Resumo Executivo

Djair Soares Pereira; Bruno Henrique Coleto

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

A indústria de software atravessa uma transformação profunda e acelerada, impulsionada pela transição de sistemas monolíticos para arquiteturas distribuídas que buscam atender demandas crescentes por escalabilidade, resiliência e facilidade de manutenção. Nesse contexto, o paradigma de microsserviços consolidou-se como a abordagem predominante para o desenvolvimento de aplicações complexas. Conforme define Newman (2022), essa arquitetura consiste na decomposição de um sistema em um conjunto de serviços autônomos, cada um responsável por um domínio de negócio específico e capaz de ser implantado de forma independente. Embora essa modularização ofereça benefícios claros, ela introduz uma complexidade operacional significativa, exigindo que as equipes de engenharia lidem com uma multiplicidade de repositórios, configurações de rede e protocolos de comunicação interprocessos.

Paralelamente à evolução das arquiteturas, a integração de tecnologias de inteligência artificial generativa no ciclo de vida de desenvolvimento de software tem redefinido as fronteiras da produtividade técnica. De acordo com McKinsey & Company (2023), a utilização de modelos de linguagem de grande escala permite a automação de tarefas repetitivas, a geração de código funcional a partir de descrições em linguagem natural e a identificação precoce de falhas estruturais. Essas ferramentas não apenas aceleram a escrita de código, mas também oferecem sugestões contextualizadas que auxiliam na padronização de projetos complexos. O surgimento de plataformas especializadas, como a StackSpot AI, representa um avanço nessa direção, ao permitir que organizações criem assistentes personalizados que compreendam não apenas a sintaxe da linguagem, mas também as diretrizes arquiteturais e as regras de negócio específicas de cada ecossistema (StackSpot, 2023).

A relevância dessas inovações é acentuada pelo cenário de escassez de talentos qualificados no setor de tecnologia, especialmente em mercados emergentes. No Brasil, dados da Associação Brasileira das Empresas de Tecnologia da Informação e Comunicação (2021) indicam que a demanda por profissionais de tecnologia atingirá 797 mil postos até 2025, enquanto o sistema educacional forma apenas 53 mil indivíduos anualmente. Esse déficit projetado de aproximadamente 106 mil profissionais por ano cria uma pressão por soluções que aumentem a eficiência das equipes existentes e reduzam a curva de aprendizado para desenvolvedores menos experientes. A automação surge, portanto, como uma resposta estratégica para mitigar o impacto dessa lacuna de mão de obra, permitindo que o esforço humano seja deslocado de tarefas mecânicas para a resolução de problemas de alto valor agregado.

Estudos anteriores sobre a automação no design de sistemas já apontavam para ganhos incrementais na qualidade estrutural. Brasil e Terra (2020) investigaram abordagens semiautomáticas para a decomposição de monólitos, observando que a aplicação de ferramentas de auxílio resultou em um aumento de 6,98% na coesão e uma redução de 5,9% no acoplamento dos serviços gerados. Tais evidências sugerem que a automação, quando bem direcionada, não apenas acelera o processo, mas pode elevar o rigor técnico da solução final. Diante desse panorama, torna-se fundamental avaliar empiricamente como as novas plataformas de inteligência artificial, especificamente a StackSpot AI, comportam-se na implementação prática de microsserviços, comparando os ganhos de tempo com a manutenção da qualidade do código e a abrangência da cobertura de testes.

A metodologia adotada para esta investigação fundamenta-se em um estudo de caso exploratório com abordagem quantitativa descritiva, conforme as diretrizes de Gil (2017). O delineamento experimental foi estruturado para comparar duas modalidades de desenvolvimento: a implementação manual convencional e a implementação assistida pela plataforma StackSpot AI. Para garantir a integridade da comparação, o ambiente de desenvolvimento foi rigorosamente padronizado, utilizando a linguagem Java com o Java Development Kit na versão 17 e o framework Spring Boot na versão 3.5.0. O gerenciamento de dependências foi realizado via Maven 3.9.0, o controle de versão através do Git 2.40 e a containerização dos serviços por meio do Docker 24.0. Todo o processo operacional ocorreu em uma estação de trabalho MacBook Pro, utilizando o ambiente de desenvolvimento integrado IntelliJ IDEA, garantindo que as variações nos resultados fossem atribuídas exclusivamente à metodologia de escrita do código.

