onboarding* de novos membros, facilitando o aprendizado sobre a aplicação. Essa diversidade de aplicações práticas sublinha a relevância do teste exploratório como uma ferramenta essencial no ciclo de vida do software, capaz de gerar valor em múltiplas frentes, desde a garantia de qualidade técnica até a melhoria da experiência do usuário e a capacitação de equipes. A flexibilidade inerente a essa prática, mesmo quando conduzida informalmente, é um testemunho de sua eficácia e de sua capacidade de preencher lacunas que outras abordagens de teste, mais estruturadas, não conseguem abordar com a mesma agilidade.

O subtema 1.2, “Informalidade e dependência da experiência do profissional que executa”, revela que, embora amplamente utilizado, o teste exploratório nem sempre é formalmente planejado. Sete dos dez entrevistados descreveram a técnica como “freestyle”, “orgânica” ou “ad-hoc”, o que ressoa com a natureza intrínseca do teste exploratório, que valoriza a intuição e a adaptabilidade em tempo real (Whittaker, 2009). Mesmo em contextos mais estruturados, como os mencionados por P6 e P8, sua adoção é frequentemente reativa, acionada por gatilhos como regressões pós-atualização do sistema. Essa informalidade, embora confira agilidade, também impõe desafios. P6 observou que descrições vagas de testes exploratórios aumentam a complexidade da execução, exigindo maior maturidade do profissional. Este ponto é crucial, pois todos os dez participantes concordaram que o grau de experiência do testador impacta diretamente a qualidade dos resultados. A literatura, como Tinkham e Kaner (2003), já enfatiza que a performance em testes exploratórios está diretamente ligada à experiência e ao conhecimento do domínio do profissional.

A dependência da maturidade profissional levanta uma implicação prática importante: a dificuldade em escalar a prática do teste exploratório para equipes menos experientes. Para mitigar isso, oito dos dez participantes (P1, P2, P4, P5, P6, P7, P8 e P9) ressaltaram a importância de definir *charters* ou áreas de concentração, que facilitam a priorização de atividades e fluxos, ao mesmo tempo em que preservam a autonomia do testador. Essa prática, embora não formalize completamente o processo, oferece um direcionamento que pode ajudar a mensurar a cobertura dos testes, um desafio comum na execução exploratória. A maioria dos pesquisados (oito de dez, com exceção de P2 e P7) utiliza o teste exploratório para validar a conformidade dos requisitos, impulsionados por mudanças constantes e restrições de tempo. P7, no entanto, expande essa visão, utilizando a técnica para explorar além dos requisitos documentados, buscando *insights* não previstos. A amostra da pesquisa, com 70% dos participantes possuindo mais de oito anos de experiência, reflete a necessidade de equipes experientes para compensar a ausência de direcionamentos explícitos, um achado que sublinha a tensão entre a agilidade do teste exploratório e a necessidade de expertise para sua execução eficaz.

O subtema 1.3, “Motivações para o uso de teste exploratório”, identificou seis razões principais para a adoção dessa técnica, que se alinham e expandem as discussões da literatura. A primeira motivação, a documentação incompleta e/ou desatualizada, foi citada por sete dos dez participantes (P1, P4, P5, P6, P8, P9 e P10). Em cenários onde a documentação é inconsistente, o teste exploratório atua como um guia essencial, permitindo aos profissionais aprender sobre o funcionamento da aplicação e identificar requisitos e funcionalidades emergentes. Este achado corrobora a visão de Yu et al. (2021) de que o teste exploratório é crucial para descobrir inconsistências e defeitos que testes pré-definidos não conseguiriam antecipar.

A segunda motivação, os testes de integração, foi mencionada por seis dos dez participantes (P3, P5, P6, P8, P9 e P10). A abordagem exploratória é empregada para avaliar a integração de funcionalidades ou sistemas, um aspecto crítico em arquiteturas de software complexas e distribuídas. A flexibilidade do teste exploratório permite que os testadores naveguem por múltiplos componentes e interfaces, identificando problemas de comunicação e interoperabilidade que seriam difíceis de prever em testes roteirizados. A terceira motivação, a pressão de tempo de entrega, foi um fator para oito dos dez participantes (P1, P2, P3, P4, P5, P6, P8 e P9). Prazos curtos dificultam a execução de ciclos completos de testes e a manutenção de scripts automatizados, tornando o teste exploratório uma alternativa ágil e de baixa manutenção, conforme destacado por Eidenbenz et al. (2021) e Palamarchuk (2025).

