Caio Yabiku; Maurício Acconcia Dias

DOI: 10.22167/2675-6528-202600659

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

Resumo

A crescente aplicação de sistemas de inteligência artificial generativa, como ChatGPT e Gemini, enfrenta desafios inerentes à sua variabilidade, imprevisibilidade, vieses e alucinações. O projeto implementou e analisou a aplicação de testes automatizados para validar os resultados produzidos por esses modelos, visando a conformidade com regras específicas e a manutenção da confidencialidade. A pesquisa foi conduzida em uma empresa do segmento de conhecimento sob demanda, onde se utilizou IA para gerar e-mails convite a especialistas, baseados em briefings de clientes. Desenvolveram-se prompts com cenários variados, incluindo concorrentes, consumidores e informações sensíveis, com o propósito de verificar a aderência às instruções. Scripts foram executados múltiplas vezes para analisar a presença ou ausência de elementos obrigatórios ou indesejados por meio de asserções, utilizando ferramentas como Cypress e Visual Studio Code. Os resultados evidenciaram que, apesar da alta capacidade de geração textual, os modelos nem sempre seguiram integralmente as regras estipuladas, com falhas em parte das execuções, especialmente em cenários de confidencialidade e inclusão de região geográfica. Concluiu-se que a implementação de testes automatizados é um mecanismo essencial para aumentar a confiabilidade, robustez e efetividade de soluções baseadas em inteligência artificial generativa, reforçando a necessidade de validação contínua e iteração com os prompts para aprimorar a qualidade dos resultados.

Palavras-chave: Cypress; Modelos de linguagem; Prompt; Validação.

1. Introdução

<p>A utilização de inteligência artificial generativa (IA), como o ChatGPT e o Gemini, vem se tornando cada vez mais popular no dia a dia da nossa sociedade. O que antes parecia uma realidade distante, hoje é um grande aliado tanto no âmbito pessoal quanto no profissional. Ferramentas baseadas em IA estão sendo aplicadas para automatizar tarefas repetitivas, realizar buscas inteligentes, investigar erros em projetos e até mesmo criar documentos, textos e códigos de maneira mais acessível, rápida e eficiente (Muniz et al., 2024). Essa adoção generalizada ressalta o potencial transformador da IA generativa em diversas áreas.</p>

<p>No entanto, a crescente adoção dessas soluções também levanta preocupações significativas sobre a qualidade e confiabilidade dos resultados gerados. A IA generativa não segue modelos fixos e imutáveis; em vez disso, aprende constantemente a partir dos dados fornecidos, ajustando suas respostas ao longo do tempo. Esse processo dinâmico pode gerar inconsistências ou vieses nos resultados, tornando fundamental a existência de métodos eficazes para validação e garantia de sua fidedignidade (Carraro, 2023).</p>

<p>Outro desafio comum na utilização de IA generativa é a possibilidade de gerar diferentes respostas para um mesmo conjunto de entradas. Como os modelos são probabilísticos e treinados para gerar textos variados, a mesma entrada pode resultar em saídas distintas, tornando a previsibilidade um fator crítico. Isso pode ser problemático em situações onde a consistência das respostas é essencial, como em tarefas de atendimento ao cliente ou na geração de relatórios técnicos, onde informações uniformes e confiáveis são esperadas (Carraro, 2023).</p>

<p>Além da variabilidade das respostas, outra característica relevante associada aos sistemas de inteligência artificial generativa é o fenômeno conhecido como alucinação de IA. Esse termo descreve situações em que modelos de IA produzem informações incorretas, enganosas ou completamente inventadas, muitas vezes apresentadas com alto grau de confiança, mesmo sem base factual. Esse comportamento ocorre principalmente devido à natureza probabilística desses modelos, que geram respostas com base em padrões estatísticos aprendidos durante o treinamento, sem necessariamente realizar uma verificação direta da veracidade das informações (Kushwah, 2025).</p>

<p>Diante desse cenário, surge a questão de como garantir que, a partir de um determinado conjunto de dados de entrada e requisitos, os sistemas de IA generativa produzam resultados relevantes, precisos e consistentes. Diferentemente de softwares tradicionais, que tendem a ser determinísticos (entradas iguais produzem as mesmas saídas), as aplicações baseadas em IA generativa exigem abordagens de teste específicas. Essas abordagens devem ser capazes de analisar não apenas a correção funcional, mas também aspectos como a consistência das respostas, a estabilidade do comportamento do modelo e a clareza das saídas geradas, dada a natureza não determinística inerente a esses sistemas (Baglai, 2025).</p>