A configuração da StackSpot AI foi uma etapa crítica do processo metodológico, visando assegurar que a inteligência artificial operasse sob diretrizes arquiteturais precisas. Foi criado um agente customizado denominado Developer-Java-TCC, utilizando o modelo OpenAI GPT-4.1. Esse agente recebeu um prompt estruturado que definia seu papel como um desenvolvedor Java sênior especializado em microsserviços Spring Boot. As responsabilidades atribuídas incluíam a geração de código funcional seguindo o padrão de arquitetura em camadas, composto por controladores, serviços, repositórios, modelos e objetos de transferência de dados. Além disso, o agente foi instruído a implementar padrões RESTful, validações de entrada rigorosas e configurações de segurança baseadas no Spring Security.

Complementando o agente, foi implementada uma fonte de conhecimento específica, denominada regras-negocio-microservice-tcc. Esse componente continha as diretrizes arquiteturais obrigatórias, como a estrutura de pacotes, convenções de nomenclatura para entidades e exceções, e padrões de implementação para cada camada do sistema. A fonte de conhecimento também especificava regras de negócio transversais, como a obrigatoriedade de validação de e-mail único e a utilização de criptografia para o armazenamento de senhas. O processo de utilização da ferramenta envolveu ajustes iterativos nas solicitações enviadas ao agente, refinando as especificações de requisitos funcionais e corrigindo inconsistências de nomenclatura até que o código gerado atendesse plenamente aos critérios de aceitação estabelecidos.

O estudo foi conduzido no contexto de uma empresa de tecnologia de médio porte localizada na região Norte do Brasil, com foco no desenvolvimento de sistemas empresariais. Foram selecionados três cenários de microsserviços representativos de funcionalidades comuns em ambientes corporativos: um serviço de cadastro de usuários, um serviço de autenticação e um serviço de pagamentos. O serviço de usuários focou em operações fundamentais de persistência e consulta. O serviço de autenticação elevou a complexidade ao exigir a integração com o Spring Security e a implementação de tokens JWT para a gestão de sessões. Por fim, o serviço de pagamentos representou o domínio mais complexo, envolvendo regras de negócio específicas para o controle de estados de transações financeiras e a integração lógica com o módulo de usuários.

A coleta de dados foi estruturada em quatro dimensões principais. O tempo de desenvolvimento foi registrado por meio de um cronômetro manual com log estruturado, segmentando as atividades em análise de requisitos, configuração do projeto, implementação do código, criação de testes e ajustes finais. A qualidade do código foi avaliada pela ferramenta SonarQube, que forneceu métricas de complexidade ciclomática, percentual de duplicação, identificação de vulnerabilidades de segurança e contagem de problemas de qualidade conhecidos como code smells. A cobertura de testes foi mensurada pela integração entre JUnit 5 e JaCoCo, analisando a porcentagem de linhas e caminhos condicionais cobertos. Por fim, foram registradas observações qualitativas sobre a facilidade de uso, as dificuldades encontradas e a percepção de aderência aos padrões arquiteturais em cada abordagem.

Os resultados obtidos na implementação dos três microsserviços revelaram uma redução drástica e consistente no tempo total de desenvolvimento ao utilizar a StackSpot AI. No microsserviço de usuários, que envolve predominantemente operações padronizadas de criação, leitura, atualização e exclusão, o tempo caiu de 535 minutos na abordagem manual para 230 minutos na assistida, representando uma economia de 57%. No serviço de autenticação, a redução foi de 50%, passando de 360 para 180 minutos. Mesmo no cenário de maior complexidade, o serviço de pagamentos, a ferramenta proporcionou um ganho de 44%, reduzindo o tempo de 540 para 300 minutos. No agregado, o tempo total de desenvolvimento para os três serviços foi reduzido de 1435 minutos para 710 minutos, o que equivale a uma economia geral de 51%.

Esses ganhos de produtividade alinham-se a tendências observadas em estudos internacionais sobre ferramentas similares. Pesquisas conduzidas pelo GitHub (2022) indicaram que desenvolvedores utilizando assistentes de inteligência artificial conseguiram completar tarefas até 55% mais rápido. A consistência desses números sugere que a aceleração proporcionada pela StackSpot AI não é um fenômeno isolado, mas parte de uma mudança sistêmica na eficiência da engenharia de software. Yetiştiren et al. (2023) reforçam essa percepção ao demonstrar que ferramentas de IA generativa alcançam taxas significativas de acerto na geração de código funcional, o que reduz a necessidade de retrabalho e permite que o desenvolvedor foque na validação lógica em vez da escrita sintática.