A quarta motivação, o conhecimento profundo sobre o sistema a ser testado, foi unanimemente reconhecida por todos os dez participantes como uma vantagem. Quanto maior a experiência do testador no domínio da aplicação, melhores são os resultados. No entanto, essa vantagem também se traduz em uma limitação, pois restringe o número de profissionais aptos a executar esses testes com eficácia, o que pode gerar gargalos em equipes maiores ou menos experientes, conforme discutido por Bach (2004). A quinta motivação, a pouca ou nenhuma automação de testes, foi citada por quatro participantes (P2, P4, P5 e P7). Nesses contextos, o teste exploratório serve como uma forma rápida de garantir uma cobertura mínima, além de ser capaz de capturar cenários de usabilidade e performance que a automação tradicional pode negligenciar.

Finalmente, a sexta motivação é a diversidade de objetivos, que pode variar de funcional a não funcional. A Tabela 1 ilustra essa diversidade, apresentando os objetivos mais frequentemente mencionados pelos participantes.

Tabela 1. Objetivos de testes exploratórios

Objetivo	Participantes	Respostas
Encontrar bugs	P1-10	10(100%)
Validar o comportamento das funcionalidades	P1, P2, P4, P5, P6, P8, P9, P10	8 (80%)
Aprender sobre o sistema, entender o contexto da aplicação e requisitos	P1, P6, P7, P8, P9, P10	6 (60%)
Avaliar a qualidade global da aplicação	P1, P2, P3, P4, P8, P9	6 (60%)
Criar ou identificar novos fluxos alternativos	P2, P3, P5, P6, P8	5 (50%)
Levantar melhorias	P1, P7, P8, P10	4 (40%)
Treinar novos membros do time, aprendizado	P1, P6	2 (20%)
Insights para novas funcionalidades	P1, P7	2 (20%)

Fonte: Resultados originais da pesquisa (2026)

A predominância de “Encontrar bugs” (100%) e “Validar o comportamento das funcionalidades” (80%) reforça o papel central do teste exploratório na garantia de qualidade. No entanto, objetivos como “Aprender sobre o sistema” (60%), “Avaliar a qualidade global da aplicação” (60%) e “Criar ou identificar novos fluxos alternativos” (50%) demonstram a capacidade da técnica de ir além da mera detecção de defeitos, contribuindo para a compreensão do sistema e a inovação. A inclusão de “Treinar novos membros do time” (20%) e “Insights para novas funcionalidades” (20%) por alguns participantes (P1, P6, P1, P7, respectivamente) evidencia o potencial do teste exploratório como ferramenta de aprendizado e de geração de conhecimento, alinhando-se com a visão de que o teste é também uma atividade de descoberta e aprendizado (Whittaker, 2009). Essa multiplicidade de objetivos justifica a persistência e a valorização do teste exploratório, mesmo em ambientes com alta pressão por automação.

O subtema 1.4, “Artefatos gerados no teste exploratório”, aborda a inconsistência na produção de evidências. Cinco dos dez participantes (P1, P2, P6, P8 e P9) relataram dificuldade em mensurar a cobertura dos testes, especialmente quando a execução é manual e nenhum defeito é encontrado. Essa dificuldade é um desafio conhecido na literatura, onde a natureza fluida do teste exploratório torna a documentação e a mensuração de progresso mais complexas do que em testes roteirizados (Bach, 2000). Durante a execução manual, a prioridade do profissional em cobrir a maior área possível muitas vezes impede a captura detalhada de informações como passos, gravações de vídeo, capturas de tela e trechos de *logs*. Essa limitação impede a combinação de tipos de testes, como validação de requisitos e análise de acessibilidade, reduzindo a riqueza dos *insights* que poderiam ser obtidos.

A pesquisa, no entanto, revelou que a inteligência artificial tem minimizado esses problemas. Participantes P8, P9 e P10 utilizam agentes de IA, como o Claude, para gerar *logs* e documentações automaticamente. P8 e P10 também geram *scripts* de teste automatizados para ferramentas como Playwright, incluindo imagens e vídeos, o que representa um avanço significativo na captura de evidências e na reprodutibilidade dos testes exploratórios. P10 destacou que o Claude pode gerar artefatos estruturados *antes* da execução dos testes, aprender padrões repetitivos e oferecer *helpers* que são salvos na base de código e compartilhados com a equipe, aumentando a base de conhecimento do projeto sem esforço humano. Essa capacidade de geração automática de artefatos e conhecimento é um exemplo claro de como a IA pode atuar como um suporte cognitivo, conforme proposto por Shneiderman (2020), liberando o profissional para análises mais profundas. P3 complementou, mencionando que a IA pode escanear o código-fonte para gerar documentação e casos de uso, auxiliando testadores a monitorar o desenvolvimento e atualizar a matriz de rastreabilidade. A possibilidade de armazenar todos esses artefatos em um repositório e manter os testes automatizados para execução futura demonstra o potencial da IA em transformar o teste exploratório de uma prática predominantemente efêmera em um processo mais estruturado e reutilizável.

