Artículo

17 de noviembre de 2026

Um artefato de IA baseado em Design Thinking para apoiar a elicitação de requisitos de software a partir das necessidades dos usuários

Thiago Luiz Cordeiro Ferreira; Diego Marques de Carvalho

DOI: 10.22167/2675-6528-202603935

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

O desenvolvimento de software orientado às necessidades dos usuários frequentemente enfrenta desafios na elicitação de requisitos, decorrentes de ambiguidades na linguagem natural e falhas de comunicação. Diante disso, propôs-se e validou-se um artefato inteligente que integra Design Thinking e Inteligência Artificial, com foco nas etapas de Empatia e Definição, para apoiar a coleta, interpretação e estruturação das necessidades dos usuários. A pesquisa, de natureza aplicada, qualitativa e exploratória, conduziu uma Prova de Conceito em ambiente controlado, empregando cenários hipotéticos. O artefato operou por meio de entrevistas guiadas em linguagem natural, organizando informações em elementos como dor, contexto e impacto, e gerando sínteses de problemas rastreáveis. Os resultados indicaram que o sistema organizou relatos não estruturados, reduziu ambiguidades e preservou o sentido das informações originais na maioria dos casos. Observou-se também a capacidade de reorganização lógica em cenários complexos, embora com limitações na separação de múltiplos problemas e dependência das instruções. Concluiu-se que o artefato possui potencial como apoio à elicitação de requisitos, melhorando a clareza e a estruturação das informações, mas requer supervisão e controle contextual.

Palavras-chave: Design Thinking; Elicitação de Requisitos; Engenharia de Requisitos; Inteligência Artificial; Processamento de Linguagem Natural.

1. Introdução

O desenvolvimento de software orientado às necessidades reais dos usuários apresenta desafios significativos para organizações que buscam entregar soluções eficazes e inovadoras. Esse desafio manifesta-se nas etapas iniciais do desenvolvimento de uma solução, particularmente na fase de elicitação de requisitos. Uma lacuna persistente existe entre a necessidade real do usuário e sua transformação em um produto final, em grande parte devido a dificuldades de comunicação entre os usuários e as equipes de desenvolvimento.

A definição adequada do que deve ser construído não é um problema recente na Engenharia de Software. Brooks (1987) destaca que uma das tarefas mais desafiadoras no desenvolvimento de sistemas consiste na correta compreensão das necessidades dos usuários e sua tradução em requisitos técnicos consistentes. Apesar dos avanços tecnológicos, estudos recentes, como os de Khalil et al. (2025), indicam que os desafios na elicitação e interpretação de requisitos permanecem fatores críticos para o insucesso de projetos de software. A dependência da linguagem natural para a descrição dos requisitos é uma fonte recorrente de problemas, pois ambiguidades lexicais, sintáticas e semânticas podem comprometer o entendimento comum entre stakeholders e equipes de desenvolvimento, propagando erros ao longo do ciclo de vida do software.

Nesse contexto, a metodologia do Design Thinking se destaca como uma abordagem centrada no ser humano, focada no usuário e nas pessoas envolvidas no processo de desenvolvimento de um sistema. Brown (2009) explica que o Design Thinking busca integrar as necessidades das pessoas, as possibilidades tecnológicas e os requisitos para o sucesso do negócio, por meio de práticas como empatia, colaboração interdisciplinar e experimentação contínua. Liedtka (2018) complementa que essa abordagem não apenas estimula a inovação, mas também contribui para a redução de incertezas ao estruturar melhor a compreensão dos problemas e promover ciclos iterativos de aprendizado. Contudo, sua aplicação prática ainda depende fortemente da atuação de facilitadores experientes, o que limita a padronização e escalabilidade, podendo comprometer a consistência dos resultados.

Paralelamente, avanços recentes em inteligência artificial, especialmente no campo do processamento de linguagem natural (NLP), têm ampliado as possibilidades de apoio às atividades da Engenharia de Requisitos. Isso ocorre porque os requisitos de software são, em sua maioria, expressos em linguagem natural, tornando-os suscetíveis a ambiguidades, inconsistências e informações incompletas. Estudos de revisão, como os de Cruz e Cruz (2020), apontam que técnicas baseadas em aprendizado de máquina são aplicadas para automatizar tarefas como classificação, detecção de ambiguidade e análise de qualidade de requisitos, contribuindo para a redução de erros e o aumento da consistência das especificações. Evidências recentes indicam que agentes conversacionais podem apoiar a elicitação de requisitos por meio de interações em linguagem natural, estruturando informações e auxiliando na classificação de requisitos (Bano et al., 2024; White et al., 2023).

Apesar desses avanços, as abordagens existentes ainda apresentam limitações relevantes. Sistemas baseados em NLP e agentes conversacionais tendem a focar na extração e organização de informações, mas frequentemente carecem de mecanismos estruturados para promover uma compreensão profunda do contexto do usuário, um elemento central nas etapas de Empatia e Definição do Design Thinking. Como resultado, existe uma lacuna entre a coleta automatizada de dados e a interpretação qualificada necessária para a definição de requisitos de software alinhados às reais necessidades dos usuários.

Diante desse cenário, este trabalho tem como objetivo propor e validar um artefato inteligente baseado na integração entre Design Thinking e inteligência artificial, com foco nas etapas de Empatia e Definição, buscando atuar como um mediador no processo de elicitação de requisitos, apoiando a coleta, interpretação e estruturação das necessidades dos usuários a partir de interações em linguagem natural, com o objetivo de reduzir ambiguidades, melhorar a qualidade das informações obtidas e promover a rastreabilidade entre relatos, problemas e requisitos de software.

2. Material e Métodos

A pesquisa foi caracterizada como de natureza aplicada, com abordagem qualitativa e caráter exploratório. Teve como objetivo o desenvolvimento e a validação de um artefato computacional para apoiar a elicitação de requisitos, integrando Design Thinking e inteligência artificial. A metodologia focou na análise e interpretação de dados textuais, buscando compreender significados e padrões em relatos de usuários. A estratégia central consistiu na realização de uma Prova de Conceito (PoC) em ambiente controlado, utilizando cenários hipotéticos para observar o comportamento do artefato.