<p>A implementação de testes automatizados surge como um mecanismo essencial para enfrentar essas complexidades. Essa abordagem permite validar repetitiva e sistematicamente os resultados obtidos, aumentando a confiabilidade dos sistemas e proporcionando maior transparência e controle sobre os modelos utilizados, garantindo que eles atendam às necessidades do usuário final (Gallotti, 2017). A automação de testes é mais adequada do que os testes manuais para cenários repetitivos, pois permite a execução rápida e consistente, reduzindo a ocorrência de erros humanos e aumentando a confiabilidade dos resultados. Além disso, a reutilização de scripts de teste e a maior eficiência no processo são vantagens significativas em atividades recorrentes (Halani, 2021). A incorporação de práticas de testes automatizados contribui para o desenvolvimento de soluções mais confiáveis, transparentes e robustas, assegurando que o aprendizado contínuo dessas tecnologias não comprometa a qualidade do produto final.</p>

<p>Dessa forma, a integração de testes automatizados para IA generativa representa um diferencial estratégico, capaz de potencializar a evolução sustentável e a entrega de valor no longo prazo. Este trabalho visa desenvolver uma abordagem de testes automatizados para validar os resultados obtidos por softwares de inteligência artificial generativa, especificamente ChatGPT e Gemini, com o propósito de avaliar aspectos como reprodutibilidade, precisão, consistência e confiabilidade das respostas ao longo do tempo, por meio da implementação de um script de testes automatizados que analisa outputs gerados a partir de um conjunto de dados de entrada e requisitos previamente definidos pelo usuário, e subsequente análise dos resultados para verificar o comportamento do modelo e a aderência às regras e critérios estabelecidos.</p>

2. Material e Métodos

<p>A pesquisa caracterizou-se como um estudo de caso, de natureza aplicada, com o objetivo de desenvolver e aplicar uma abordagem de testes automatizados para validar os resultados gerados por sistemas de inteligência artificial generativa. O estudo foi conduzido em uma empresa do segmento de conhecimento sob demanda, que conecta clientes a especialistas, utilizando IA para gerar e-mails convite. A metodologia buscou avaliar a reprodutibilidade, precisão, consistência e confiabilidade das respostas dos modelos ChatGPT e Gemini, focando na aderência a requisitos predefinidos.</p>

<p>Os dados de entrada para os modelos de IA foram estruturados em prompts, divididos em três componentes. O primeiro consistiu em quatro tipos de briefings simulando instruções de clientes: concorrentes, consumidores, informações sensíveis e confidenciais. Cada briefing foi projetado para testar a capacidade do modelo em lidar com restrições específicas, como anonimização de dados ou inclusão de localização geográfica (Gluck, 2026). O segundo componente estabeleceu a estrutura do output desejado, definindo a geração de um e-mail convite composto por quatro parágrafos, com limites de caracteres variando de 50 a 300 caracteres, visando concisão e clareza.</p>

<p>O terceiro componente do prompt compreendeu um conjunto de seis regras destinadas a direcionar explicitamente a resposta da IA, definindo informações obrigatórias ou elementos a serem restringidos. Exemplos incluem a proibição de menção a nomes de empresas/produtos/marcas em briefings de concorrentes e a exigência de inclusão de região geográfica para consumidores, além de restrições sobre palavras-chave sensíveis e informações confidenciais.</p>

<p>Para a implementação e execução dos testes automatizados, foram utilizadas ferramentas específicas. O Cypress foi empregado como framework de testes (Cypress, 2024), e o Visual Studio Code (VSCode) serviu como ambiente de desenvolvimento integrado (Quiroz, 2025). Os modelos de inteligência artificial generativa avaliados foram o ChatGPT (OpenAI, 2022; Belcic, s.d.; Stryker, 2023) e o Gemini (Google, s.d.), ambos Large Language Models (LLMs) capazes de gerar textos a partir de prompts.</p>

