2. Elicitação Assistida por IA¶

2.1 Simulação de Stakeholders com LLMs¶

A elicitação tradicional de requisitos depende de acesso direto a stakeholders — usuários finais, patrocinadores, especialistas de domínio — que frequentemente têm disponibilidade limitada, comunicam-se em linguagem imprecisa e expressam necessidades de forma contraditória. A simulação de stakeholders com LLMs oferece uma alternativa complementar: modelos de linguagem treinados para representar personas específicas, disponíveis 24/7, capazes de gerar respostas consistentes e explorar cenários hipotéticos.

2.1.1 Fundamentos da Simulação com IA¶

A técnica de role-playing com LLMs envolve instruir o modelo a adotar uma persona específica com características bem definidas:

Contexto organizacional: Posição hierárquica, departamento, objetivos estratégicos
Conhecimento de domínio: Nível de familiaridade com o sistema e processos
Preferências e restrições: Prioridades, medos, incentivos
Estilo de comunicação: Técnico vs. executivo, direto vs. diplomático

Quando configurado adequadamente, o LLM gera respostas que refletem a perspectiva da persona, permitindo que o engenheiro de requisitos conduza entrevistas de elicitação de forma assíncrona e repetível.

2.1.2 Estudo de Caso: LLMREI¶

O sistema LLMREI (LLM-based Requirements Elicitation Interviews), desenvolvido em 2024, demonstra o potencial desta abordagem. Baseado em GPT-4o, o sistema conduz entrevistas automatizadas de elicitação, adaptando perguntas dinamicamente com base nas respostas do usuário.

Metodologia do Estudo:

Comparação entre entrevistas conduzidas por humanos vs. LLMREI
Domínio: sistemas de informação corporativos
Métrica: percentual de requisitos extraídos em relação a uma baseline de requisitos conhecidos

Resultados:

LLMREI extraiu até 73,7% dos requisitos identificados por entrevistadores humanos experientes
O sistema demonstrou capacidade de follow-up contextualizado, aprofundando em respostas vagas
Participantes relataram experiência natural, indistinguível de entrevistas humanas em alguns casos

Estes resultados não sugerem que LLMs substituam entrevistadores humanos, mas demonstram que podem atuar como proxies efetivos quando o acesso a stakeholders reais é limitado, ou como ferramenta de preparação que permite ao engenheiro de requisitos refinar suas perguntas antes de entrevistas reais.

2.1.3 Padrões de Prompt para Simulação¶

A qualidade da simulação depende críticamente da qualidade do prompt de persona. Um template efetivo inclui:

[ROLE]
Você é [Nome], [Cargo] na [Organização].
Você tem [X anos] de experiência em [Domínio].
Seu principal objetivo é [Objetivo Profissional].

[CONTEXT]
- Você está avaliando um novo sistema de [Tipo de Sistema]
- Seu orçamento é de [Valor]
- O prazo esperado é de [Tempo]
- Você tem preocupações específicas com [Preocupações]

[KNOWLEDGE LEVEL]
- Conhecimento técnico: [Básico/Intermediário/Avançado]
- Familiaridade com sistemas similares: [Sim/Não]
- Terminologia preferida: [Técnica/De Negócio]

[COMMUNICATION STYLE]
- [Direto/Diplomático/Técnico/Executivo]
- Foco em: [Custo/Prazo/Qualidade/Inovação]
- Tom: [Formal/Informal]

[BOUNDARIES]
- Não forneça informações sobre [Restrições de conteúdo]
- Se perguntado sobre [Tópicos sensíveis], responda de forma evasiva

2.1.4 Framework LEIA para Elicitação Assistida¶

O estudo LEIA (LLM-Enhanced Interview Approach), conduzido em 2025, propôs um framework estruturado para elicitação assistida por IA. O estudo comparou dois grupos de estudantes de engenharia de software:

Grupo Controle: Análise de transcrições de entrevistas reais
Grupo Experimental: Interação direta com LLM simulando cliente

Resultados do LEIA:

Grupo Experimental relatou maior engajamento e percepção de realismo
Soluções propostas pelo Grupo Experimental foram menos complexas e mais alinhadas com necessidades reais
Participantes preferiram a abordagem interativa por permitir iteração e clarificação

O estudo concluiu que LLMs como clientes simulados oferecem vantagens pedagógicas significativas, permitindo prática repetida sem consumir tempo de stakeholders reais.