A condução do estudo foi orientada pela construção e avaliação do artefato, fundamentada em conceitos da Engenharia de Software e do Design Thinking, com ênfase nas etapas de Empatia e Definição. O Design Thinking foi selecionado por sua abordagem centrada no usuário, priorizando a exploração de necessidades e a compreensão de problemas complexos (Brown, 2009; Liedtka, 2018). O artefato buscou estruturar e interpretar informações sobre as necessidades dos usuários, simulando um processo de entrevista guiada para aprofundar a compreensão das dificuldades e reduzir ambiguidades na definição de requisitos.

A arquitetura do artefato foi concebida em um modelo de quatro camadas: apresentação, lógica de negócio, serviços de inteligência artificial e persistência de dados. A camada de apresentação foi implementada com React e Vite, enquanto a lógica de negócio utilizou FastAPI em Python, com Pydantic para formalização de contratos de dados. A camada de inteligência artificial, denominada LLMService, abstraiu a comunicação com provedores externos de modelos de linguagem de grande escala (LLMs), como OpenAI e Google Gemini. Para a Prova de Conceito, empregou-se o modelo gpt-40-mini da OpenAI.

O processo de entrevista na fase de Empatia foi gerenciado pelo componente InterviewManager, supervisionado pelo EmpathyService, operando como uma máquina de estados para controlar o fluxo da interação. As instruções de persona e o fluxo conversacional foram externalizados em arquivos de texto, como `empathy_interview.txt`, permitindo flexibilidade. O fluxo de dados foi unidirecional: a interface enviava dados de entrada via HTTP para a lógica de negócio, que os encaminhava ao InterviewManager, invocando o LLMService para gerar respostas estruturadas. Ao final, relatórios contendo dor, contexto, impacto e resumo narrativo eram persistidos em estruturas JSON.

Os dados para a avaliação do artefato foram construídos por meio de cenários hipotéticos, elaborados pelo pesquisador. Essa abordagem foi adotada devido à natureza exploratória da pesquisa e à restrição ética de não interação com usuários reais, permitindo o controle de variáveis e a análise do comportamento do sistema em situações representativas. Os cenários basearam-se em literatura e experiências profissionais em elicitação de requisitos, buscando plausibilidade e coerência com problemas reais. Definiram-se seis cenários de teste, variando em tipos de problemas, níveis de detalhamento e contextos de uso, para garantir uma avaliação exploratória diversificada.

A execução da Prova de Conceito ocorreu em ambiente controlado, com a inserção dos relatos simulados na interface do artefato, no módulo de Empatia. Cada cenário foi processado individualmente, gerando uma sessão de entrevista única. O sistema conduziu interações em linguagem natural, seguindo ciclos de pergunta e resposta até o encerramento da etapa de Empatia. O processo respeitou os estágios de coleta de identificação, abertura, aprofundamento e encerramento. O critério de finalização foi a validação do nível mínimo de informações para os campos dor, contexto e impacto, além da confirmação de encerramento via linguagem natural.

A pesquisa não envolveu a participação direta de seres humanos nem a utilização de dados pessoais identificáveis, utilizando exclusivamente cenários hipotéticos para teste e validação. Dessa forma, a pesquisa foi considerada isenta de riscos éticos, e o Formulário de Dispensa de Ética (FDE) foi preenchido conforme as normas institucionais. A avaliação do artefato foi conduzida de forma qualitativa, focando na capacidade de apoiar a organização e interpretação de informações em linguagem natural no contexto da elicitação de requisitos.

Para a avaliação, definiram-se critérios analíticos baseados na observação das relações entre os dados de entrada e as saídas geradas pelo sistema. Verificou-se a coerência estrutural, analisando a adequação da organização dos relatos nos elementos dor, contexto e impacto em relação ao conteúdo original. Avaliou-se a rastreabilidade, observando a capacidade do sistema de manter vínculo explícito entre os relatos iniciais, os dados estruturados e as sínteses produzidas na etapa de Definição. A fidelidade semântica foi verificada pela ausência de inserção de informações não presentes nos dados de entrada, reduzindo o risco de alucinações (Alkaissi e McFarlane, 2023). Analisou-se também a consistência das sínteses e a redução de ambiguidades.

3. Resultados e Discussão

A Prova de Conceito (PoC) foi executada a partir da elaboração intencional de seis cenários de teste, concebidos para representar diferentes níveis de qualidade e estruturação de relatos de usuários no contexto da elicitação de requisitos de software. Esses cenários foram formulados com base em situações típicas observadas na prática profissional do pesquisador, especialmente em ambientes corporativos que empregam sistemas de gestão como ERP, TMS, WMS e CRM. A intenção não foi replicar casos reais, mas sim simular variações na forma como os usuários expressam suas dificuldades, a fim de testar os critérios de avaliação estabelecidos, como coerência estrutural, rastreabilidade, fidelidade semântica, consistência das sínteses e redução de ambiguidades.

Os cenários foram estruturados para variar em dimensões como clareza, nível de detalhamento, organização lógica, carga emocional e complexidade do problema relatado, permitindo uma análise abrangente da robustez do artefato. Essa diversidade alinha-se aos princípios do Design Thinking, particularmente na etapa de Empatia, onde a compreensão das diversas formas de expressão dos usuários, incluindo relatos incompletos, subjetivos ou emocionalmente carregados, é fundamental para a definição precisa dos problemas. A avaliação do artefato, portanto, buscou observar seu comportamento em condições variadas, não apenas ideais.

Descrição dos cenários

O Cenário 1, denominado “Relato claro e estruturado”, descreveu um problema operacional em um sistema de gestão logística (TMS) de forma objetiva, com contexto definido, sequência lógica dos fatos e explicitação dos impactos. Este relato apresentou baixa ambiguidade e uma organização natural das informações, servindo como base para avaliar a capacidade do artefato em processar dados bem definidos. A clareza inicial permitiu observar a manutenção da integridade da informação pelo sistema.