No que tange à qualidade do código, a análise via SonarQube demonstrou que ambas as abordagens mantiveram classificações máximas em manutenibilidade, confiabilidade e segurança. No entanto, o detalhamento das métricas revelou nuances importantes. O código gerado pela StackSpot AI apresentou um aumento de 13% na complexidade ciclomática, subindo de 187 para 211 pontos. Além disso, foi detectado um índice de 14,2% de duplicação de código na versão assistida, enquanto a versão manual não apresentou duplicações significativas. O número de code smells também foi ligeiramente superior na abordagem com IA, com 20 ocorrências contra 16 na manual. Esses dados indicam que, embora a ferramenta produza código funcional e seguro, ela tende a gerar estruturas mais verbosas ou menos otimizadas, exigindo uma etapa de refatoração manual para garantir a elegância e a eficiência do sistema em longo prazo.

Um dos destaques mais expressivos do estudo foi o desempenho da StackSpot AI na geração de testes automatizados. Enquanto a implementação manual atingiu uma cobertura média de 48,2% das linhas de código e apenas 10,1% dos caminhos condicionais, a abordagem assistida alcançou 70% de cobertura de linhas e 43,33% de cobertura de condições. O número total de testes unitários subiu de 28 para 33. A análise qualitativa revelou que, na modalidade manual, o desenvolvedor tendeu a focar nos casos de uso principais, os chamados caminhos felizes, negligenciando cenários de erro e validações de borda. Em contraste, a inteligência artificial, quando provocada por prompts estruturados, gerou testes abrangentes que incluíram fluxos de exceção e tratamentos de entradas inválidas, resultando em um software intrinsecamente mais robusto desde as etapas iniciais.

A superioridade na cobertura de condições, que saltou de 10,1% para 43,33%, possui implicações diretas na manutenibilidade e na detecção precoce de regressões. Testes que exercitam múltiplos caminhos lógicos aumentam a confiança da equipe para realizar modificações futuras, algo crítico em arquiteturas de microsserviços onde uma alteração em um contrato de API pode impactar diversos consumidores. A StackSpot AI demonstrou uma capacidade notável de interpretar a lógica dos métodos e propor asserções que validam não apenas o retorno esperado, mas também o estado interno dos componentes e o comportamento transacional dos repositórios.

Apesar dos ganhos quantitativos, a experiência qualitativa apontou desafios específicos no uso da inteligência artificial. A eficácia da ferramenta mostrou-se altamente dependente da qualidade e precisão dos prompts e das fontes de conhecimento configuradas. Em domínios com regras de negócio muito específicas, como o cálculo de status no microsserviço de pagamentos, o código gerado inicialmente não refletiu todas as nuances necessárias, exigindo intervenções manuais para correções lógicas. Na implementação manual, o desenvolvedor detinha um controle arquitetural mais fino e aplicava experiência prévia de forma imediata em configurações complexas de segurança. Na abordagem assistida, o esforço foi deslocado da escrita para a revisão e validação, exigindo que o profissional possua um sólido conhecimento técnico para identificar e corrigir sugestões inadequadas da IA.

A análise estatística dos dados, embora limitada pelo tamanho amostral de três microsserviços, reforçou a consistência dos achados. Conforme observado por Fávero e Belfiore (2017), amostras pequenas restringem a aplicação de testes paramétricos, motivo pelo qual se optou por uma análise descritiva robusta complementada pelo teste de postos sinalizados de Wilcoxon em caráter exploratório. A magnitude da diferença média de 241,6 minutos por microsserviço possui relevância prática inquestionável. Em um cenário operacional típico, essa economia de tempo permitiria que uma equipe de cinco desenvolvedores entregasse o equivalente ao trabalho de sete profissionais, funcionando como um multiplicador de capacidade técnica. Siegel e Castellan Jr. (2006) destacam que a consistência na direção das diferenças, como a observada em todos os cenários deste estudo, fortalece a percepção de um padrão comportamental da variável analisada, mesmo em amostras reduzidas.