2.2 Análise Automática de Documentos¶

Documentos de stakeholders — emails, atas de reunião, especificações técnicas, contratos — frequentemente contêm requisitos implícitos, não declarados explicitamente como "o sistema deve". LLMs podem analisar estes documentos para extrair requisitos potenciais, identificar inconsistências e sugerir questões de clarificação.

2.2.1 Extração de Requisitos de Documentos¶

O processo de extração automatizada segue um pipeline estruturado:

Ingestão: Documentos em formatos variados (PDF, DOCX, email) são processados
Segmentação: Divisão em chunks semanticamente coerentes
Análise: LLM processa cada chunk identificando requisitos potenciais
Consolidação: Agregação e deduplicação de requisitos extraídos
Validação: Revisão humana dos requisitos identificados

Template de Prompt para Extração:

[CONTEXT]
Você é um analista de requisitos sênior especializado em extrair requisitos
de documentos de stakeholders. Você tem expertise em identificar tanto
requisitos explícitos quanto implícitos.

[TASK]
Analise o seguinte documento e extraia todos os requisitos de software
potenciais. Classifique cada requisito encontrado.

[DOCUMENTO]
{{document_content}}

[OUTPUT FORMAT]
Para cada requisito identificado, forneça:
- ID: REQ-XXX (numeração sequencial)
- Tipo: [Funcional/Não-Funcional/Restrição/Dúvida]
- Categoria: [Segurança/Performance/Usabilidade/Integração/etc]
- Texto: Descrição clara e não-ambígua do requisito
- Fonte: Trecho do documento que originou o requisito
- Confiança: [Alta/Média/Baixa]
- Questões: Perguntas de clarificação necessárias

[CONSTRAINTS]
- Inclua apenas requisitos que possam ser implementados em software
- Distinga entre requisitos reais e desejos não-funcionais
- Identifique conflitos entre requisitos extraídos
- Marque termos ambíguos para revisão

2.2.2 Sumarização de Especificações Técnicas¶

Documentos técnicos extensos — arquiteturas de referência, manuais de sistemas legados, normas regulatórias — frequentemente contêm centenas de páginas de informação relevante. LLMs podem sumarizar estes documentos destacando requisitos críticos:

Aplicações da Sumarização:

Compliance: Extrair obrigações regulatórias de documentos normativos
Integração: Identificar requisitos de interface com sistemas legados
Migração: Resumir funcionalidades de sistemas a serem substituídos
Onboarding: Condensar conhecimento de domínio para novos membros da equipe

2.2.3 Identificação de Requisitos Implícitos e Latentes¶

Requisitos implícitos são aqueles que stakeholders assumem como óbvios mas não verbalizam explicitamente. Requisitos latentes são necessidades não expressas porque stakeholders não são conscientes de sua possibilidade. LLMs podem ajudar a identificar ambos:

Técnicas de Identificação:

Análise de gaps: Comparação entre documentação existente e templates de boas práticas
Questionamento socrático: Geração de perguntas que revelam premissas não declaradas
Análise de impacto: Identificação de consequências não intencionais de requisitos declarados

Exemplo Prático: Um documento declara: "O sistema deve enviar notificações por email". Um LLM analisando este requisito pode identificar implicitamente:

Requisito implícito: O sistema precisa de uma conexão SMTP configurável
Requisito latente: Notificações deveriam também ser enviadas via SMS/app para urgências
Dependência oculta: A funcionalidade depende de serviço de email externo

2.3 Geração de Perguntas de Elicitação¶

Uma das aplicações mais poderosas de LLMs em elicitação é a geração contextualizada de perguntas. Ao contrário de checklists genéricas, perguntas geradas por IA podem ser adaptadas ao domínio específico, ao estágio do projeto e às respostas já fornecidas.