O Cenário 2, “Relato confuso e desorganizado”, apresentou um usuário relatando dificuldades em um sistema ERP de maneira fragmentada, com sobreposição de informações e ausência de sequência lógica. A mistura de diferentes aspectos do problema dificultou a compreensão imediata da situação, desafiando o artefato a reorganizar e estruturar informações complexas. Este cenário foi crucial para testar a capacidade de interpretação e organização lógica do sistema.

No Cenário 3, “Relato superficial”, o usuário fez uma reclamação genérica sobre o sistema, com baixo nível de detalhamento e ausência de informações sobre contexto ou impacto. Este relato exigiu aprofundamento investigativo para se tornar útil à elicitação de requisitos, testando a capacidade do artefato de conduzir a entrevista de forma adaptativa. A interação do sistema foi fundamental para extrair detalhes adicionais e enriquecer a descrição do problema.

O Cenário 4, “Relato com ambiguidade semântica”, descreveu o problema utilizando termos vagos e imprecisos, como “não funciona direito” ou “às vezes dá erro”, sem especificar claramente as condições da falha. Este tipo de relato apresentou alto grau de ambiguidade interpretativa, exigindo que o artefato esclarecesse os termos e contextos para uma compreensão mais precisa. A capacidade de reduzir ambiguidades foi um ponto central de avaliação neste cenário.

No Cenário 5, “Relato com múltiplos problemas”, o usuário apresentou um relato detalhado, mas contendo diferentes problemas inter-relacionados, como lentidão do sistema, inconsistência de dados e dificuldades de uso. A descrição exigiu a capacidade do artefato de separar logicamente e organizar as informações, testando sua habilidade em identificar e categorizar múltiplos pontos de dor. A complexidade deste cenário desafiou a granularidade da análise do sistema.

Por fim, o Cenário 6, “Relato com forte carga emocional”, expressou insatisfação de forma predominantemente emocional, com linguagem subjetiva e pouco estruturada, focando na frustração com um sistema de gestão de clientes (CRM) e com menor ênfase na descrição objetiva dos eventos. Este cenário avaliou a capacidade do artefato de extrair informações relevantes mesmo em relatos emocionalmente carregados, transformando percepções subjetivas em elementos estruturados de dor, contexto e impacto.

Execução da Prova de Conceito

A execução da Prova de Conceito consistiu na aplicação do artefato sobre os seis cenários de teste definidos, com o objetivo de observar seu comportamento na condução das entrevistas e na geração de saídas estruturadas. De forma geral, o sistema demonstrou um fluxo de interação adaptativo, ajustando a sequência e o tipo de perguntas conforme as respostas fornecidas em cada cenário. Esse comportamento foi mais evidente nos casos em que os relatos iniciais eram superficiais ou ambíguos, nos quais o artefato realizou um maior número de interações para aprofundamento das informações, conforme a lógica de orquestração da entrevista.

Em contrapartida, cenários com relatos mais claros demandaram menos iterações, indicando uma adaptação ao nível de detalhamento disponível, o que otimizou o processo de elicitação. O encerramento das entrevistas não seguiu um número fixo de interações, ocorrendo quando o sistema identificava a presença de informações suficientes para estruturar o relato nos elementos de dor, contexto e impacto, além da confirmação de encerramento por parte do entrevistado. Ao final de cada execução, o artefato gerou saídas estruturadas contendo o relato original e sua organização nos elementos definidos, as quais serviram de base para a análise qualitativa subsequente.

Embora o comportamento adaptativo tenha se mostrado consistente, observou-se que a qualidade das interações apresentou dependência direta das instruções fornecidas ao modelo (prompt), evidenciando a sensibilidade do sistema à forma como sua lógica de condução é definida. Essa dependência sublinha a importância de um design cuidadoso dos prompts para garantir a eficácia do artefato. A externalização das instruções em arquivos de texto (empathy_interview.txt e definition_interview.txt) permitiu ajustes iterativos e avaliações independentes, contribuindo para a reprodutibilidade e o refinamento do artefato.

Análise dos Resultados com Base nos Critérios Definidos

Coerência Estrutural

Observou-se que o sistema estruturou adequadamente os relatos, mesmo nos cenários em que a entrada apresentava baixo nível de organização. Nos casos em que o usuário descreveu a situação de forma clara e sequencial, como no Cenário 1, a estrutura gerada pelo artefato manteve correspondência direta com o relato original, sem introdução de distorções relevantes. Esse comportamento demonstra a capacidade do artefato de preservar a integridade da informação quando a entrada já é bem definida.

Por outro lado, nos cenários caracterizados por relatos desorganizados (Cenário 2) ou com múltiplos problemas (Cenário 5), o sistema demonstrou capacidade de reorganização lógica das informações, separando implicitamente elementos que, no relato original, estavam sobrepostos. Esse comportamento indica que o artefato não apenas reescreve o conteúdo, mas realiza um processo de interpretação estruturante, transformando dados brutos em uma representação mais coesa e compreensível, o que é um benefício significativo para a elicitação de requisitos.

Entretanto, em cenários com múltiplos problemas, o sistema tendeu a agrupar diferentes questões em uma única estrutura, o que reduziu o detalhamento da análise, pois problemas distintos deixaram de ser separados. Essa consolidação pode impactar etapas posteriores da elicitação de requisitos, exigindo intervenção humana para refinar a separação. De modo geral, os resultados indicam que o artefato apresenta boa capacidade de organização estrutural, especialmente na transformação de relatos não estruturados em representações mais claras e utilizáveis, embora sua eficácia possa ser influenciada pela complexidade e densidade informacional do relato de entrada.

Rastreabilidade

Observou-se que o artefato permitiu estabelecer uma relação clara entre o relato original do usuário e a estrutura gerada, especialmente nos cenários em que as informações foram progressivamente refinadas ao longo da interação. Nos casos analisados, foi possível identificar correspondência entre trechos do relato original e os elementos estruturados de dor, contexto e impacto, indicando que o sistema preservou o vínculo semântico entre a fala do usuário e sua representação organizada. Esse aspecto foi mais evidente nos cenários em que o processo de entrevista resultou em maior detalhamento das informações, como nos Cenários 2 e 3, onde a interação iterativa enriqueceu a compreensão.