O subtema 1.5, “Limitações levantadas ao aplicar testes exploratórios”, sintetiza os principais desafios enfrentados pelos profissionais. A falta de tempo para explorar cenários mais abrangentes foi a limitação mais citada (8/10 participantes: P1, P3, P5, P7, P8, P9 e P10). Essa restrição de tempo é um problema crônico no desenvolvimento de software e é exacerbada pela natureza intensiva em tempo do teste exploratório manual, que exige foco e criatividade. A dependência da maturidade do profissional, mencionada por sete dos dez participantes (P1, P2, P5, P6, P8, P9 e P10), restringe a quantidade de indivíduos capazes de extrair valor máximo dos testes, criando um gargalo de recursos humanos. Essa limitação é consistente com a literatura que aponta a experiência como um fator crítico para a eficácia do teste exploratório (Tinkham e Kaner, 2003).

Outras limitações incluem a falta de padronização dos testes (6/10: P1, P2, P3, P5 e P7), o que pode dificultar a colaboração e a reprodutibilidade, e a dificuldade de mensurar a cobertura (5/10: P1, P2, P6, P8 e P9), um desafio inerente à natureza não roteirizada do teste exploratório. A ausência de um planejamento formal (5/10: P1, P2, P3, P5 e P10) também contribui para a inconsistência e a dificuldade de gerenciar e comunicar os resultados. Essas limitações, em conjunto, destacam a necessidade de ferramentas e metodologias que possam apoiar o teste exploratório, tornando-o mais escalável, padronizado e mensurável, sem comprometer sua flexibilidade e capacidade de descoberta. A superação desses desafios é fundamental para que o teste exploratório possa evoluir e se integrar de forma mais eficaz aos processos de desenvolvimento de software modernos, especialmente com o advento da inteligência artificial.

O segundo tema, “Potencial da IA no apoio ao teste exploratório”, explora como as evoluções nos Modelos de Linguagem de Grande Escala (LLMs) estão viabilizando cenários de teste que antes eram inviáveis manualmente. A capacidade de executar testes com ampla variação de dados de entrada e explorar fluxos extensos de forma mais rápida do que um humano representa uma transformação no paradigma do teste exploratório.

O subtema 2.1, “IA como parceira, não como substituta”, é um dos achados mais consistentes da pesquisa. Todos os dez participantes (P1 a P10) veem a IA como uma ferramenta de aumento de produtividade, e não como um substituto para o profissional humano. Essa percepção alinha-se com a visão de Santana, Magalhães e Santana (2025) e Garousi, Joy e Taibi (2025), que defendem o conceito de teste híbrido humano-IA. Os participantes reconhecem que, embora as ferramentas de IA mais avançadas ofereçam capacidades impressionantes, elas possuem limitações intrínsecas, exigindo instruções precisas, treinamento adequado e uma análise crítica dos resultados gerados. A necessidade de supervisão humana é um ponto recorrente, com P1, P4, P5, P7, P8, P9 e P10 enfatizando a importância de contextualizar a ferramenta e revisar suas saídas.

A confiança nas ferramentas de IA é um fator crucial. Embora a lógica subjacente seja percebida como confiável, o comportamento dinâmico e as “alucinações” que podem ocorrer durante o uso (mencionadas por P1, P7, P9 e P10) geram uma desconfiança que leva a maioria dos participantes a validar os resultados manualmente. Essa cautela é justificada, pois a IA ainda não é totalmente capaz de simular a complexidade do comportamento humano, as dificuldades e a sensibilidade real de um ser humano, como apontado por P3 e P8. P10 reforçou que a IA funciona bem com base em instruções, habilidades e contextos, mas as decisões importantes permanecem sob responsabilidade humana, que atua como orquestrador do processo. P4 complementou, destacando a capacidade da IA de lidar com a repetitividade dos testes, liberando os humanos para tarefas mais complexas e criativas. Essa perspectiva reforça a ideia de que a IA deve ser vista como um mecanismo de suporte cognitivo (Shneiderman, 2020), que auxilia na execução de tarefas repetitivas e na coleta de dados, permitindo que o profissional se concentre na análise e na tomada de decisões estratégicas.

