Ferramentas e Tecnologias¶

O ecossistema de ferramentas para engenharia de requisitos assistida por IA evoluiu rapidamente entre 2023 e 2025. O mercado migrando de soluções pontuais para plataformas integradas que combinam capacidades de LLM com workflows estabelecidos de gestão de requisitos. Este capítulo examina as principais ferramentas comerciais, frameworks open-source e critérios práticos para seleção.

Ferramentas Comerciais¶

IBM Engineering Requirements Quality Assistant (RQA)¶

A solução da IBM representa uma das implementações mais maduras de IA aplicada à qualidade de requisitos. Baseada na plataforma Watson NLP, o RQA opera como um assistente de qualidade em tempo real integrado ao IBM Engineering Lifecycle Management (ELM).

Funcionalidades Principais

O RQA analisa requisitos em tempo de digitação, identificando ambiguidades, termos não-padrão e inconsistências. O sistema atribui scores de qualidade baseados em métricas como:

• Unambiguous: ausência de termos subjetivos ("bom", "rápido", "fácil")
• Atomic: cada requisito descreve uma única necessidade
• Verifiable: presença de critérios mensuráveis
• Consistent: ausência de conflitos com requisitos existentes
• Complete: cobertura adequada da funcionalidade descrita

A ferramenta sugere correções automáticas, mantendo um histórico de melhorias aplicadas para fins de auditoria.

Casos de Uso e Compliance

O RQA encontra aplicação predominante em indústrias reguladas onde a qualidade de requisitos é crítica:

• Aeroespacial: compliance com DO-178C
• Automotivo: conformidade com ISO 26262
• Dispositivos médicos: atendimento a IEC 62304
• Sistemas ferroviários: conformidade com EN 50128

A IBM oferece qualificação de ferramenta (tool qualification) para esses domínios, fornecendo evidências documentais necessárias para certificação.

Arquitetura e Integração

┌─────────────────────────────────────────────────────────────┐
│                    IBM Engineering RQA                     │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  ┌──────────────┐     ┌──────────────┐     ┌─────────────┐ │
│  │   Watson     │────→│   Quality    │────→│   Scoring   │ │
│  │     NLP      │     │   Engine     │     │   Engine    │ │
│  └──────────────┘     └──────────────┘     └─────────────┘ │
│         │                    │                    │        │
│         ▼                    ▼                    ▼        │
│  ┌────────────────────────────────────────────────────────┐│
│  │              IBM Engineering ELM                       ││
│  │  (DOORS Next, Rhapsody, Test Management)              ││
│  └────────────────────────────────────────────────────────┘│
└─────────────────────────────────────────────────────────────┘

AI Requirements Copilot for Jira¶

O AI Copilot representa a integração de LLMs diretamente no fluxo de trabalho ágil através do ecossistema Atlassian. Disponível no Marketplace do Atlassian, a ferramenta opera dentro do Jira Cloud sem necessidade de infraestrutura adicional.

Capacidades de Geração

A ferramenta oferece templates predefinidos para múltiplos padrões de requisitos:

• User Stories no formato "Como [persona], quero [ação], para que [benefício]"
• Épicos com descrição estruturada e critérios de aceitação
• Casos de teste em formato Gherkin (Given-When-Then)
• Documentação de conformidade para FDA, INCOSE, CMMI

Os prompts são customizáveis por projeto, permitindo adaptação ao vocabulário e padrões organizacionais específicos.

Segurança e Privacidade

O AI Copilot implementa o modelo BYOK (Bring Your Own Key), onde a organização fornece suas próprias credenciais de API (OpenAI ou Azure OpenAI). Isso garante que:

• Dados de requisitos não transitam por servidores do fornecedor
• Tokens de API permanecem sob controle da organização
• É possível aplicar políticas de retenção e exclusão consistentes com compliance interno

Integração com Workflows

A ferramenta se integra aos workflows do Jira, permitindo automações como:

• Geração automática de test cases quando uma story é movida para "Ready for Development"
• Validação de qualidade em transições de status
• Notificações quando requisitos não atendem critérios mínimos

Atlassian Intelligence (Rovo)¶

Lançado em 2024, o Atlassian Intelligence (também conhecido como Rovo) representa a estratégia da Atlassian de incorporar capacidades de IA nativamente em todo o ecossistema (Jira, Confluence, Bitbucket).

Funcionalidades para RE

• Automação de regras em linguagem natural: descrições como "Quando uma issue de bug for criada sem critérios de aceitação, atribua ao QA lead" são convertidas automaticamente para regras executáveis
• Geração de user stories a partir de descrições textuais em páginas do Confluence
• Conversão natural language → JQL: queries complexas são geradas a partir de perguntas em português ou inglês
• Sumarização automática de páginas do Confluence contendo especificações extensas
• Extração de action items de reuniões documentadas

Confluence Whiteboard + AI

A integração com whiteboards colaborativos permite:

• Transformação de notas manuscritas ou sticky notes em user stories estruturadas
• Sumarização automática de brainstormings visuais
• Geração de diagramas de processo a partir de descrições textuais

TestStory AI¶

TestStory AI posiciona-se como um agente de QA especializado na geração de casos de teste a partir de requisitos ágeis.