Além disso, observou-se que o processo iterativo de interação contribuiu para o fortalecimento dessa rastreabilidade, uma vez que as perguntas realizadas pelo sistema ajudaram a explicitar informações implícitas no relato inicial. Como resultado, a versão estruturada não apenas reorganiza o conteúdo, mas também reflete um processo de construção progressiva do entendimento do problema, o que é fundamental para a qualidade dos requisitos. Esse refinamento gradual é um dos pontos fortes do artefato, alinhando-se à necessidade de aprofundamento na fase de Empatia do Design Thinking.

Entretanto, em cenários com maior complexidade, como aqueles que envolvem múltiplos problemas (Cenário 5), observou-se que a rastreabilidade se tornou menos explícita. Nesses casos, diferentes aspectos do relato tenderam a ser consolidados em uma única estrutura, o que dificultou a identificação direta de correspondências específicas entre trechos do discurso original e os elementos estruturados. De forma geral, os resultados indicam que o artefato foi capaz de preservar a rastreabilidade entre o discurso do usuário e a representação estruturada do problema, contribuindo para a transparência do processo de elicitação, mas essa capacidade apresenta variações conforme a complexidade e a organização do relato de entrada.

Fidelidade Semântica

Observou-se que, de modo geral, o artefato manteve aderência ao conteúdo dos relatos originais, preservando o significado das informações ao estruturá-las nos elementos de dor, contexto e impacto. Nos cenários com maior clareza e detalhamento (Cenário 1), a correspondência semântica entre o relato e a estrutura gerada foi direta, sem alterações relevantes de sentido. Já nos cenários em que houve aprofundamento por meio da interação (Cenários 2 e 3), verificou-se que a versão estruturada incorporou informações adicionais obtidas durante a entrevista, mantendo coerência com o conteúdo originalmente apresentado, o que demonstra a capacidade de enriquecer a informação sem distorcer o sentido.

Entretanto, em cenários com maior ambiguidade (Cenário 4), observou-se que a interpretação do sistema depende do contexto construído ao longo da interação. Nesses casos, a estrutura gerada tende a refletir uma leitura plausível do relato, mas não necessariamente única, o que indica a presença de interpretação orientada pelo modelo. Essa característica ressalta a importância da supervisão humana para validar as interpretações em situações de alta incerteza. De forma geral, os resultados indicam que o artefato preserva o sentido das informações na maior parte dos casos, embora sua atuação envolva um nível de interpretação, especialmente quando o relato inicial apresenta baixa clareza, um desafio comum na elicitação de requisitos.

Consistência das Sínteses

Observou-se que as sínteses geradas pelo artefato apresentaram consistência em relação aos relatos analisados, resultando em representações de problema compreensíveis e, em geral, utilizáveis para etapas posteriores da elicitação de requisitos. Nos cenários com relatos mais claros (Cenário 1), as definições de problema foram diretas e alinhadas ao conteúdo apresentado, sem perda de sentido ou generalizações indevidas. Já nos cenários em que houve aprofundamento por meio da interação (Cenários 2 e 3), as sínteses refletiram o refinamento progressivo das informações, incorporando elementos que não estavam explícitos no relato inicial, mas que foram obtidos ao longo da entrevista, demonstrando a capacidade de construir uma compreensão mais completa do problema.

Entretanto, observou-se que, em cenários com maior complexidade (Cenário 5), as sínteses tenderam a assumir um caráter mais abrangente, consolidando diferentes aspectos do problema em uma única definição. Esse comportamento pode reduzir a precisão da representação, especialmente quando múltiplas questões poderiam ser tratadas de forma independente. De forma geral, as sínteses apresentaram consistência e utilidade, embora sua qualidade varie conforme o nível de detalhamento e organização das informações disponíveis ao longo da interação, o que sugere a necessidade de refinamento em casos de alta complexidade.

Redução de Ambiguidade

Observou-se que o artefato contribuiu para a redução de ambiguidades presentes nos relatos iniciais, especialmente nos cenários em que as informações eram vagas ou pouco estruturadas. Nos cenários com maior ambiguidade (Cenário 4), verificou-se que o processo de interação possibilitou o esclarecimento progressivo de termos imprecisos, tornando mais explícitas as condições em que os problemas ocorriam e seus respectivos impactos. Como resultado, a versão estruturada apresentou maior clareza em comparação ao relato original, o que é um avanço significativo para a qualidade dos requisitos.

Por outro lado, nos cenários em que o relato inicial já apresentava boa definição (Cenário 1), o ganho em termos de redução de ambiguidade foi menos expressivo, limitando-se à organização das informações. Isso indica que, embora o artefato seja eficaz em estruturar dados claros, seu maior valor reside na capacidade de lidar com a incerteza e a imprecisão. De forma geral, os resultados indicam que o artefato é mais efetivo na redução de ambiguidades quando aplicado a relatos com menor clareza inicial, evidenciando sua utilidade como mecanismo de apoio à explicitação de problemas no contexto da elicitação de requisitos.

Discussão dos Resultados à Luz da Literatura

Os resultados da Prova de Conceito indicam que o artefato foi capaz de apoiar a elicitação de requisitos por meio da organização de relatos em linguagem natural. Esse comportamento está alinhado com o crescente interesse da comunidade de Engenharia de Requisitos no uso de Modelos de Linguagem de Grande Escala (LLMs) para tarefas cognitivamente exigentes, como elicitação e validação, que antes eram pouco acessíveis a abordagens automatizadas. A capacidade de processar e estruturar informações em linguagem natural é um diferencial que pode transformar a forma como os requisitos são coletados e interpretados, conforme apontado por Zadenoori et al. (2025).

O sistema contribuiu especialmente para a coerência estrutural e a redução de ambiguidades nos relatos analisados. Nesse sentido, Ahmed et al. (2025) destacam que abordagens híbridas, combinando LLMs com supervisão humana, tendem a ampliar a confiabilidade dos resultados, o que sugere que o uso isolado do artefato pode encontrar limites em contextos de maior complexidade. A necessidade de supervisão humana é um ponto crucial, pois garante que as interpretações do modelo estejam alinhadas com o contexto e as expectativas dos stakeholders, mitigando riscos de alucinações ou interpretações equivocadas.