O subtema 2.2, “Importância da contextualização da IA”, destaca um requisito fundamental para o bom funcionamento das ferramentas de IA. Nove dos dez participantes enfatizaram que a IA precisa ser adequadamente contextualizada, assim como os profissionais se capacitam para aprender sobre o domínio da aplicação. Isso significa fornecer à IA artefatos de qualidade, como documentação, requisitos, regras de negócio, código-fonte e acesso a ferramentas como o Notion. P8 ressaltou que a IA precisa entender muito bem a atividade que se propõe a realizar. P10 ilustrou essa necessidade ao descrever os diversos contextos em que a IA pode operar, incluindo limitações físicas e virtuais, restrições de acesso e diferentes níveis de execução de instruções, além da possibilidade de limitar suas capacidades por meio de isolamento. Essa contextualização é vital para que a ferramenta de IA possa criar o ambiente correto para o teste.

A falta de contextualização adequada pode levar a resultados insatisfatórios, como afirmado por P6 e P2, que observaram que a IA gera testes genéricos quando não compreende o funcionamento da aplicação. Isso resulta em baixa eficácia na identificação de defeitos e na validação de comportamentos esperados, transformando a IA em uma geradora de ruído em vez de uma parceira produtiva. A contextualização, portanto, não é apenas uma boa prática, mas uma condição *sine qua non* para que a IA possa atuar de forma inteligente e relevante no processo de teste exploratório, permitindo que ela simule interações mais próximas do comportamento humano e identifique cenários de teste mais eficazes.

O subtema 2.3, “Diferentes experiências como uso de IA”, revela que a aplicação concreta da IA em testes exploratórios ainda é incipiente, embora a maioria dos profissionais já tenha alguma experiência com IA em outros contextos. Apenas um dos dez participantes nunca utilizou ferramentas de IA profissionalmente, devido a barreiras institucionais e limitações de segurança, o que sublinha a importância do apoio organizacional na adoção de novas tecnologias. Dos nove participantes com experiência, sete (P3, P4, P5, P6, P7, P8 e P9) relataram usar IA em atividades que não são testes exploratórios, como a geração de casos de teste e *scripts* de automação com Copilot ou Claude (P5, P6, P8 e P6), o aumento da diversidade de cenários de teste unitário e validações de segurança (P3), a geração de documentação de requisitos a partir do código-fonte e revisão de código (P9), e o apoio ao desenvolvimento e prototipagem de *layout* (P4 e P7).

P8 e P9, por exemplo, reportaram o uso de Claude Code para geração de *scripts* de automação, com P8 notando um aumento na velocidade de execução dos testes e P9 uma redução no volume de testes manuais. Esses achados demonstram que a IA já está sendo integrada em várias etapas do ciclo de desenvolvimento de software, mas sua aplicação direta ao teste exploratório autônomo é menos comum. Apenas dois participantes (P1 e P10) afirmaram ter aplicado IA para simular testes exploratórios autônomos, com P10 demonstrando uma experiência mais concreta e avançada. P10 utilizou Claude Code com SonarQube, servidores MCP, *hooks* para *linting* automático, regras de comportamento para o agente e *plugins* compatíveis com GitHub para garantir a qualidade do código, além de usar Notion para documentação automática dos resultados. P10 também enfatizou a capacidade de guiar a exploração da IA através de instruções de alto nível e o desenvolvimento de boas práticas para aprimorar essas instruções. Essa experiência avançada de P10 sugere um caminho promissor para a integração mais profunda da IA no teste exploratório, transformando a técnica em um processo mais automatizado e eficiente.

O subtema 2.4, “Expectativas dos participantes em relação à IA”, sintetiza as percepções dos profissionais sobre como as ferramentas de IA podem contribuir para o processo de testes. Todos os dez participantes compartilharam suas expectativas, que são apresentadas na Tabela 2.

Tabela 2. Expectativas dos participantes em relação a IA

Expectativa	Participantes	Frequência
Geração de cenários a partir de documentação de requisitos e contexto	P1, P2, P3, P4, P5, P6, P8, P9, P10	9/10
Detecção automática de cenários alternativos	P1, P3, P4, P6, P7, P8, P9, P10	8/10
Aprendizado baseado em interações com a aplicação	P1, P5, P6, P7, P8, P9, P10	7/10
Execução automática de testes	P1, P4, P5, P8, P9, P10	6/10
Análise e priorização de riscos – teste de áreas críticas	P1, P5, P6, P8, P9, P10	6/10
Integração com o pipeline CI/CD	P1, P6, P8, P9, P10	5/10

Fonte: Resultados originais da pesquisa (2026)

A expectativa mais proeminente, citada por nove dos dez participantes (90%), é a capacidade da IA de gerar cenários a partir de documentação de requisitos e contexto. Essa funcionalidade é vista como extremamente útil tanto para a criação de testes exploratórios quanto para a geração de *scripts* automáticos, o que pode acelerar significativamente o processo de teste e melhorar a cobertura. Oito dos dez participantes (80%) também apontaram a habilidade da IA em detectar automaticamente cenários alternativos, o que é crucial para a descoberta de *bugs* e a validação de comportamentos inesperados, especialmente em sistemas complexos. Essa capacidade da IA de explorar caminhos não óbvios complementa a intuição humana, que pode ser limitada pela capacidade cognitiva (Miller, 1956).