<p>O procedimento de coleta de dados envolveu o desenvolvimento de scripts de testes automatizados. Inicialmente, um script foi elaborado para interagir com o Gemini, inserindo os prompts e capturando os outputs gerados. Este script foi executado 10 vezes para observar a variabilidade dos resultados (Baglai, 2025). Posteriormente, o script foi adaptado para funcionar com o ChatGPT, mantendo os mesmos prompts e 10 execuções, a fim de permitir a comparação entre os modelos. A coleta dos outputs foi realizada de forma sistemática, garantindo a padronização das entradas.</p>

<p>A validação dos resultados obtidos pelos modelos de IA foi realizada por meio de asserções programáticas. Cada output textual foi primeiramente normalizado, convertendo-o para letras minúsculas e removendo acentos e caracteres especiais. Duas funções principais foram implementadas para a verificação das regras: `violouNaoContem`, que identificava a presença de termos proibidos (aplicada às regras 1, 2, 4, 5 e 6), e `violouContem`, que verificava a ausência de termos obrigatórios (aplicada à regra 3). As infrações a cada regra foram registradas em uma estrutura de dados para posterior análise.</p>

<p>Ao final de cada conjunto de execuções, os dados das infrações foram consolidados e salvos em arquivos no formato JSON. A técnica de análise dos dados consistiu na contagem das infrações a cada uma das seis regras para cada tipo de briefing e para cada modelo de IA. Essa abordagem permitiu quantificar a aderência dos modelos às instruções e identificar padrões de falha ou inconsistência (Baglai, 2025; Mariano, 2026).</p>

<p>Os cuidados éticos foram integrados ao desenho metodológico por meio das regras de confidencialidade e compliance estabelecidas nos prompts. Essas regras visaram garantir que os e-mails convite gerados pela IA respeitassem a proteção de informações sensíveis, prevenissem conflitos de interesse e estivessem em conformidade com normas legais e regulatórias, assegurando a integridade do processo de interação com especialistas.</p>

3. Resultados e Discussão

<p>A implementação de um projeto de testes automatizados foi o ponto de partida para a validação repetível e eficiente dos resultados gerados por sistemas de inteligência artificial generativa. Esta abordagem se mostrou crucial para mitigar a sobrecarga de engenheiros e analistas de qualidade de software, permitindo que esses profissionais dediquem seu tempo a atividades mais estratégicas, como análise crítica, testes exploratórios e aprimoramento contínuo de processos. A automação, nesse contexto, não apenas acelera o ciclo de validação, mas também eleva a qualidade geral do software, garantindo maior segurança nas atualizações e previsibilidade nas entregas, o que impacta positivamente a satisfação do usuário e a reputação da marca.</p>

<p>A criação do script de testes automatizados para a plataforma Gemini iniciou-se com a importação de uma constante contendo todas as informações dos briefings, as orientações para a estruturação dos parágrafos e as regras de negócio estabelecidas. Foram definidas dez interações para a execução dos testes, um número ajustável conforme a necessidade de análise. Uma constante de estatísticas foi inicializada com valores zerados para cada regra, sendo posteriormente populada a cada infração, o que permitiu o cálculo da porcentagem de resultados indesejados e facilitou a interpretação dos dados obtidos.</p>

<p>O prompt foi construído de forma a integrar todas as informações importadas, utilizando quebras de linha para simular um formato realista de inserção. A função `executarTeste` foi desenvolvida para registrar a iteração atual, inserir o prompt na área de texto do Gemini, acionar o botão de envio e aguardar a resposta do sistema. Essa sequência de operações foi projetada para replicar o fluxo de interação do usuário de maneira controlada e sistemática, garantindo a consistência na coleta dos dados para análise.</p>

<p>A validação do resultado obtido pelo Gemini envolveu o armazenamento do output em uma constante, seguida de sua normalização para facilitar as asserções, transformando o texto em letras minúsculas e removendo acentos e caracteres especiais. Duas funções opostas foram criadas: `violouNaoContem`, aplicada às regras 1, 2, 4, 5 e 6, para verificar a ausência de informações específicas; e `violouContem`, aplicada à regra 3, para validar a presença de elementos obrigatórios. Essas funções permitiram uma análise precisa da aderência do modelo às instruções do prompt.</p>