Quanto à rastreabilidade, o artefato manteve, em geral, a relação entre o discurso do usuário e sua representação estruturada. Kasauli et al. (2024) apontam que esse aspecto é central na Engenharia de Requisitos, pois garante transparência e justificabilidade ao longo do ciclo de desenvolvimento, ainda que sua implementação plena represente um desafio mesmo em abordagens tradicionais. A capacidade de vincular os relatos originais aos elementos estruturados de dor, contexto e impacto é um avanço que facilita a auditoria e a validação dos requisitos, promovendo maior confiança no processo.

Por fim, as limitações observadas quanto à dependência do modelo às instruções fornecidas e à ocorrência de interpretações inconsistentes em cenários ambíguos são igualmente documentadas na literatura. Abu-Doush et al. (2025) mostram que, embora estratégias de prompt bem estruturadas reduzam esses problemas, limitações intrínsecas aos modelos persistem, reforçando a necessidade de supervisão humana no uso dessas tecnologias. Essa perspectiva corrobora a importância de considerar o artefato como um apoio, e não um substituto, para a expertise humana na elicitação de requisitos.

Limitações da Avaliação

A avaliação realizada apresenta limitações que devem ser consideradas na interpretação dos resultados. A principal limitação refere-se ao uso de cenários simulados, elaborados com base na experiência do pesquisador, sem a participação de usuários reais. Embora essa abordagem tenha permitido o controle das variáveis analisadas, ela não contempla integralmente a complexidade e a variabilidade presentes em contextos reais de elicitação de requisitos. A ausência de interação com usuários reais pode ter simplificado certas dinâmicas e nuances que surgiriam em um ambiente de uso autêntico, afetando a generalização dos achados.

Além disso, a condução da avaliação em ambiente controlado limita a generalização dos resultados, uma vez que o comportamento do artefato pode variar quando exposto a interações mais imprevisíveis e a diferentes perfis de usuários. A diversidade de estilos de comunicação, o nível de conhecimento técnico e as expectativas dos usuários reais podem introduzir desafios adicionais que não foram totalmente explorados nos cenários hipotéticos. Essa restrição metodológica sugere que futuras validações em contextos empíricos são necessárias para confirmar a robustez do artefato.

Outra limitação relevante diz respeito à dependência do modelo de linguagem utilizado. Como o artefato se baseia em um LLM, seu desempenho está diretamente relacionado à qualidade das respostas geradas, bem como às instruções fornecidas (prompt), o que pode influenciar a consistência dos resultados. A escolha do modelo gpt-4o-mini, embora adequada para a prova de conceito, pode não representar o desempenho de outros modelos ou versões futuras, indicando que a performance do artefato é sensível à tecnologia subjacente. A qualidade dos prompts, por sua vez, é um fator crítico que exige expertise e refinamento contínuo.

Por fim, deve-se considerar o possível viés do pesquisador na elaboração dos cenários e na interpretação dos resultados, uma vez que ambas as etapas foram conduzidas pelo mesmo indivíduo. Embora tenha havido um esforço para garantir diversidade e plausibilidade nos cenários, a subjetividade inerente ao processo pode ter influenciado as escolhas e as análises. Essa limitação é comum em pesquisas qualitativas e exploratórias, mas ressalta a importância de validações independentes para fortalecer a confiabilidade dos achados.

Síntese dos Principais Achados

Os resultados obtidos indicam que o artefato foi capaz de apoiar o processo de elicitação de requisitos, especialmente na organização e estruturação de relatos em linguagem natural. Observou-se que o sistema contribuiu para a transformação de relatos não estruturados em representações mais claras, mantendo coerência estrutural e preservando, na maior parte dos casos, o sentido das informações. Além disso, demonstrou capacidade de reduzir ambiguidades e de estabelecer relações entre o discurso do usuário e sua representação estruturada, o que é fundamental para a qualidade dos requisitos de software.

As sínteses geradas apresentaram consistência e potencial de utilização em etapas posteriores do processo de desenvolvimento, embora sua qualidade varie conforme o nível de clareza e detalhamento das informações disponíveis. Por outro lado, os resultados também evidenciam que o desempenho do artefato depende do contexto de aplicação e das instruções fornecidas ao modelo, indicando a necessidade de uso controlado e supervisionado. De forma geral, os achados sugerem que o uso de Inteligência Artificial, aliado a abordagens como o Design Thinking, apresenta potencial como suporte à elicitação de requisitos, especialmente nas etapas iniciais de compreensão e definição de problemas, respondendo ao objetivo de propor e validar um artefato que apoie a coleta, interpretação e estruturação das necessidades dos usuários.

4. Conclusão

O presente estudo buscou propor e validar um artefato inteligente que integra Design Thinking e inteligência artificial, com foco nas etapas de Empatia e Definição, para apoiar a coleta, interpretação e estruturação das necessidades dos usuários a partir de interações em linguagem natural. Verificou-se que o sistema demonstrou capacidade de organizar relatos não estruturados, transformando-os em representações mais claras e coerentes. Observou-se a preservação do sentido das informações originais na maioria dos casos, além da redução de ambiguidades e do estabelecimento de relações entre o discurso do usuário e a estrutura gerada. As sínteses de problemas produzidas mostraram-se consistentes e com potencial de utilização em fases posteriores do desenvolvimento de software. Essa abordagem representa uma contribuição técnica e acadêmica ao oferecer um mecanismo de apoio à elicitação de requisitos, melhorando a qualidade e a rastreabilidade das informações obtidas e facilitando a transição da compreensão do problema para a definição de requisitos de software.