As limitações identificadas no estudo, como o efeito de familiarização — onde a implementação manual prévia pode ter facilitado a escrita dos prompts para a IA — e a especificidade do ecossistema Java/Spring Boot, sugerem que os resultados devem ser interpretados como uma evidência promissora, mas não absoluta. A variabilidade nas reduções de tempo indica que o impacto da ferramenta é sensível à natureza do serviço: quanto mais padronizada a tarefa, maior o ganho de eficiência. Em contrapartida, serviços que demandam integrações complexas com sistemas legados ou regras de negócio altamente customizadas ainda exigem uma participação humana intensiva para garantir a precisão da entrega.

A melhoria de 21,9 pontos percentuais na cobertura de linhas e o salto na validação de condicionais posicionam a StackSpot AI como uma ferramenta que não apenas acelera a entrega, mas estabelece uma base de qualidade superior desde o primeiro dia de desenvolvimento. Isso reduz os riscos de produção e facilita a adoção de práticas de desenvolvimento iterativo e implantação contínua. Para as organizações brasileiras, que enfrentam um déficit crônico de profissionais, a automação de tarefas estruturais e a geração assistida de testes representam uma oportunidade de escalar suas operações de software sem comprometer o rigor técnico exigido pelo mercado global.

Conclui-se que o objetivo foi atingido, uma vez que a avaliação empírica demonstrou que a utilização da StackSpot AI proporciona ganhos de eficiência superiores a 50% no tempo de desenvolvimento de microsserviços em comparação à implementação manual. A ferramenta revelou-se especialmente poderosa na ampliação da cobertura de testes e na automação de códigos estruturais, embora a manutenção da qualidade em termos de complexidade e duplicação ainda demande supervisão humana ativa. A plataforma atua como um multiplicador de produtividade capaz de mitigar a escassez de talentos no setor tecnológico, permitindo que desenvolvedores foquem em requisitos de negócio complexos enquanto a inteligência artificial gerencia a codificação de componentes padronizados e a infraestrutura de testes.

Referências Bibliográficas:

ASSOCIAÇÃO BRASILEIRA DAS EMPRESAS DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO. 2021. Estudo da Brasscom aponta demanda de 797 mil profissionais de tecnologia até 2025. Disponível em: <https://brasscom.org.br/estudo-da-brasscom-aponta-demanda-de-797-mil-profissionais-de-tecnologia-ate-2025/>. Acesso em 24 mar. 2025.

Brasil, F.; Terra, R. 2020. Proposta de uma abordagem para decompor sistemas monolíticos em microsserviços. In: Workshops de Visualização, Evolução e manutenção de Software, 2020, Online. Anais… p. 17-24.

FÁVERO, L.P.; BELFIORE, P. Manual da análise de dados: estatística e modelagem multivariada com Excel, SPSS e Stata. Rio de Janeiro: Elsevier, 2017.

Gil, A.C. 2017. Como Elaborar Projetos de Pesquisa. 6ed. Atlas, São Paulo, SP, Brasil.

GITHUB. 2022. Research: Quantifying GitHub Copilot’s impact on developer productivity and happiness. Disponível em: <https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-on-developer-productivity-and-happiness/>. Acesso em: 28 set. 2025.

McKINSEY & COMPANY. 2023. The state of AI in 2023: Generative AI’s breakout year. Disponível em: <https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year>. Acesso em: 24 mar. 2025.

NEWMAN, S. 2022. Criando Microsserviços: Projetando sistemas com componentes menores e mais especializados. 2ed. Novatec Editora, São Paulo, SP, Brasil.

SIEGEL, Sidney; CASTELLAN JR., N. John. Estatística não-paramétrica para ciências do comportamento. 2. ed. Porto Alegre: Artmed, 2006.

STACKSPOT. 2023. Principais Conceitos. Disponível em: <https://ai.stackspot.com/docs/pt-br/stackspot-ai/concepts/>. Acesso em 24 mar. 2025.

Yetiştiren, B.; Özsoy, I.; Ayerdem, M.; Tüzün, E. 2023. Evaluating the code quality of AI-assisted code generation tools: an empirical study on GitHub Copilot, Amazon CodeWhisperer, and ChatGPT. Disponível em: <https://arxiv.org/pdf/2304.10778>. Acesso em: 28 set. 2025.

Resumo executivo 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