Tendências e Direções Futuras¶

A engenharia de requisitos com IA está em estágio de rápida evolução. Pesquisas em andamento, tecnologias emergentes e mudanças no mercado apontam para transformações significativas nos próximos anos. Este capítulo examina as tendências mais relevantes, previsões para o período 2025-2027 e diretrizes para organizações e profissionais se posicionarem para o futuro.

Pesquisas em Andamento¶

A comunidade acadêmica identificou áreas prioritárias para pesquisa em RE com LLMs, conforme levantamento publicado na Frontiers in Computer Science (2024).

Extração Automática de Terminologia e Glossários¶

Problema: Inconsistência terminológica é uma das principais causas de ambiguidade em requisitos.

Pesquisas Atuais:

Uso de LLMs para identificar termos técnicos em documentação
Geração automática de definições consistentes
Detecção de sinônimos e polissemia
Construção de ontologias de domínio

Abordagens Emergentes:

Documentação de Requisitos
           │
           ▼
┌──────────────────────┐
│  NER (Named Entity   │
│  Recognition) com    │
│  LLM                 │
└──────────┬───────────┘
           │
           ▼
┌──────────────────────┐
│  Clustering Semântico│
│  de Termos           │
└──────────┬───────────┘
           │
           ▼
┌──────────────────────┐
│  Geração de          │
│  Definições          │
│  Contextualizadas    │
└──────────┬───────────┘
           │
           ▼
     Glossário Corporativo

Impacto Esperado:

Redução de ambiguidades por inconsistência terminológica
Facilitação de onboarding de novos membros na equipe
Melhoria na comunicação entre stakeholders técnicos e de negócio
Base para sistemas de verificação semântica

Recuperação Inteligente de Requisitos¶

Problema: Bases históricas de requisitos contêm conhecimento valioso que é subutilizado.

Pesquisas Atuais:

Semantic search em repositórios de requisitos
Recomendação de requisitos similares a novos projetos
Identificação de padrões recorrentes
Análise de requisitos de projetos anteriores para estimativas

Técnicas Emergentes:

Embeddings específicos para texto de requisitos
Sistemas híbridos (BM25 + semantic search)
Re-ranking baseado em feedback de relevância
Cross-project learning

Aplicação Prática:

**Cenário**: Product Owner inicia novo projeto de e-commerce

**Sistema de Recuperação**:
1. PO descreve funcionalidade em linguagem natural
2. Sistema busca em base histórica de 50+ projetos
3. Retorna requisitos similares de projetos anteriores
4. Sugere:
   - Requisitos frequentes neste domínio
   - Riscos identificados em implementações passadas
   - Estimativas baseadas em projetos similares
   - Stakeholders típicos para este tipo de funcionalidade

RE Consciente de Ética¶

Problema: Sistemas de software perpetuam e amplificam vieses sociais presentes em dados de treinamento.

Linhas de Pesquisa:

Detecção automática de requisitos discriminatórios
Verificação de fairness em especificações
Identificação de exclusão de grupos minoritários
RE responsável (Responsible RE)

Técnicas em Desenvolvimento:

Classificadores de fairness treinados em requisitos anotados
Checklists automatizados de inclusão
Análise de impacto sociotécnico
Frameworks de accountability

Exemplo de Aplicação:

**Prompt para Detecção de Viés**:

Analise o seguinte requisito para potenciais vieses:
"{requisito}"

Verifique:
1. Gênero: Linguagem é neutra? Personas são diversas?
2. Idade: Considera usuários idosos?
3. Acessibilidade: Atende necessidades de PCDs?
4. Cultural: Pressupõe contexto específico?
5. Socioeconômico: Exclui grupos de menor renda?

Para cada viés identificado:
- Descreva o problema
- Sugira reformulação inclusiva
- Justifique a importância

Small Language Models (SLMs) para RE¶

Problema: LLMs grandes são caros, lentos e requerem infraestrutura cloud.