Contudo, a avaliação realizada em ambiente controlado, utilizando cenários simulados e sem a participação de usuários reais, constitui uma limitação que restringe a generalização dos resultados. A dependência do desempenho do artefato em relação ao modelo de linguagem subjacente e à qualidade das instruções fornecidas (prompts) também foi um fator observado, indicando a necessidade de supervisão humana e controle contextual. Para trabalhos futuros, recomenda-se a aplicação do artefato em contextos reais de desenvolvimento de software, a fim de validar sua robustez e adaptabilidade a interações mais imprevisíveis e a diferentes perfis de usuários. Sugere-se também a ampliação de suas funcionalidades para as etapas subsequentes do Design Thinking, visando cobrir um ciclo mais completo da engenharia de requisitos.

Referências Bibliográficas

Abu-Doush et al., 2025 [Referência completa não encontrada no documento original]

Ahmed, T. et al. 2025. Research directions for using LLM in software requirement engineering: a systematic review. Frontiers in Computer Science. Disponível em: <https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2025.1519437/full>. Acesso em: 23 abr. 2026.

Alkaissi, H.; McFarlane, S.I. 2023. Artificial hallucinations in ChatGPT: implications in scientific writing. Cureus 15(2): e35179.

Bano, M.; Hoda, R.; Zowghi, D.; Treude, C. 2024. Large language models for qualitative research in software engineering: exploring opportunities and challenges. Automated Software Engineering 31(8). Disponível em: <https://dl.acm.org/doi/10.1007/s10515-023-00407-8>. Acesso em 22 abr. 2026

Brooks, F.P. 1987. No silver bullet: essence and accidents of software engineering. Computer 20(4): 10-19. Dispinível em: <https://ieeexplore.ieee.org/document/1663532> Acesso em 21 abr. 2026

Brown, T. 2009. Design Thinking: uma metodologia poderosa para decretar o fim das velhas ideias. Elsevier, Rio de Janeiro, RJ, Brasil.

Cruz, A.M.R.; Cruz, E.F. 2025. Machine learning techniques for requirements engineering: a comprehensive literature review. Software 4(3): 14. Disponível em: <https://dl.acm.org/doi/10.1007/s10515-023-00407-8>. Acesso em 22 abr. 2026

Kasauli, R. et al. 2024. A systematic literature review of pre-requirements specification traceability. Requirements Engineering. Disponível em: <https://link.springer.com/article/10.1007/s00766-023-00412-z>. Acesso em: 23 abr. 2026.

Khalil, I.; Ahmad, I.; Rasheed, U.; Butt, W.H.; Anwaar, Z. 2025. Detecting cross-domain ambiguity in requirements through natural language processing: a systematic literature review. In: International Conference on Advancements in Computational Sciences, 2025, Lahore, Punjab, Pakistan. Anais… p. 1-7. Disponível em: < https://ieeexplore.ieee.org/document/10937875>. Acesso em: 23 abr. 2026.

Liedtka, J. 2018. Why design thinking works. Harvard Business Review 96(5): 72-79. Disponível em: <https://hbr.org/2018/09/why-design-thinking-works>. Acesso em: 21 abr. 2026.

White, J. et al. 2023. ChatGPT prompt patterns for improving code quality, refactoring, requirements elicitation, and software design. Disponível em: <https://arxiv.org/abs/2303.07839>. Acesso em: 23 abr. 2026.

Zadenoori, M.A.; Dąbrowski, J.; Alhoshan, W.; Zhao, L.; Ferrari, A. 2025. Large language models (LLMs) for requirements engineering (RE): a systematic literature review. Disponível em: <https://arxiv.org/abs/2509.11446>. Acesso em: 22 abr. 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

También te puede interesar

17 de noviembre de 2026

Deteção e Diagnóstico de Doenças em Milho e Arroz em Moçambique com Deep Learning

A agricultura moçambicana depende do milho e arroz, culturas fundamentais para a segurança alimentar, mas sua produtividade é fortemente afetada por doenças fitossanitárias, cuja identificação precoce e precisa permanece um desafio em contextos de recursos limitados. O estudo objetivou desenvolver e comparar modelos baseados em Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz em Moçambique. Utilizaram-se três abordagens: uma Rede Neural Convolucional (CNN) clássica desenvolvida do zero, e dois modelos de transfer learning, ResNet50 e MobileNetV2. O conjunto de dados foi composto por imagens de bases públicas e coletadas em campo, que passaram por etapas de limpeza, balanceamento e aumento artificial. Os modelos foram treinados e avaliados com métricas de desempenho padrão, incluindo acurácia, precisão, recall, F1-score, Log Loss e Kappa de Cohen. A CNN clássica apresentou o melhor desempenho global, com 94% de precisão, recall e F1-score, e 93% de acurácia e Kappa de Cohen. A MobileNetV2 alcançou 91% de F1-score e 90% de acurácia, destacando-se pelo menor Log Loss (0,30) e tempo de treinamento (6h32min59s). A ResNet50 atingiu 80% de F1-score e 79% de acurácia. Concluiu-se que técnicas de Deep Learning possuem elevado potencial para apoiar o diagnóstico fitopatológico em contextos agrícolas reais, contribuindo para decisões mais rápidas e precisas no manejo de doenças em milho e arroz.

Palavras-chave: Aprendizagem profunda; Arroz; Doenças em plantas; Milho; Visão computacional.

17 de noviembre de 2026

Estruturação do processo de encerramento de projetos de uma indústria da construção civil

Um estudo abordou o grupo de processo de encerramento de projetos em uma indústria de manufatura da construção civil, utilizando o guia PMBOK como referência principal. O processo existente na indústria apresentava superficialidade e fragilidades, especialmente no registro de lições aprendidas. Diante desse cenário, o objetivo foi desenvolver um procedimento para o encerramento de projetos da organização, visando agregar valor por meio da padronização do processo, registro do conhecimento adquirido, formalização da conclusão e entrega dos projetos, e aprimoramento da comunicação, engajamento, integração e transparência com os stakeholders. A pesquisa classificou-se como descritiva, empregou dados qualitativos e adotou a pesquisa-ação como delineamento. O escopo do estudo estruturou-se conforme os cinco grupos de processos do guia PMBOK e foi representado por uma Estrutura Analítica de Projeto (EAP). Os principais resultados obtidos incluíram o procedimento desenvolvido e diversos templates de documentos, que constituíram os entregáveis do novo processo de encerramento de projetos. Verificou-se que o trabalho alcançou o objetivo esperado, pois o procedimento desenvolvido viabilizou a padronização do encerramento de projetos, o aprimoramento da integração e engajamento com os stakeholders, e a promoção de segurança e transparência no processo.