2.3.1 Criação Contextualizada de Perguntas¶

O processo de geração de perguntas considera múltiplos contextos:

Domínio: Perguntas específicas para banking, healthcare, e-commerce, etc.
Tipo de sistema: Web, mobile, embedded, enterprise
Stakeholder: Perguntas adaptadas ao cargo e conhecimento do entrevistado
Estágio: Perguntas exploratórias iniciais vs. de refinamento

Template de Prompt para Geração de Perguntas:

[CONTEXT]
Domínio: [Domínio de Aplicação]
Tipo de Sistema: [Web/Mobile/Embarcado/etc]
Stakeholder: [Cargo/Perfil]
Fase do Projeto: [Exploração/Refinamento/Validação]
Requisitos já identificados: [Lista ou "Nenhum"]

[TASK]
Gere uma lista de 10 perguntas de elicitação contextualizadas para
este domínio, tipo de sistema e stakeholder. As perguntas devem:
- Ser abertas (não yes/no)
- Explorar aspectos ainda não cobertos
- Identificar riscos potenciais
- Revelar requisitos não-funcionais implícitos

[OUTPUT FORMAT]
Para cada pergunta:
- Pergunta: Texto completo
- Objetivo: O que se espera descobrir
- Tipo: [Funcional/Não-funcional/Risco/Restrição]
- Follow-up: Possíveis perguntas de aprofundamento

2.3.2 Adaptação Dinâmica do Nível de Detalhe¶

Em entrevistas tradicionais, o entrevistador ajusta o nível de detalhe com base nas reações do entrevistado. LLMs podem simular esta adaptação:

Sinal de confusão: Se o stakeholder responde de forma evasiva ou contraditória, o LLM gera perguntas de clarificação
Sinal de conhecimento técnico: Se o stakeholder usa terminologia técnica, o LLM aumenta o nível de detalhe técnico
Sinal de pressão de tempo: Se respostas ficam curtas, o LLM prioriza perguntas críticas

2.3.3 Geração de Follow-up Questions¶

A capacidade de gerar perguntas de aprofundamento (follow-up) é crítica para elicitação efetiva. Dada uma resposta do stakeholder, o LLM pode analisar:

Informações ausentes: O que a resposta deixa de cobrir?
Ambiguidades: Quais termos precisam de clarificação?
Implicações: Que consequências não exploradas esta resposta sugere?
Contradições: Esta resposta conflita com informações anteriores?

Exemplo de Interação:

Stakeholder: "O relatório deve ser gerado mensalmente."

Follow-ups gerados por IA:
- "Qual é o prazo específico do mês? Dia 1, último dia útil, outro?"
- "O relatório deve cobrir o mês calendário completo ou pode ser parcial?"
- "Há necessidade de relatórios ad-hoc fora do cronograma mensal?"
- "Qual o volume de dados esperado no relatório mensal?"

2.4 Integração com Técnicas Tradicionais de Elicitação¶

O uso de LLMs não substitui técnicas tradicionais de elicitação, mas as potencializa. A integração requer entender onde a IA agrega valor e onde o julgamento humano permanece indispensável.

2.4.1 Workshops Assistidos por IA¶

Workshops de requisitos — sessões colaborativas com múltiplos stakeholders — podem ser enriquecidos com assistência de IA:

Durante o Workshop:

Sumarização em tempo real: LLM processa transcrição ao vivo, destacando pontos de acordo e desacordo
Geração de perguntas: Sugestões de questões para aprofundar discussões superficiais
Identificação de conflitos: Detecção automática de posições contraditórias entre participantes

Após o Workshop:

Consolidação de requisitos: Agregação de contribuições de múltiplos stakeholders
Documentação: Geração de atas estruturadas com action items identificados
Análise de sentimento: Identificação de preocupações não verbalizadas explicitamente

2.4.2 Brainstorming com Geração Automática de Ideias¶

Sessões de brainstorming podem ser amplificadas com geração de ideias por IA:

Divergência: LLM gera alternativas não consideradas pelo grupo humano
Convergência: Agrupamento e priorização automática de ideias geradas
Combinação: Síntese de ideias de diferentes stakeholders em soluções híbridas

Ferramentas como o Confluence Whiteboard + AI já implementam estas capacidades, permitindo que equipes colaborem visualmente enquanto IA processa e organiza as contribuições.