Pesquisas Atuais:

Treinamento de modelos menores (7B-13B parâmetros) especializados em RE
Fine-tuning para tarefas específicas de elicitação e especificação
Quantização para deployment em edge
Distilação de conhecimento de LLMs grandes

Vantagens de SLMs Especializados:

Custo: Inferência 10-100x mais barata
Velocidade: Latência significativamente menor
Privacidade: Deployment on-premise viável
Customização: Mais fácil de ajustar para domínio específico

Estado da Arte:

Modelo	Parâmetros	Tarefas de RE	Performance vs GPT-4
CodeLlama-7B	7B	Especificação técnica	75%
Mistral-7B-Instruct	7B	Elicitação	80%
Phi-3-mini	3.8B	User stories	70%
LLaMA-2-13B	13B	Análise de impacto	85%

Tecnologias Emergentes¶

A próxima fronteira da elicitação de requisitos expande além do texto para incorporar múltiplas modalidades de entrada.

Elicitação a partir de Imagens

Protótipos visuais: Upload de wireframes ou mockups para extração automática de requisitos
Screenshots de sistemas legados: Análise visual para identificação de funcionalidades
Fotos de processos manuais: Captura de workflows através de imagens do ambiente de trabalho

**Exemplo de Prompt Multi-Modal**:

Analise a imagem anexa (wireframe de tela de login) e elicite requisitos:

1. Funcionalidades visíveis na interface
2. Requisitos implícitos de comportamento
3. Requisitos não-funcionais (usabilidade, acessibilidade)
4. Possíveis cenários de erro
5. Requisitos de segurança sugeridos

Output em formato de user stories estruturadas.

Elicitação a partir de Áudio

Gravações de reuniões: Transcrição e extração automática de requisitos
Entrevistas de voz: Entrevistadores de IA conduzindo diálogos por voz
Notas de voz de campo: Requisitos capturados por trabalhadores em campo

Elicitação a partir de Vídeo

Gravações de usuários: Análise de comportamento para identificação de necessidades
Walkthroughs de sistema: Tours virtuais gerando requisitos de migração
Sessões de usability testing: Extração automática de problemas e sugestões

Tecnologias Habilitadoras:

GPT-4V (Visão)
CLIP (Conexão imagem-texto)
Whisper (Transcrição de áudio)
Modelos multi-modais emergentes (Gemini, Claude 3)

Agentes Autônomos de RE¶

O desenvolvimento de agentes de IA capazes de conduzir atividades de RE com mínima supervisão representa uma das tendências mais transformadoras.

Níveis de Autonomia

Nível 0: Assistente (Status atual predominante)
├── Humanos conduzem todo o processo
├── IA fornece sugestões e automações pontuais
└── Exemplo: Copilot para geração de user stories

Nível 1: Colaborador
├── IA executa tarefas específicas sob supervisão
├── Humanos definem escopo e aprovam resultados
└── Exemplo: Agente que conduz entrevistas estruturadas

Nível 2: Semi-Autônomo
├── IA executa ciclos completos com checkpoints
├── Humanos revisam e aprovam em marcos definidos
└── Exemplo: Sistema que elicita, especifica e valida iterativamente

Nível 3: Autônomo
├── IA conduz RE completo para domínios bem definidos
├── Humanos intervêm apenas em exceções
└── Exemplo: Agente que mantém backlog de produto atualizado

Nível 4: Totalmente Autônomo (Visão futura)
├── IA negocia diretamente com stakeholders
├── Identifica oportunidades de negócio
└── Propõe inovações baseadas em análise de mercado