Palavras-chave: Gestão do conhecimento; Lições aprendidas; PMBOK; Templates; Termo de aceite de projeto.

17 de noviembre de 2026

Machine Learning e priorização de funcionalidades em produtos digitais: um estudo de caso em uma fintech

Uma análise investigou o potencial da utilização de técnicas de machine learning aplicadas à análise do comportamento dos usuários na priorização de funcionalidades em produtos digitais. O objetivo foi compreender os processos de priorização utilizados na prática, o papel dos dados comportamentais na tomada de decisão e as percepções sobre a aplicação de técnicas de machine learning nesse contexto. Adotou-se uma abordagem qualitativa e exploratória, estruturada como um estudo de caso em produtos desenvolvidos sob o modelo Software as a Service (SaaS). A coleta de dados realizou-se por meio de entrevistas semiestruturadas com profissionais das áreas de produto e de dados. A análise dos dados seguiu a técnica de análise de conteúdo. Os resultados indicaram que, embora os dados comportamentais já fossem utilizados como apoio à decisão, os processos de priorização ainda apresentavam baixa formalização e enfrentavam limitações técnicas e organizacionais. Observou-se, também, o reconhecimento do potencial do machine learning como suporte estratégico à priorização de funcionalidades, embora sua aplicação prática fosse incipiente. Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão.

Palavras-chave: Análise de dados; Comportamento do usuário; Dados comportamentais; Software as a Service (SaaS); Tomada de decisão.

17 de noviembre de 2026

Inteligência artificial nas rotinas operacionais contábeis e na eficiência financeira

A incorporação de Inteligência Artificial (IA) e de ferramentas de automação reconfigurou as rotinas de escritórios contábeis brasileiros, impactando produtividade, mitigação de erros e eficiência financeira. Analisou-se esses impactos em um escritório contábil de pequeno porte, especializado no atendimento a prestadores de serviços da área médica em São Caetano do Sul, São Paulo. A pesquisa adotou abordagem qualitativa, com delineamento de estudo de caso único e unidades de análise incorporadas. Os dados foram coletados por questionário estruturado, aplicado via Google Forms entre janeiro e fevereiro de 2026, a cinco profissionais da estrutura operacional do escritório em levantamento censitário. O tratamento seguiu análise de conteúdo com categorias a priori e emergentes. Todos os respondentes declararam uso de ferramentas automatizadas ou com recursos de IA. A percepção de redução do tempo de execução, de diminuição de erros operacionais, de retrabalho e de melhor aproveitamento do tempo da equipe convergiu em 80% das respostas afirmativas e 20% parciais. As atividades mais beneficiadas foram conciliação bancária, importação de documentos fiscais e apuração tributária, com ganhos visíveis sobre erros de digitação, lançamentos duplicados e classificação incorreta. A intervenção humana permaneceu indispensável em planejamento tributário, análise de cenários e conferência de obrigações acessórias. A avaliação geral da contribuição da IA foi predominantemente favorável, com moderação vinculada à complexidade normativa fiscal.

Palavras-chave: Análise de conteúdo; Automação de processos; Contabilidade 4.0; Pequeno porte; Transformação digital.

17 de noviembre de 2026

Fatores que influenciam a gestão de prazos em projetos de “retrofit” de estações de esgoto

Projetos de “retrofit” em Estações de Tratamento de Esgoto (ETE) caracterizam-se por elevada complexidade, restrições operacionais e múltiplas interfaces técnicas. O estudo analisou a percepção dos profissionais envolvidos sobre a gestão e o cumprimento dos prazos em projetos de “retrofit” de estações de tratamento de esgoto, considerando fatores técnicos, operacionais e organizacionais. A pesquisa caracterizou-se como um estudo aplicado, com abordagem quali-quantitativa, delineado como levantamento de campo do tipo “survey”. A análise dos dados realizou-se por estatística descritiva e categorização qualitativa, utilizando as ferramentas SWOT, matriz de risco (Probabilidade x Impacto) e plano de ação 5W2H. Os resultados indicaram alta percepção de clareza (77,8%) e realismo dos prazos (100% de concordância), evidenciando um planejamento inicial consistente. Contudo, 77,7% dos respondentes apontaram que retrabalhos e alterações de escopo impactaram diretamente o cumprimento dos prazos. A integração entre engenharia, fabricação e Planejamento e Controle da Produção (PCP) apresentou avaliação intermediária (77,7% de concordância parcial/total), indicando fragilidade na coordenação interfuncional. A matriz de risco destacou como críticos: mudanças de escopo, limitações operacionais da ETE e complexidade técnica, todos com nível alto. Como melhoria central, propôs-se a padronização do controle de mudanças de escopo, análise e aprovação, visando reduzir retrabalhos e aumentar a previsibilidade do cronograma.

Palavras-chave: Desempenho; Integração; Planejamento; Retrabalho; Risco.

17 de noviembre de 2026

Captação B2C em medicina diagnóstica: parcerias estratégicas com consultórios médicos especializados

O setor de medicina diagnóstica no Brasil opera com elevada dependência das operadoras de planos de saúde, o que limita a autonomia financeira dos prestadores. Este estudo propôs e analisou um modelo de captação direta de pacientes (B2C) para uma instituição de medicina diagnóstica de alta complexidade, estruturado a partir de parcerias com consultórios de Oncologia e Cardiologia e operacionalizado por um serviço de atendimento personalizado denominado concierge. A investigação adotou abordagem mista em três fases: levantamento de campo com questionário estruturado aplicado a 87 pacientes, mapeamento do fluxo operacional por “Service Blueprint” e análise da taxa de conversão a partir de 312 indicações médicas registradas no projeto-piloto. Os resultados indicaram que a confiança na indicação médica obteve 92,0% de concordância, configurando-se como principal fator de adesão. A conveniência de realizar o exame no mesmo dia alcançou 78,2%, e a disposição para pagamento direto atingiu 55,2%, com polarização associada à predominância de usuários de plano de saúde. O “Service Blueprint” identificou três pontos críticos nas transições entre etapas da jornada. A taxa de conversão global foi de 51,0%, com desempenho superior na Oncologia (58,2%) em relação à Cardiologia (45,0%), e a maior perda concentrou-se na etapa de aceite e agendamento (28,3%). Concluiu-se que o modelo demonstrou possível viabilidade operacional e indícios de aceitação pelos pacientes, condicionado à transparência de preços e à redução do intervalo entre consulta e abordagem pelo concierge.