Processamento de Entradas

A ferramenta aceita múltiplos formatos de entrada:

• User Stories do Jira
• Issues do GitHub, Linear, ClickUp
• Épicos e descrições textuais
• Documentos de requisitos em PDF

Para cada entrada, o sistema gera:

• Casos de teste verificáveis com pré-condições, passos e resultados esperados
• Cenários positivos e negativos
• Casos de borda (edge cases)
• Diagramas de processo quando aplicável

Integrações

TestStory integra-se com ferramentas de gestão de testes:

• TestQuality, TestRail, Zephyr
• Jira para sincronização bidirecional
• IDEs através de extensões (Cursor, Copilot, Claude Code)

Frameworks e Ferramentas Open-Source¶

LangChain para Engenharia de Requisitos¶

LangChain emergiu como o framework de referência para construção de aplicações com LLMs, oferecendo abstrações que simplificam a orquestração de pipelines complexos de RE.

Arquitetura de Chains para RE

O conceito central de "chains" (cadeias) permite construir workflows sequenciais onde o output de uma etapa alimenta a próxima:

# Exemplo de pipeline de RE com LangChain
from langchain import PromptTemplate, LLMChain
from langchain.output_parsers import PydanticOutputParser

# Chain de Elicitação
elicitation_template = """
Você é um analista de requisitos experiente em {dominio}.
Contexto: {contexto}
Stakeholders: {stakeholders}

Conduza uma entrevista de elicitação fazendo perguntas claras e contextuais.
Máximo de 5 perguntas, focando em requisitos funcionais críticos.
"""

elicitation_prompt = PromptTemplate(
    input_variables=["dominio", "contexto", "stakeholders"],
    template=elicitation_template
)

# Chain de Especificação
specification_template = """
Com base nas seguintes respostas de stakeholders:
{respostas}

Gere user stories profissionais no formato:
"Como [persona], quero [ação], para que [benefício]"

Inclua critérios de aceitação para cada story.
"""

specification_prompt = PromptTemplate(
    input_variables=["respostas"],
    template=specification_template
)

# Chain de Validação
validation_template = """
Analise as seguintes user stories:
{user_stories}

Verifique:
1. Ambiguidades
2. Inconsistências
3. Requisitos não-funcionais ausentes
4. Critérios de aceitação mensuráveis

Reporte problemas encontrados com sugestões de correção.
"""

validation_prompt = PromptTemplate(
    input_variables=["user_stories"],
    template=validation_template
)

RAG (Retrieval-Augmented Generation)

LangChain facilita a implementação de RAG para RE, onde requisitos são gerados contextualizados com documentação técnica:

from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import RetrievalQA

# Configuração da base de conhecimento
embeddings = OpenAIEmbeddings(model="text-embedding-ada-002")
vectorstore = Chroma.from_documents(
    documents=documentos_tecnicos,
    embedding=embeddings
)

# Chain RAG para especificação contextualizada
rag_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=vectorstore.as_retriever(search_kwargs={"k": 5}),
    return_source_documents=True
)

# Uso: requisitos gerados com base na documentação técnica
resultado = rag_chain.run(
    "Gere requisitos para a funcionalidade X considerando as restrições de segurança documentadas"
)

LangGraph para Orquestração de Agentes¶

LangGraph estende LangChain para cenários multi-agente, onde diferentes agentes especializados colaboram em workflows de RE.

Exemplo: Workflow de RE com Agentes Especializados

from langgraph.graph import StateGraph
from typing import TypedDict, List

class REState(TypedDict):
    input: str
    requisitos_elicitados: List[str]
    user_stories: List[str]
    validacao: str
    aprovado: bool

# Definição dos agentes
def agente_elicitacao(state: REState):
    """Agente especializado em entrevistas e elicitação"""
    # Implementação...
    return {"requisitos_elicitados": requisitos}

def agente_especificacao(state: REState):
    """Agente especializado em gerar user stories"""
    # Implementação...
    return {"user_stories": stories}

def agente_validacao(state: REState):
    """Agente especializado em validação de qualidade"""
    # Implementação...
    return {"validacao": resultado, "aprovado": aprovado}

def decisor_revisao(state: REState):
    """Decide se requisitos devem ser revisados ou finalizados"""
    if state["aprovado"]:
        return "finalizar"
    return "revisar"

# Construção do grafo
workflow = StateGraph(REState)

workflow.add_node("elicitacao", agente_elicitacao)
workflow.add_node("especificacao", agente_especificacao)
workflow.add_node("validacao", agente_validacao)

workflow.add_edge("elicitacao", "especificacao")
workflow.add_edge("especificacao", "validacao")
workflow.add_conditional_edge(
    "validacao",
    decisor_revisao,
    {"revisar": "elicitacao", "finalizar": "__end__"}
)

workflow.set_entry_point("elicitacao")
app = workflow.compile()

Grounded AI Hallucination Validator¶

Esta ferramenta open-source endereça um dos problemas críticos em RE com LLMs: a detecção de hallucinações.