Sete dos dez participantes (70%) esperam que a IA possa aprender com as interações dos usuários com a aplicação, permitindo uma adaptação contínua dos testes e uma priorização de riscos baseada no uso real. Essa expectativa se alinha com o conceito de IA adaptativa e de aprendizado de máquina, que pode otimizar os esforços de teste, concentrando-os em áreas mais críticas do sistema. A execução automática de testes e a análise e priorização de riscos em áreas críticas foram mencionadas por seis dos dez participantes (60%), indicando o desejo de que a IA assuma tarefas repetitivas e de alto volume, liberando os profissionais para atividades mais estratégicas. Finalmente, a integração com o *pipeline* CI/CD, citada por cinco dos dez participantes (50%), reflete a aspiração de que a IA se torne uma parte fluida e contínua do processo de desenvolvimento, permitindo entregas mais rápidas e com maior qualidade. Essas expectativas demonstram uma visão clara do potencial transformador da IA no teste de software, onde ela atua como um catalisador para a eficiência, cobertura e inteligência do processo de teste.

O terceiro tema, “Barreiras na adoção de ferramentas IA no processo de teste”, explora as dificuldades enfrentadas pelos profissionais ao integrar a IA. Essas barreiras não são apenas técnicas, mas também organizacionais e culturais, o que ressalta a complexidade da transição para um modelo de teste assistido por IA.

O subtema 3.1, “Conhecimento e curva de aprendizado”, identificou a falta de conhecimento sobre IA como a dificuldade mais recorrente, mencionada por nove dos dez participantes. A única exceção foi P2, que não teve a oportunidade de aplicar IA em seu projeto devido a restrições institucionais. A análise revelou que essa dificuldade não é isolada, mas sim parte de um processo de aprendizado estruturalmente desorganizado e, em muitos casos, autodidata. A primeira camada dessa dificuldade é o desconhecimento das possibilidades que a IA oferece, como confirmado por P3 e P4, que sem exposição suficiente à tecnologia, não conseguem identificar oportunidades de automação exploratória. Isso sugere que a falta de familiaridade inicial com a IA impede a visualização de seu potencial.

A segunda camada refere-se à posse de conhecimento teórico sem experiência prática. P1 e P9 destacaram a existência de uma barreira de comunicação entre humanos e IA, enfatizando a necessidade de instruções claras e a compreensão do impacto dessas instruções nos resultados. P9, por exemplo, relatou ter gerado grandes volumes de *scripts* de teste sem utilidade real, evidenciando a lacuna entre teoria e prática. A terceira camada é a falta de preparação adequada. P4 mencionou a necessidade de desenvolver conhecimento sobre IA de forma autodidata, devido à ausência de conteúdo estruturado e mentoria. P6 observou que a curva de aprendizado tende a ser lenta, e P8 acrescentou que o domínio técnico da atividade a ser realizada é fundamental. Em outras palavras, antes de delegar uma tarefa à IA, o profissional deve ser capaz de realizá-la manualmente para validar os resultados da automação. P3 ilustrou esse ponto ao usar IA diariamente no desenvolvimento, mas com uso limitado em testes devido à falta de domínio técnico específico. O caso de P2, onde restrições de segurança institucional impedem o uso de ferramentas de IA, demonstra que a aquisição de prática não depende apenas do engajamento individual, mas também das condições oferecidas pelas empresas. P10, embora reconheça as dificuldades, enfatizou o esforço individual para superá-las, mesmo que isso implique custos pessoais. Essa jornada de aprendizado individual e lenta reflete o rápido avanço da indústria de IA, que resulta em ferramentas instáveis e em constante evolução, tornando o aprendizado um desafio contínuo.

O subtema 3.2, “Limitações organizacionais e culturais”, aborda como o ambiente de trabalho impacta a adoção da IA. P6 levantou que a priorização de outras atividades impede a integração da IA no processo de testes, um reflexo de alocações de recursos e prioridades estratégicas que nem sempre favorecem a inovação em testes. P2, P4, P6 e P10 revelaram uma resistência cultural à adoção de ferramentas de IA, que exige investimento de tempo e recursos além das tarefas cotidianas. Essa resistência pode ser atribuída à aversão ao risco, à falta de compreensão dos benefícios a longo prazo ou à inércia organizacional.