Arquitetura de Agente Autônomo

┌─────────────────────────────────────────────────────────────────┐
│                    Agente Autônomo de RE                       │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  ┌─────────────────────────────────────────────────────────────┐│
│  │              Módulo de Percepção                            ││
│  │  • Processamento de documentos                             ││
│  │  • Análise de conversas                                    ││
│  │  • Monitoramento de sistemas                               ││
│  │  • Coleta de feedback                                      ││
│  └─────────────────────────────────────────────────────────────┘│
│                              │                                   │
│                              ▼                                   │
│  ┌─────────────────────────────────────────────────────────────┐│
│  │              Módulo de Raciocínio                           ││
│  │  • Planejamento de elicitação                              ││
│  │  • Análise de gaps                                         ││
│  │  • Priorização                                             ││
│  │  • Tomada de decisão                                       ││
│  └─────────────────────────────────────────────────────────────┘│
│                              │                                   │
│                              ▼                                   │
│  ┌─────────────────────────────────────────────────────────────┐│
│  │              Módulo de Ação                                 ││
│  │  • Geração de requisitos                                   ││
│  │  • Criação de artefatos                                    ││
│  │  • Comunicação com stakeholders                            ││
│  │  • Atualização de ferramentas de RM                        ││
│  └─────────────────────────────────────────────────────────────┘│
│                              │                                   │
│                              ▼                                   │
│  ┌─────────────────────────────────────────────────────────────┐│
│  │              Módulo de Aprendizado                          ││
│  │  • Feedback de stakeholders                                ││
│  │  • Métricas de qualidade                                   ││
│  │  • Adaptação a domínio                                     ││
│  │  • Melhoria contínua                                       ││
│  └─────────────────────────────────────────────────────────────┘│
└─────────────────────────────────────────────────────────────────┘

Desafios Técnicos:

Robustez em face de ambiguidade
Negociação efetiva com stakeholders
Equilíbrio entre exploração (novos requisitos) e explotação (refinamento)
Explicabilidade de decisões autônomas

Federated Learning para RE¶

Problema: Organizações não podem compartilhar dados de requisitos sensíveis, mas poderiam beneficiar de modelos treinados em dados de múltiplas organizações.

Conceito: Treinamento colaborativo de modelos sem compartilhamento centralizado de dados.

Aplicação em RE:

┌─────────────────────────────────────────────────────────────────┐
│              Federated Learning para RE                        │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│   Banco A          Banco B          Telecom A       Saúde A    │
│      │                │                 │              │        │
│      ▼                ▼                 ▼              ▼        │
│  ┌────────┐      ┌────────┐       ┌────────┐     ┌────────┐   │
│  │ Modelo │      │ Modelo │       │ Modelo │     │ Modelo │   │
│  │ Local  │      │ Local  │       │ Local  │     │ Local  │   │
│  │ (SLM)  │      │ (SLM)  │       │ (SLM)  │     │ (SLM)  │   │
│  └────┬───┘      └────┬───┘       └────┬───┘     └────┬───┘   │
│       │               │                │               │       │
│       └───────────────┴────────────────┴───────────────┘       │
│                       │                                        │
│                       ▼                                        │
│              ┌────────────────┐                               │
│              │   Agregação    │                               │
│              │   Federada     │                               │
│              │   (Servidor    │                               │
│              │   Central)     │                               │
│              └────────────────┘                               │
│                       │                                        │
│                       ▼                                        │
│              Modelo Global Melhorado                          │
│              (Sem dados sensíveis expostos)                   │
└─────────────────────────────────────────────────────────────────┘

Benefícios:

Modelos especializados sem compartilhamento de IP
Conhecimento agregado de múltiplos domínios
Compliance com regulamentações de privacidade
Resiliência a vieses de organização única

Previsões para 2025-2027¶

Consolidação de Ferramentas¶

O mercado atual fragmentado de ferramentas de RE com IA convergirá para suites integradas.

Tendências Esperadas:

Aquisições: Grandes players (Atlassian, Microsoft, ServiceNow) adquirirão startups especializadas
Integrações nativas: Capacidades de IA tornar-se-ão padrão em ferramentas de RM tradicionais
Desaparecimento de ferramentas sem IA: Soluções que não incorporarem IA serão obsoletas

Mercado Esperado em 2027:

Líderes de Mercado (Suites Integradas)
├── Microsoft (GitHub Copilot + Azure DevOps + Power Platform)
├── Atlassian (Jira + Confluence + Rovo AI)
├── IBM (ELM + Watson + RQA)
└── ServiceNow (ITSM + Now Assist)

Players Especializados (Nicho)
├── Qualidade de Requisitos (IBM RQA, Qualicen)
├── Geração de Testes (TestStory, Tricentis)
├── Especificação Formal (Neuro-simbólica)
└── Compliance (Ferramentas qualificadas por domínio)

Open Source
├── LangChain/LangGraph (Orquestração)
├── Vector DBs (Chroma, Weaviate, Qdrant)
└── Modelos especializados (Hugging Face)

Padrões de Prompt Engineering¶

A formalização de práticas de prompt engineering para RE levará a standards e certificações.

