Quando falamos sobre qualidade de software, estamos tratando muito mais do que apenas a funcionalidade ou desempenho de um produto digital, mas nos referindo também a um conjunto de práticas, processos, padrões e ferramentas que são necessárias para que a solução seja capaz de atender às expectativas, sendo confiável e seguro.
Nesse contexto, é importante entendermos os problemas enfrentados pela falta de implementação dos processos de garantia da qualidade e o que ela pode trazer para os negócios. Segundo informações publicadas no relatório 'The Cost of Poor Software Quality in the USA 2022 Report ' realizado pela Synopsys Inc., estima-se que as falhas de software tenham custado às empresas US$ 2,41 trilhões em 2022.
Deste modo, atuar dentro de processos estruturados, bem definidos, e, principalmente, automatizados, garante um maior sucesso quando o assunto é gerar um produto de valor, visando deixar o cliente satisfeito com o que está sendo entregue. Caso contrário, a falta desses elementos pode deixar todo o processo sob o risco de retrabalho – que pode ser causado por conta de defeitos ou problemas que não foram detectados precocemente na fase de desenvolvimento, afetando diretamente no maior consumo de tempo e recursos, influenciando nos prazos e valores entregues.
Visando eliminar esses riscos, a utilização de tecnologias especializadas com o auxílio da Inteligência Artificial nas etapas dos processos, torna possível e efetiva a garantia de qualidade em todas as pontas. Isso porque, os recursos fornecem ferramentas que geram a capacidade de construir um produto com alta qualidade e em menor tempo, uma vez que os aceleradores se fazem presentes para aumentar a produtividade.
Hoje, já existem diversas ferramentas que possibilitam uma boa organização e integração entre requisitos e casos de teste, juntamente com seus status de execução e respectivas evidências. Nesse cenário, o uso de IA generativa colabora durante a criação dos cenários de teste, contribuindo para uma cobertura mais completa dos principais pontos e acelerando sua documentação, bastando, para isso, criar um contexto e passar a funcionalidade com os critérios de aceite e suas respectivas regras de negócio.
Uma vez finalizadas as fases de testes, documentação de evidências e registros de eventuais falhas, os indicadores podem ser criados ao integrar os resultados em dashboards para acompanhamento da qualidade do projeto e suas partes mais críticas, oferecendo recursos de IA (linguagem natural) na análise da massa de dados e facilitando a identificação de módulos sensíveis, antes que esses possam impactar a qualidade de forma mais significativa.
Já na parte de análise do código e segurança, há outras ferramentas com seus "Quality Gates", que podem auxiliar exibindo de forma simplificada e automatizada, quando integrado a um pipeline de execução, a quantidades de bugs, vulnerabilidades, code smells e duplicidades presentes no código do produto.
E, por falar em pipelines, a utilização desse processo traz praticidade quando o assunto são tarefas rotineiras, que podem ser automatizadas, publicando resultados dos testes, criando artefatos com o produto construído e até mesmo publicando essas construções em seus respectivos ambientes. Essa automação cria mais tempo para os envolvidos poderem atuar em outras tarefas, otimizando a produtividade ao delegar essas que foram automatizadas para que sejam executadas de forma customizadas pelos scripts desenvolvidos e vinculados.
Para os testes de API (interfaces de integrações) há também boas ferramentas de mercado. Nelas, as avaliações podem ser criadas para que a cada desenvolvimento, o produto tenha sua integração realizando o esperado, garantindo que os novos recursos estejam cobertos e que os recursos regressivos – aqueles que já existiam no código – continuem funcionais.
Porém, quando vamos falar de garantia desses cenários regressivos, de pronto nos vem à cabeça: qual deve ser o custo e a complexidade de garantir todo o funcionamento do sistema a cada vez que uma nova funcionalidade é desenvolvida? Como garantir que tudo esteja em seu devido lugar se a cada novo teste o sistema como um todo cresce e de nenhuma forma deixar de garantir a qualidade dos recursos já existentes pode ser uma opção? É aí que entram testes automatizados.
Dentro dos tópicos que necessitam codificação, como os testes automatizados de interface de usuário e os unitários, o universo de Inteligência Artificial nos fornece algo bem interessante: as chamadas "IAs copilotas". Sua principal função é acelerar a execução de tarefas mais complexas, agindo como um copiloto junto a quem estiver desenvolvendo o código para esses testes automatizados. Ele sugere trechos de códigos em tempo real e gera sugestões contextuais de acordo com o que está sendo programado, aprendendo o padrão do código e as necessidades individuais de cada cenário, comprovando até 55% de redução de tempo nas codificações, segundo levantamento do GitHub em setembro de 2022.
Em suma, investir na qualidade de software não é somente uma medida preventiva, mas também uma estratégia superimportante para o sucesso do produto a longo prazo. A realidade é que a Inteligência Artificial chegou com tudo, e a utilização desses aceleradores juntamente com as devidas ferramentas, auxiliam no alcance dessas garantias com muito mais assertividade. E quando aplicado em conjunto com processos maduros, torna possível construir produtos mais robustos e eficazes, mitigando riscos, reduzindo custos, antecipando entregas e tendo mais tempo para impulsionar a inovação e a produtividade do negócio.
Christian Henrique de Oliveira, Analista de Qualidade de Software da Viceri-SEIDOR.