A pesquisa mostrou uma diversidade no apoio empresarial à iniciativa de IA. P1, P4 e P10 iniciaram o uso por iniciativa própria, com P1 recebendo apoio e licenças, enquanto P4 e P10 obtiveram permissão, mas não licenciamento. P10 destacou que, após demonstrar os ganhos com a IA, a empresa decidiu financiar uma licença, mas sem estender o privilégio a outros membros da equipe. Essa disparidade reflete diferentes estágios de abertura à IA nas empresas: algumas investem em ferramentas pagas (P1, P3, P5, P6, P7, P8 e P9), outras permitem iniciativas próprias (P4, P10) e outras impõem limites (P2). A voz do cliente também é um fator, pois os custos do projeto são impactados (P3, P10), e é o cliente quem define os níveis de qualidade esperados. P8 enfatizou a necessidade de regulamentar o uso de ferramentas de IA no contexto empresarial, alertando para os riscos legais associados à falta de controle e segurança de dados. Essas barreiras organizacionais e culturais são cruciais para a adoção da IA, pois mesmo com o conhecimento técnico, a falta de apoio institucional pode inviabilizar a implementação.

O subtema 3.3, “Confiabilidade das ferramentas de IA”, revela uma desconfiança generalizada nos resultados gerados pela IA, especialmente em contextos de alta severidade. P6 e P8 expressaram essa desconfiança, enquanto P1 mencionou a possibilidade de falsos positivos. P9 revisa tudo o que é gerado pela IA, e P3, com base em sua experiência, afirmou que as ferramentas de IA não são 100% confiáveis. Essa percepção de falta de confiabilidade é um obstáculo significativo para a adoção plena da IA em testes exploratórios, onde a intuição e a experiência humana são tradicionalmente valorizadas para identificar *bugs* sutis e comportamentos inesperados.

A experiência de P10, no entanto, oferece uma perspectiva contrastante. Embora inicialmente compartilhasse a desconfiança, P10 desenvolveu uma experiência prática mais densa e, ao longo do tempo, construiu uma confiança incremental, automatizando o processo como um todo e integrando a IA com outras ferramentas. Essa trajetória sugere que a percepção de confiabilidade pode estar diretamente ligada ao nível de conhecimento e experiência do profissional com as ferramentas de IA, bem como ao domínio técnico da atividade. É fundamental investigar mais a fundo se essa desconfiança é um reflexo da imaturidade das ferramentas, da falta de familiaridade dos usuários ou de outros fatores ainda não mapeados. A superação dessa barreira de confiança é essencial para que a IA seja plenamente integrada aos processos de teste, exigindo não apenas melhorias nas ferramentas, mas também um maior investimento em treinamento e educação para os profissionais.

O subtema 3.4, “Baixa aplicação da IA em testes exploratórios”, destaca que, apesar do potencial reconhecido, a aplicação concreta da IA em testes exploratórios ainda é limitada. Apenas P1 realizou uma prova de conceito (POC) e P10 algumas execuções cotidianas. Quatro dos dez participantes (P3, P5, P6 e P9) afirmaram nunca ter cogitado a aplicação de IA ou a automação de testes exploratórios antes da entrevista. Esse dado é particularmente revelador, pois, mesmo com a ampla presença da IA nas rotinas de desenvolvimento de software, suas aplicações em testes exploratórios ainda são pouco exploradas por testadores experientes.

Essa baixa aplicação não se deve a uma rejeição da ideia, pois diversos participantes (P3, P5, P6, P7 e P9) demonstraram interesse genuíno na possibilidade de automatizar esse tipo de teste. A principal razão para essa lacuna parece ser a forte associação do teste exploratório à intuição humana, criatividade e experiência dos testadores, o que historicamente o desassociou de qualquer forma de automação. A literatura, como Peixoto et al. (2024), ainda enfatiza a dependência da experiência e intuição humana no teste exploratório manual. A quebra dessa associação mental e a demonstração de casos de uso eficazes da IA em testes exploratórios são cruciais para impulsionar sua adoção. A pesquisa sugere que, embora o potencial seja claro, a transição da teoria para a prática ainda enfrenta desafios significativos de percepção e de implementação, exigindo um esforço concertado para educar os profissionais e desenvolver ferramentas que demonstrem valor tangível e confiabilidade.