Palavras-chave: Desembolso direto; Jornada do paciente; Saúde suplementar; Serviço concierge; Taxa de conversão.

17 de noviembre de 2026

O papel do gestor escolar na promoção de uma cultura inclusiva: liderança e políticas educacionais

A pesquisa analisou a atuação do gestor escolar na promoção de uma cultura inclusiva, considerando a necessidade de transformar diretrizes legais e fundamentos pedagógicos em práticas institucionais efetivas. Partiu-se do pressuposto de que a inclusão escolar exige planejamento, organização e liderança estratégica no cotidiano da escola. Adotou-se uma abordagem qualitativa de natureza aplicada, desenvolvida em três etapas complementares: análise documental das legislações brasileiras sobre educação inclusiva, revisão bibliográfica sobre liderança e gestão escolar, e sistematização dos dados por meio de ferramentas gerenciais como a matriz SWOT e o ciclo PDCA. Os resultados indicaram que a atuação da gestão escolar exerceu influência direta na consolidação de ambientes inclusivos, especialmente na organização de processos, formação continuada da equipe e fortalecimento de uma cultura institucional colaborativa e respeitosa à diversidade. Identificaram-se também desafios estruturais, pedagógicos e relacionais que demandaram intervenções planejadas. Ao final, elaborou-se um Guia Prático para Gestores Escolares, com diretrizes, protocolos e orientações operacionais para a tomada de decisão e organização dos processos inclusivos. Concluiu-se que a construção de uma cultura inclusiva dependeu da capacidade gestora de articular políticas públicas, práticas pedagógicas e processos institucionais, consolidando a inclusão como compromisso permanente no contexto escolar.

Palavras-chave: Acessibilidade educacional; Equidade educacional; Gestão participativa; Planejamento estratégico; Processos institucionais.

17 de noviembre de 2026

A Extinção da Sistemática Monofásica na Indústria Farmacêutica à Luz da Reforma Tributária

A Reforma Tributária do consumo, estabelecida pela Emenda Constitucional nº 132/2023, introduziu alterações estruturais no sistema tributário brasileiro, com a substituição do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) pela Contribuição sobre Bens e Serviços (CBS), em um modelo de Imposto sobre Valor Agregado (IVA dual). O objetivo foi analisar os impactos da extinção da sistemática monofásica na indústria farmacêutica, à luz do novo desenho normativo e de seus efeitos econômicos e jurídicos. Realizou-se pesquisa qualitativa, de natureza exploratória, por meio de estudo de caso e análise documental da legislação e da doutrina especializada. Examinou-se se o fim da monofasia implicaria aumento relevante da carga tributária para o setor. Os resultados indicaram que, embora a superação formal da sistemática monofásica tenha ocorrido, a desoneração material dos medicamentos foi preservada, sobretudo em razão da aplicação de alíquotas reduzidas de 60% e, em determinados casos, de alíquota zero do Imposto Sobre Bens e Serviços (IBS) e da CBS. A mudança de modelo pode provocar variações pontuais na arrecadação, sem caracterizar aumento estrutural da carga tributária, tendendo à neutralidade ao longo do tempo. Concluiu-se, preliminarmente, que a Reforma Tributária reorganizou a técnica de tributação na indústria farmacêutica, substituindo um regime concentrado por mecanismos mais transparentes de desoneração. Essa abordagem mostrou-se compatível com os princípios da neutralidade, da não cumulatividade plena e da extrafiscalidade, mantendo a proteção tributária aos medicamentos essenciais e alinhando a política fiscal ao direito fundamental à saúde.

Palavras-chave: CBS; COFINS; IBS; IVA Dual; PIS.

17 de noviembre de 2026

Diagnóstico Estratégico e Competitividade: proposta de ações para uma corretora de seguros no sul de minas

O crescimento contínuo do mercado securitário brasileiro e a necessidade de diferenciação estratégica para pequenas organizações justificaram a realização do presente estudo. O estudo teve como objetivo realizar um diagnóstico das ações operacionais de uma corretora de seguros familiar no Sul de Minas Gerais para identificar oportunidades estratégicas de incremento em sua competitividade. A metodologia baseou-se em um estudo de caso de natureza qualitativa e descritiva. Utilizou-se uma pesquisa estruturada com 60 clientes e entrevistas com quatro colaboradores, cujos dados foram analisados via análise de conteúdo de Bardin (2016). Para a fundamentação do diagnóstico organizacional, empregou-se a matriz SWOT como ferramenta analítica de suporte. Os resultados indicaram um elevado índice de fidelidade e satisfação dos segurados, alicerçado na confiança e no atendimento humanizado, contrastando com gargalos operacionais internos e uma vulnerabilidade estratégica decorrente da alta dependência do segmento automotivo. A principal contribuição residiu na proposição de uma estratégia de diversificação, fundamentada na Matriz de Ansoff e executada pelo 5W2H. Esta estratégia focou na criação de um novo serviço de assessoria técnica para outras corretoras, capitalizando o saber intelectual da equipe. O estudo confirmou que a transição para uma gestão proativa e a diversificação do modelo de negócio representaram os caminhos fundamentais para a sustentabilidade organizacional e o fortalecimento da vantagem competitiva frente aos novos desafios do mercado digital.

Palavras-chave: 5W2H; Diversificação de serviços; Gestão estratégica; Matriz de Ansoff; Mercado de seguros.