<p>A etapa final do script de teste automatizado para o Gemini consistiu em agrupar todas as implementações anteriores. O processo incluiu o acesso ao site do Gemini, a execução da função `executarTeste` pelo número total de interações definidas e o armazenamento de cada infração às regras preestabelecidas na constante de estatísticas. Os resultados foram salvos em um arquivo `.json`, permitindo uma análise detalhada e a documentação do comportamento do modelo em relação às regras e critérios estabelecidos.</p>

<p>A implementação do script para validar os resultados da plataforma ChatGPT seguiu uma lógica semelhante à do Gemini, com adaptações necessárias à interface e às requisições do sistema. A estrutura do prompt e as regras aplicadas foram idênticas, permitindo uma comparação direta entre o desempenho dos dois modelos. Os resultados das dez execuções evidenciaram uma variabilidade na estrutura textual e no cumprimento das regras, mesmo com o prompt inalterado, corroborando a natureza não determinística dos sistemas de IA generativa, conforme apontado por Baglai (2025).</p>

<p>A estratégia de validar regras de negócio, em vez de comparar integralmente o conteúdo textual gerado, demonstrou ser consistente com as recomendações de Mariano (2026) para testes automatizados em aplicações baseadas em LLMs. Essa abordagem foca na conformidade do output com restrições e requisitos, em vez de asserções textuais rígidas, que seriam inviáveis dada a variabilidade inerente desses modelos. A análise dos resultados revelou padrões de falha específicos que merecem atenção, especialmente em cenários de confidencialidade e inclusão de informações geográficas.</p>

<p>Em relação aos resultados obtidos com o ChatGPT, após dez execuções, a Regra 1 e a Regra 3 apresentaram as maiores taxas de infração. Para a Regra 1, que proíbe a menção de nomes de empresas, produtos ou marcas em briefings de concorrentes e confidenciais, observou-se uma taxa de erro de 100% no cenário confidencial. Isso significa que, em todas as execuções, o modelo incluiu indevidamente esses nomes, apesar das instruções claras no prompt para sua exclusão, indicando uma dificuldade em priorizar restrições condicionais.</p>

<p>A Regra 3, que exige a inclusão da região geográfica de interesse do cliente em briefings de consumidores finais, também registrou uma taxa de erro de 100% para o ChatGPT. Essa falha é crítica, pois a localização geográfica é uma variável imprescindível para a análise do comportamento e preferências regionais dos consumidores. A incapacidade do modelo de aderir a essa restrição específica demonstra uma limitação significativa na incorporação de critérios obrigatórios relacionados a dados contextuais.</p>

<p>No que tange à Regra 4, que instrui o output a ser direto e sem textos explicativos adicionais, o ChatGPT apresentou 40% de erro para o briefing de consumidores e 30% para o briefing de dados sensíveis. Essas infrações indicam uma tendência do modelo a expandir o conteúdo além do solicitado, incluindo explicações adicionais. Esse comportamento pode estar associado ao treinamento do modelo, que muitas vezes prioriza respostas mais completas e informativas, mesmo quando a concisão é explicitamente requerida.</p>

<p>As Regras 2 (proibição de mencionar o cargo do expert em briefings de concorrentes) e 6 (proibição de solicitar informações confidenciais) foram cumpridas integralmente pelo ChatGPT, com 0% de infração em todos os cenários. O sucesso na Regra 2 pode ser atribuído ao fato de que apenas um dos briefings especificava o tipo de expert, reduzindo a probabilidade de falha. Já o cumprimento da Regra 6 pode estar relacionado ao treinamento do modelo, que geralmente evita a inclusão de dados confidenciais por políticas internas.</p>

<p>Ao analisar os resultados do Gemini, observou-se um padrão de violação das orientações semelhante ao do ChatGPT, especialmente nas Regras 1 e 3. Para a Regra 1, o Gemini apresentou 100% de infrações tanto no briefing de concorrentes quanto no de informações confidenciais. Isso contrasta com o ChatGPT, que não apresentou erros no briefing de concorrentes para essa regra, indicando que o Gemini teve maior dificuldade em evitar menções indevidas a dados da empresa-alvo em ambos os cenários de restrição de nomes.</p>