A discussão dos resultados obtidos reforça que o teste exploratório continua sendo uma abordagem amplamente utilizada e valorizada pelos profissionais de TI, conforme evidenciado por Eidenbenz et al. (2021) e consolidado por Kaner (2012) e Kaner, Bach e Pettichord (2011). Sua relevância reside na capacidade de adaptação a diversos contextos e objetivos, exigindo menor manutenção em comparação com testes roteirizados (Bagmar e Abhichandani, 2025). Os dados da pesquisa confirmam que o teste exploratório, por sua natureza adaptativa, raramente é documentado explicitamente na fase de planejamento (Bach, 2000), surgindo a necessidade de sua aplicação durante a execução, guiada pelos objetivos, contexto e experiência do profissional (Itinen e Rautiainen, 2005). Esse padrão de uso contrasta com abordagens mais estruturadas, como os testes automatizados, que são detalhadamente especificados no plano de teste.

A evolução do teste exploratório, de uma técnica manual dependente da intuição humana (Peixoto et al., 2024), para um modelo de colaboração com ferramentas de inteligência artificial (Santana, Magalhães e Santana, 2025), representa um avanço significativo. Essa parceria tem o potencial de superar uma limitação humana natural, conforme descrito por Miller (1956), que aponta a capacidade restrita da memória humana para lidar com múltiplas informações simultaneamente. Durante uma sessão de teste exploratório, o profissional gerencia diversos fatores — requisitos, fluxos, dados de entrada, *layout* e ideias para próximos testes — e informações sutis podem ser perdidas, artefatos podem não ser gerados, e a percepção do esforço da equipe de QA pode ser subestimada (Black, 2002; Hendrickson, 2013). Nesse cenário, a IA atua como um mecanismo de suporte cognitivo (Shneiderman, 2020), assumindo a responsabilidade pela memória e execução de tarefas repetitivas, através da captura de evidências. Isso permite que o profissional se concentre em análises mais profundas, sem a competição entre as tarefas de pensar, observar e registrar (Kahneman, 2011), aumentando a efetividade da atividade. Além disso, a IA pode automatizar o reporte de *bugs* e a geração de relatórios de teste (Whittaker, 2009), evitando perdas de informação.

O conhecimento humano, embora crucial, também representa um fator limitante, pois a performance do profissional em testes exploratórios está diretamente relacionada à sua experiência (Tinkham e Kaner, 2003; Bach, 2004). A priorização de profissionais mais seniores, relatada por líderes técnicos de teste, pode ser mitigada com a assistência da IA, que possibilita a transferência e disseminação de conhecimento (Shneiderman, 2020), permitindo que equipes com diferentes níveis de experiência colaborem e alcancem bons resultados. Outra limitação que a IA pode resolver é a falta de tempo para uma exploração manual abrangente, pois a execução de testes exaustivos é impraticável (Myers, 1979; ISTQB, 2024). Essas dinâmicas confirmam a natureza complementar do teste exploratório manual e autônomo. A IA pode aumentar a velocidade de execução e cobertura, enquanto a abordagem manual se concentra em objetivos que a IA não consegue implementar. Abordagens de teste combinadas tendem a ser mais eficazes, explorando os pontos fortes de cada uma (Afzal et al., 2014; Nie e Leung, 2011).

Quando questionados sobre o papel da IA em testes de software, os pesquisados foram unânimes em afirmar que a IA atua como parceira, não como substituta, uma visão corroborada por Bagmar e Abhichandani (2025) e Santana, Magalhães e Santana (2025). Garousi, Joy e Taibi (2025) introduzem o conceito de teste híbrido humano-IA, onde a IA gera possibilidades e o humano atua como estrategista, interpretando resultados para a tomada de decisões. Para desempenhar esse papel com maestria, o profissional precisa estar qualificado em técnicas de desenvolvimento e teste de software, conhecer a aplicação, dominar conceitos de IA e saber manipular as ferramentas. A manipulação das ferramentas de IA é a maior barreira enfrentada pelos profissionais pesquisados (Santana, Magalhães e Santana, 2025), que relatam um processo de aprendizado lento, influenciado pelo contexto do projeto e pela oportunidade de experimentação. O ISTQB (2025) já reconhece a evolução dos testadores de especialistas em *design* de teste para especialistas assistidos por IA.

Nesse contexto, a preferência por testes funcionais passo a passo (Nie e Leung, 2011) é evidente, pois a equipe de testes precisa de relatórios diretos sobre a qualidade do sistema (ISTQB, 2024). Assim, a maioria dos participantes já utilizou ferramentas de IA para gerar casos de teste reutilizáveis no *pipeline* do projeto (Garousi, Joy e Taibi, 2025), mas apenas um relatou uso efetivo de testes exploratórios assistidos por IA. As expectativas dos profissionais em relação à IA apontam para um uso mais integrado e automatizado (Bagmar e Abhichandani, 2025). A ideia é que múltiplos agentes de IA atuem em paralelo ou sequencialmente (Akuma et al., 2025), criando cenários, explorando o sistema autonomamente, coletando dados, gerando *scripts* e compilando relatórios. Esses artefatos poderiam retroalimentar a ferramenta de IA (ISTQB, 2025), expandindo a base de conhecimento do projeto e apoiando análises e tomada de decisão.