Funcionalidades

• Validação de outputs de LLM contra contexto fornecido
• Scoring de faithfulness (fidelidade ao contexto)
• Integração com guardrails-ai para validação estruturada
• APIs para verificação programática

Uso em Pipelines de RE

from grounded_ai import HallucinationValidator

validator = HallucinationValidator()

# Validação de requisitos gerados
resultado = validator.validate(
    context=documentacao_stakeholder,
    generated_requirements=requisitos_gerados
)

if resultado.hallucination_score > 0.3:
    # Requisito contém informações não presentes no contexto
    logger.warning("Possível hallucinação detectada")
    requisitos_gerados = revisar_manualmente(requisitos_gerados)

Repositórios Acadêmicos: GenAI4RE¶

A comunidade acadêmica consolidou recursos no repositório GenAI4RE, mantido por pesquisadores da área:

Conteúdo Disponível

• Datasets de requisitos anotados para benchmarking
• Bibliotecas de prompts para diferentes tarefas de RE
• Scripts de avaliação de qualidade (F1-score, consistência, cobertura)
• Benchmarks comparativos entre LLMs para tarefas de RE

Bases de Dados Vetoriais e Embeddings¶

A implementação efetiva de RAG em RE requer infraestrutura de embeddings e busca semântica.

Modelos de Embedding¶

Para tarefas de RE, recomenda-se:

Bases de Dados Vetoriais¶

Pinecone

• Serviço gerenciado, escala automática
• Ideal para bases de conhecimento organizacionais grandes
• Custos baseados em uso

Chroma

• Open-source, deployment local ou em nuvem
• Integração nativa com LangChain
• Adequado para projetos com requisitos de privacidade

Weaviate

• GraphQL nativo para consultas complexas
• Módulos para vectorização automática
• Híbrido: busca vetorial + BM25

Qdrant

• Escrito em Rust, alta performance
• Filtros de metadados eficientes
• Deployment em Kubernetes

Critérios de Seleção de Ferramentas¶

A seleção de ferramentas de RE com IA deve considerar múltiplos fatores além das capacidades técnicas.

Integração com Stack Existente¶

Fatores críticos:

• APIs disponíveis para integração com ferramentas atuais (Jira, DOORS, Azure DevOps)
• Suporte a webhooks para automação de workflows
• Formatos de exportação compatíveis (PDF, DOCX, ReqIF)
• Capacidade de importar histórico de requisitos

Compliance e Segurança¶

Requisitos regulatórios:

• Qualificação de ferramenta para domínios safety-critical
• Certificações ISO 27001, SOC 2
• Capacidade de auditoria completa (logs de prompts, outputs, revisões)
• Data residency: onde dados são processados e armazenados

Privacidade:

• BYOK (Bring Your Own Key) para controle de API
• Anonimização de dados sensíveis
• Acordos de processamento de dados (DPA) adequados
• Opções de deployment on-premise ou private cloud

Custo-Benefício¶

Modelos de precificação:

Cálculo de ROI:

• Tempo economizado em elicitação e especificação
• Redução de retrabalho devido a requisitos melhores
• Custos de licenciamento e infraestrutura
• Treinamento e curva de aprendizado

Capacidades de Customização¶

Necessárias para adoção efetiva:

• Templates de prompts configuráveis por projeto
• Dicionários de termos organizacionais
• Regras de qualidade customizáveis
• Workflows adaptáveis a processos existentes

Comparativo de Ferramentas¶

Diretrizes para Implementação¶

Fase 1: Avaliação (2-4 semanas)¶

1. Mapeie processos atuais de RE e identifique gargalos
2. Defina critérios de sucesso (tempo, qualidade, satisfação)
3. Selecione 2-3 ferramentas para prova de conceito
4. Execute testes com dados anonimizados

Fase 2: Piloto (1-3 meses)¶

1. Implemente em projeto não-crítico
2. Treine equipe em prompt engineering básico
3. Estabeleça processo de validação humana
4. Meça resultados contra baseline

Fase 3: Escala (3-6 meses)¶

1. Expanda para mais projetos
2. Desenvolva bibliotecas de prompts organizacionais
3. Integre com CI/CD de requisitos
4. Documente lições aprendidas e ajuste processos

Referências¶

1. IBM. (2024). "Engineering Requirements Quality Assistant." IBM Documentation. https://www.ibm.com/docs/en/erqa

2. Atlassian. (2024). "AI Requirements Copilot for Jira." Atlassian Marketplace. https://marketplace.atlassian.com/apps/1234191/ai-requirements-copilot-for-jira

3. LangChain. (2024). LangChain Documentation. https://python.langchain.com/docs/get_started/introduction

4. LangGraph. (2024). LangGraph Documentation. https://langchain-ai.github.io/langgraph/

5. Chroma. (2024). Chroma Documentation. https://docs.trychroma.com/

6. Pinecone. (2024). Pinecone Documentation. https://docs.pinecone.io/

7. 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/