2.4.3 Prototipagem Rápida com LLMs¶

Prototipagem é uma técnica de elicitação poderosa: stakeholders reagem a representações tangíveis do sistema, revelando requisitos que não conseguiam articular verbalmente. LLMs aceleram drasticamente a criação de protótipos:

Protótipos de interface: Geração de HTML/CSS/JavaScript funcional a partir de descrições textuais
Protótipos de diálogo: Simulação de conversas com chatbots de suporte
Protótipos de API: Mock servers gerados a partir de especificações informais
Protótipos de dados: Geração de datasets realistas para testar funcionalidades

Exemplo de Prompt para Prototipagem:

Crie um protótipo HTML funcional de uma tela de dashboard para
gerenciamento de pedidos de e-commerce. Inclua:
- Lista de pedidos com status (Pendente, Em Processamento, Enviado, Entregue)
- Filtros por data, status e valor
- Visualização de detalhes ao clicar em um pedido
- Ações rápidas: aprovar, cancelar, reembolsar
- Estilo profissional, responsivo para desktop

O protótipo deve ser auto-contido em um único arquivo HTML.

2.5 Considerações Práticas e Limitações¶

2.5.1 Quando Usar Simulação vs. Stakeholders Reais¶

A simulação com LLMs é apropriada quando:

Acesso a stakeholders reais é limitado ou caro
É necessário preparar-se para entrevistas críticas
Contexto de treinamento ou educação
Exploração preliminar de um domínio novo

Stakeholders reais permanecem indispensáveis quando:

Decisões de alto impacto estão em jogo
Conhecimento tácito de domínio é crítico
Validação de requisitos gerados por IA é necessária
Aspectos políticos ou organizacionais influenciam o projeto

2.5.2 Riscos da Elicitação Automatizada¶

Risco 1: Confirmação de Viés LLMs podem reforçar vieses dos engenheiros de requisitos, confirmando suposições em vez de desafiá-las.

Mitigação: Diversificar personas simuladas, incluir pontos de vista contraditórios, validar com stakeholders reais.

Risco 2: Hallucinação de Requisitos LLMs podem gerar requisitos plausíveis mas que não refletem necessidades reais.

Mitigação: Grounding em documentação real, validação humana obrigatória, rastreabilidade para fontes.

Risco 3: Perda de Nuance A simulação pode perder nuances culturais, políticas ou interpessoais presentes em interações humanas reais.

Mitigação: Usar simulação como complemento, não substituto; manter entrevistas humanas para decisões críticas.

2.5.3 Métricas de Eficácia¶

Para avaliar a eficácia da elicitação assistida por IA, considere:

Cobertura: Percentual de requisitos críticos identificados vs. baseline
Precisão: Taxa de requisitos gerados que são realmente necessários
Eficiência: Tempo gasto na elicitação vs. abordagem tradicional
Satisfação: Percepção de stakeholders sobre a qualidade dos requisitos capturados
Custo: Investimento total (ferramentas, capacitação, tempo) vs. valor gerado

A pesquisa de LLMREI demonstra que, em condições controladas, sistemas de IA podem alcançar 73,7% da eficácia de entrevistadores humanos. O desafio para a prática profissional é identificar em quais contextos esta eficácia é suficiente e onde o julgamento humano permanece crítico.

Referências¶

LLMREI Project. (2024). "LLM-based Requirements Elicitation Interviews: An Empirical Study." Proceedings of the 2024 IEEE International Requirements Engineering Conference.
LEIA Study Group. (2024). "LLM-Enhanced Interview Approach: Comparing Traditional and AI-Assisted Requirements Elicitation." ACM Transactions on Software Engineering and Methodology.
Ebrahim, A., et al. (2024). "Enhancing Software Requirements Engineering with Language Models and Prompting Techniques." arXiv:2401.00000. https://aclanthology.org/2024.acl-srw.31/
Norheim, K., et al. (2024). "From Inductive to Deductive: LLMs-Based Qualitative Data Analysis in Requirements Engineering." arXiv:2504.19384. https://arxiv.org/abs/2504.19384
Atlassian. (2024). "Confluence Whiteboard + AI: Collaborative Intelligence for Agile Teams." Atlassian Documentation. https://www.atlassian.com/software/confluence/whiteboards