<p>A Regra 3 também registrou 100% de infração para o Gemini no briefing de consumidores, reproduzindo o mesmo resultado de falha total observado no ChatGPT. Essa consistência nos erros para a Regra 3 em ambos os modelos reforça a dificuldade intrínseca dos sistemas de IA generativa em cumprir requisitos condicionais que exigem a inclusão de informações geográficas específicas, um dado crucial para a contextualização da interação com especialistas sobre consumidores.</p>

<p>Em relação à Regra 4, o Gemini demonstrou um desempenho superior ao ChatGPT, não registrando nenhuma infração. Isso sugere que o Gemini foi mais eficaz em manter a comunicação direta e objetiva, evitando a inclusão de textos explicativos adicionais que o ChatGPT tende a gerar. Essa diferença pode indicar variações nos modelos de treinamento, onde o Gemini pode ter sido otimizado para maior concisão quando instruído explicitamente.</p>

<p>Contudo, o Gemini apresentou uma infração adicional na Regra 5, com uma taxa de 20% no briefing de dados sensíveis, algo não observado no ChatGPT. A Regra 5 proíbe o uso de palavras-chave politicamente sensíveis, como “espionagem” ou “terrorismo”. Essa falha pontual do Gemini indica uma dificuldade específica em filtrar termos sensíveis, sugerindo que, embora o modelo possa ser mais objetivo no estilo, ainda pode falhar em restrições de conteúdo relacionadas a temas delicados.</p>

<p>As Regras 2 e 6 foram cumpridas integralmente pelo Gemini, assim como pelo ChatGPT, sem nenhuma infração em qualquer cenário. O sucesso na Regra 2, que trata do cargo do expert, e na Regra 6, sobre informações confidenciais, reforça que esses tipos de restrições podem estar mais alinhados com os padrões de treinamento e as políticas de uso desses modelos, tornando-os mais propensos a evitar a inclusão de tais dados.</p>

<p>Em uma análise geral, os resultados indicam que as Regras 2, 5 e 6 apresentaram desempenho satisfatório, com taxas de sucesso de 100% para as Regras 2 e 6, e 90% para a Regra 5 (no cenário aplicável). Por outro lado, as Regras 1, 3 e 4 ficaram abaixo do critério de aceitabilidade de 80% de sucesso estabelecido por Mariano (2026), com a Regra 3 apresentando falha total (0% de sucesso). Esses achados evidenciam a dificuldade persistente dos modelos de IA generativa em cumprir restrições estipuladas, especialmente em cenários complexos ou condicionais.</p>

<p>A dificuldade dos modelos em hierarquizar corretamente as instruções condicionais foi um fator recorrente. A presença explícita de nomes de empresas ou produtos no briefing, por exemplo, pareceu reforçar esses elementos como essenciais para a resposta, levando o modelo a priorizá-los, mesmo diante de instruções claras para sua exclusão. Esse conflito semântico entre o conteúdo do briefing e as regras de restrição demonstra uma limitação na capacidade de interpretação contextual e na aderência a requisitos específicos.</p>

<p>A natureza não determinística dos modelos de IA generativa impacta diretamente a previsibilidade das respostas, reforçando a necessidade de uma iteração contínua com o prompt para aprimorar a qualidade dos resultados. A validação humana, conforme sugerido por Gluck (2026), permanece essencial, especialmente em contextos que exigem sensibilidade, senso crítico e interpretação contextual, como na elaboração de e-mails convite a especialistas, para garantir assertividade, clareza, adequação do tom e conformidade com aspectos éticos e de confidencialidade.</p>

<p>A integração de testes automatizados, combinada com o refinamento iterativo de prompts e a validação humana, constitui uma abordagem eficaz para o desenvolvimento de soluções baseadas em inteligência artificial generativa. Os resultados desta pesquisa demonstram que, embora esses modelos ofereçam alta capacidade de geração textual, a validação contínua e sistemática é indispensável para assegurar que os outputs estejam em conformidade com as regras e expectativas, mitigando os riscos de inconsistências, vieses e alucinações.</p>