A questão do custo é um fator crucial na decisão de adotar ferramentas de IA (Chen et al., 2026), exigindo um retorno sobre o investimento positivo. Os pesquisados reconhecem o potencial inexplorado da IA (Garousi, Joy e Taibi, 2025), mas as prioridades do projeto direcionam a automação inicial para a criação de *scripts* de execução automática, antes de evoluir para uma exploração mais ampla e criativa. O fato de sete dos dez pesquisados não terem considerado o uso de IA em testes exploratórios, apesar de concordarem com sua validade, demonstra a necessidade de mais investigação e demonstração de valor.

A automação assistida por IA é uma alternativa promissora para diferentes *stakeholders* (Itkonen e Rautiainen, 2005). Líderes podem avaliar a qualidade do sistema com base em sua experiência (ISTQB, 2024), testadores podem focar na identificação de *bugs*, desenvolvedores podem validar cenários básicos (Tinkham e Kaner, 2003), e designers de produto podem simular a experiência do usuário final (Gatt, Micallef e Bugeja, 2023). A IA atua como apoio, potencializando a execução dos testes e permitindo que cada *stakeholder* explore o sistema de forma mais eficiente, sem comprometer a flexibilidade. Essa oportunidade de evolução do processo de testes exploratórios pode encapsular diferentes objetivos e criar testes mais complexos e robustos (Bach, 2003). A sugestão de um designer de produto de usar testes exploratórios autônomos com diferentes *personas* e relatórios detalhados sobre o comportamento da aplicação, além de validar regras de negócio com precisão (Tomic, Alégroth e Isaac, 2025), amplia ainda mais o potencial da IA. Modelos recentes de LLMs, como Claude Mythos e ChatGPT 5.4 Codex, já conseguem identificar vulnerabilidades e avaliar riscos (McMahon e Tidy, 2026), integrando diversos tipos de testes de software em uma estratégia mais robusta (Akuma et al., 2025; Tang et al., 2025).

4. Conclusão

Conclui-se que o objetivo foi atingido ao investigar a percepção e experiência de profissionais de desenvolvimento de software sobre a automação de testes exploratórios com o apoio da inteligência artificial. O estudo revelou que, embora o teste exploratório seja uma prática ubíqua e valorizada por sua flexibilidade e adaptabilidade, sua automação com IA ainda é incipiente. Os profissionais veem a IA como uma parceira para aumentar a produtividade, capaz de gerar cenários, detectar fluxos alternativos e aprender com interações, mas não como substituta da intuição humana. A aplicação concreta da IA em testes exploratórios autônomos é limitada, com a maioria focando na geração de scripts para automação tradicional, priorizando a validação de requisitos funcionais passo a passo.

As principais limitações para a adoção da IA incluem a falta de conhecimento e uma curva de aprendizado desestruturada, barreiras organizacionais e culturais como priorização de outras atividades e resistência à mudança, e uma desconfiança inicial na confiabilidade dos resultados gerados pela IA. Para estudos futuros, sugere-se aprofundar a investigação sobre como aplicar a IA de forma mais eficaz em testes exploratórios, avaliando ferramentas específicas e desenvolvendo metodologias que demonstrem valor tangível. É crucial também pesquisar estratégias para mitigar as barreiras de adoção, promovendo a capacitação e construindo a confiança dos profissionais na colaboração humano-IA, explorando casos de uso que quebrem a associação exclusiva do teste exploratório com a execução manual.

Referências Bibliográficas

Hornysh, K. 2026. Al Exploratory Testing: Revolutionize Your QA Strategy. Disponível em: <https://aqua-cloud.io/ai-exploratory-testing/>. Acesso em: 22 abr. 2026.

Myers, G. J. 1979. The Art of Software Testing. [s.l.] John Wiley & Sons Incorporated, 1979.

Othman, R.; Zein, S. 2022. Test Case Auto-Generation For Web Applications: A Model-Based Approach. 2022 International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), p. 18–25, 20 out. 2022.

Palamarchuk, S. 2026. How to Demonstrate ROI in Software Testing — Board-Ready. Disponível em: <https://abstracta.us/blog/software-testing/roi-in-software-testing/>. Acesso em: 22 abr. 2026.

Pradeep, A. 2023. Applications of Artificial Intelligence and Machine

Zaidman, A. 2025. An Inconvenient Truth in Software Engineering? The Environmental Impact of Testing Open Source Java Projects. Disponível em: <https://ieeexplore.ieee.org/document/10556464>. Acesso em: 31 mar. 2025.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

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