Desenvolvimentos Esperados:

ISO/IEC standards para documentação de prompts em RE
Certificações profissionais em Prompt Engineering para Requirements
Bibliotecas organizacionais de prompts como ativos corporativos
Governança de prompts como disciplina estabelecida

Template de Documentação de Prompt (Futuro):

prompt_id: REQ-ELIC-001
version: 2.3.1
owner: team-requirements@company.com
certification:
  standard: ISO/IEC-RE-PROMPT-2026  # (exemplo hipotético)
  level: Professional
  validated_by: certification-body-xyz
category: Elicitation
domain: Financial Services
compliance: [SOX, PCI-DSS]
inputs:
  - name: stakeholder_transcript
    type: text
    required: true
outputs:
  - name: user_stories
    type: json_schema
    schema: user_story_v2.json
performance:
  accuracy: 0.89
  consistency: 0.94
  hallucination_rate: 0.03
last_validated: 2026-11-15

RE como Serviço (REaaS)¶

A engenharia de requisitos disponibilizar-se-á como APIs e microsserviços.

Modelos de Serviço:

┌─────────────────────────────────────────────────────────────────┐
│              Requirements Engineering as a Service             │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│  Tier 1: Elicitação Básica                                     │
│  POST /api/v1/elicit                                           │
│  Input: {stakeholder_input, domain}                            │
│  Output: {requirements: [...], confidence: 0.92}               │
│  Preço: $0.01/requisito                                       │
│                                                                  │
│  Tier 2: Especificação Completa                                │
│  POST /api/v1/specify                                          │
│  Input: {functional_description, constraints}                  │
│  Output: {user_stories, acceptance_criteria, tests}            │
│  Preço: $0.05/artefato                                        │
│                                                                  │
│  Tier 3: RE Gerenciado                                         │
│  • Acesso a agentes autônomos                                  │
│  • Suporte de especialistas humanos                            │
│  • SLAs de qualidade                                           │
│  • Integração customizada                                      │
│  Preço: Assinatura mensal baseada em volume                    │
└─────────────────────────────────────────────────────────────────┘

Casos de Uso:

Startups sem expertise interna de RE
Grandes organizações em projetos pontuais
Empresas de consultoria escalando delivery
Integração em plataformas low-code/no-code

Educação e Treinamento¶

Prompt engineering tornar-se-á competência obrigatória em currículos de RE.

Mudanças Curriculares Previstas:

Cursos universitários: Disciplinas obrigatórias de IA em RE
Certificações profissionais: CBAP, PMI-PBA incluirão IA
Treinamentos corporativos: Prompt engineering como habilidade básica
Ambientes acadêmicos: Ferramentas de RE com IA em laboratórios

Competências do Currículo 2027:

Fundamentos (40%)
├── Técnicas tradicionais de elicitação
├── Modelagem de requisitos
├── Gestão de requisitos
└── Qualidade de requisitos

IA em RE (35%)
├── Prompt engineering
├── Avaliação de outputs de IA
├── Orquestração de agentes
└── Governança de IA

Aplicação (25%)
├── Ferramentas modernas
├── Case studies
├── Projeto integrador
└── Ética e compliance

Diretrizes para Organizações¶

Estratégia de Curto Prazo (2025)¶

Comece Pequeno

Selecione 1-2 projetos piloto não-críticos
Foque em automações de baixo risco (formatação, checklists)
Estabeleça baseline de métricas antes da implementação

Valide Antes de Escalar

Defina critérios de sucesso claros
Colete feedback de todos os stakeholders
Documente lições aprendidas sistematicamente
Ajuste processos baseado em resultados

Invista em Capacitação

Treine equipe em prompt engineering básico
Desenvolva cultura de human-in-the-loop
Estabeleça comunidades de prática internas
Incentive experimentação controlada