4. Conclusão

<p>O estudo buscou desenvolver uma abordagem de testes automatizados para validar os resultados de sistemas de inteligência artificial generativa, como ChatGPT e Gemini, avaliando sua reprodutibilidade, precisão, consistência e confiabilidade. Verificou-se que, apesar da notável capacidade de geração textual, os modelos apresentaram dificuldades significativas em aderir integralmente às regras estipuladas. Observou-se, por exemplo, uma taxa de 100% de infração na Regra 1 para o Gemini em cenários de concorrentes e confidenciais, e para o ChatGPT no cenário confidencial, indicando falha em evitar menções indevidas a nomes de empresas ou produtos. Similarmente, a Regra 3, que exigia a inclusão da região geográfica em briefings de consumidores, registrou 100% de erro em ambos os modelos. Em contrapartida, as Regras 2 e 6 foram cumpridas integralmente, demonstrando que certas restrições são mais bem assimiladas. A principal contribuição do estudo reside na demonstração de que a implementação de testes automatizados é um mecanismo essencial para aumentar a confiabilidade e a robustez de soluções baseadas em IA generativa, permitindo que profissionais de qualidade se concentrem em análises estratégicas.</p>

<p>As limitações do estudo decorrem da natureza não determinística dos modelos de IA generativa, que impacta a previsibilidade das respostas e a dificuldade em hierarquizar instruções condicionais complexas. A presença explícita de elementos no briefing, mesmo com regras de exclusão, levou os modelos a priorizá-los, evidenciando um conflito semântico na interpretação. Sugere-se, para estudos futuros, a iteração contínua com os prompts, refinando as instruções com base nos resultados obtidos, e a utilização de blocos de repetição condicional no código para regenerar saídas que não atendam às regras. Além disso, a validação humana permanece indispensável para aspectos subjetivos como tom, clareza e conformidade ética, complementando a automação e garantindo a qualidade final do conteúdo gerado em contextos sensíveis.</p>

Referências Bibliográficas

Baglai, O. 2025. Testing Generative Al Applications: QA for Al Systems Guide. Disponível em: <https://testfort.com/blog/testing-generative-ai-applications>. Acesso em: 23 fev. 2026.

Belcic, Ι.; Stryker, C. Ο que é ChatGPT? Disponível em: <https://www.ibm.com/br-pt/think/topics/chatgpt>. Acesso em: 26 fev. 2026.

Carraro, F. 2023. Inteligência Artificial e ChatGPT: da revolução dos modelos de IA generativa à engenharia de prompt. 1ed. Casa do Código, São Paulo, SP, Brasil.

Cypress. 2024. Why Cypress? Disponível em: <https://docs.cypress.io/app/get-started/why-cypress>. Acesso em: 26 mar. 2025.

Gallotti, G. M. A. 2017. Qualidade de Software. 1ed. Pearson, São Paulo, SP, Brasil.

Gemini. Visão geral do app do Gemini. Disponível em: <https://gemini.google/br/overview/?hl=pt-BR>. Acesso em: 26 fev. 2026.

Gluck, J. 2026. Techniques for Testing Generative Al Applications. Disponível em: <https://medium.com/qawolf/techniques-for-testing-generative-ai-applications-344ef53bb13a>. Acesso em: 23 fev. 2026.

Halani, K.R.; Kavita; Saxena, R. 2021. Critical Analysis of Manual Versus Automation Testing. International Conference on Computational Performance Evaluation (2021), 132-135.

Kushwah, S.; Dave, N. 2025. Al Hallucination and Strategies to Overcome: Enhancing Human-Al Interaction. International Conference on Artificial Intelligence and Machine Vision (2025), 1-6.

Mariano, A. C. 2026. Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications. arXiv Preprint (2026).

Muniz, A.; Valente, C.; Graglia, M.; Huelsen, P. 2024. Inteligência Artificial: entenda como a IA pode impactar no mercado de trabalho e na sociedade. 1ed. Brasport, Rio de Janeiro, RJ, Brasil.

OpenAI. 2022. Conheça o ChatGPT. Disponível em: <https://openai.com/pt-BR/index/chatgpt/>. Acesso em: 26 fev. 2026.

Quiroz, Liam. What are the Benefits of Visual Studio Code? 2025. Disponível em: https://liamquiroz.com/benefits-of-visual-studio-code/. Acesso em: 20 fev. 2026.

Stryker, C. O que é LLM (grandes modelos de linguagem)? Disponível em: <https://www.ibm.com/br-pt/think/topics/large-language-models>. Acesso em: 26 fev. 2026.

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