Estratégia de Médio Prazo (2026)¶

Estabeleça Governança

Defina políticas de uso de IA em RE
Estabeleça processos de validação obrigatória
Crie critérios de aceitação de outputs
Implemente monitoramento de qualidade

Integre ao Stack

Conecte ferramentas de IA a sistemas existentes
Desenvolva APIs internas de RE
Automatize workflows de handoff
Crie bibliotecas de prompts organizacionais

Meça e Otimize

Monitore métricas de produtividade
Meça qualidade de requisitos (defeitos por requisito)
Avalie satisfação de stakeholders
Calcule ROI de iniciativas de IA

Estratégia de Longo Prazo (2027+)¶

Consolide e Inove

Consolide ferramentas em suite integrada
Explore agentes autônomos para casos maduros
Considere REaaS para projetos específicos
Posicione-se como organização líder em RE com IA

Diretrizes para Profissionais¶

Desenvolvimento de Novas Habilidades¶

Prioridades de Aprendizado:

Prompt Engineering (Imediato)
Cursos online (Anthropic, OpenAI)
Prática sistemática com projetos pessoais
Participação em comunidades
Avaliação Crítica de IA (6 meses)
Estudo de casos de falha
Desenvolvimento de frameworks de avaliação
Benchmarking de modelos
Ferramentas Emergentes (Contínuo)
Acompanhamento de lançamentos
Experimentação hands-on
Contribuição para comunidades open-source

Posicionamento Profissional¶

Mantenha Foco em Valor:

IA é ferramenta, não substituto
Foco em decisões estratégicas complexas
Relacionamento com stakeholders como diferencial
Comunicação de insights como valor central

Experimente e Compartilhe:

Teste novas técnicas em projetos
Documente resultados e aprendizados
Contribua com artigos e apresentações
Participe de conferências e comunidades

Plano de Carreira 2025-2027¶

2025: Fundação
├── Especialização em prompt engineering
├── Certificação em ferramentas principais
├── Portfólio de 3-5 projetos com IA
└── Network na comunidade de RE com IA

2026: Consolidação
├── Liderança de iniciativas de IA na organização
├── Mentoria de profissionais juniores
├── Palestras em eventos da indústria
└── Contribuições para standards emergentes

2027: Liderança
├── Posição de referência em RE com IA
├── Influência em decisões estratégicas
├── Possível transição para consultoria
└── Contribuições para literatura acadêmica

Referências¶

Hemmat, M., et al. (2024). "Research Directions for Using LLM in Software Requirement Engineering: A Systematic Review." Frontiers in Computer Science, 7. https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2024.1519437/full
Vogelsang, A. (2024). "From Specifications to Prompts: On the Future of Generative Large Language Models in Requirements Engineering." IEEE Software, 41(5). https://www.computer.org/csdl/magazine/so/2024/05/10629163/1Zdj3HlmqFG
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/
ZenML. (2025). "LLMOps in Production: 457 Case Studies of What Actually Works." https://www.zenml.io/blog/llmops-in-production-457-case-studies-of-what-actually-works
Anthropic. (2024). "Claude 3 Best Practices." https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview

Tendências e Direções Futuras¶

Pesquisas em Andamento¶

Extração Automática de Terminologia e Glossários¶

Recuperação Inteligente de Requisitos¶

RE Consciente de Ética¶

Small Language Models (SLMs) para RE¶

Tecnologias Emergentes¶

RE Multi-Modal¶

Agentes Autônomos de RE¶

Federated Learning para RE¶

Previsões para 2025-2027¶

Consolidação de Ferramentas¶

Padrões de Prompt Engineering¶

RE como Serviço (REaaS)¶

Educação e Treinamento¶

Diretrizes para Organizações¶

Estratégia de Curto Prazo (2025)¶

Estratégia de Médio Prazo (2026)¶

Estratégia de Longo Prazo (2027+)¶

Diretrizes para Profissionais¶

Desenvolvimento de Novas Habilidades¶

Posicionamento Profissional¶

Plano de Carreira 2025-2027¶

Referências¶