A Inteligência Artificial está avançando de ferramentas que apenas geram conteúdo para sistemas capazes de participar de decisões dentro de aplicações.
Um exemplo recente é o Jev, modelo apresentado pela TypeSafe AI em setembro de 2026. Diferentemente de um chatbot tradicional, o Jev foi desenvolvido para trabalhar com decisões estruturadas, retornando resultados que podem ser utilizados diretamente por um software.
Essa abordagem pode abrir novas possibilidades para a Qualidade de Software.
O que é Jev?
O Jev é apresentado pela TypeSafe como seu primeiro modelo da categoria System One Models.
A ideia é diferente da utilização tradicional de um LLM.
Enquanto um modelo de linguagem pode responder:
“Explique por que esse bug é importante.”
Um modelo de decisão pode ser utilizado para responder algo mais estruturado:
“Qual é o nível de risco deste bug?”
Com opções previamente definidas:
- Baixo
- Médio
- Alto
- Crítico
O resultado pode então ser utilizado por outro componente do software.
A proposta da TypeSafe é justamente trabalhar com decisões em vez de respostas textuais abertas.
Por que o Jev pode interessar ao QA?
Profissionais de Qualidade tomam decisões constantemente.
Por exemplo:
- um bug deve ser priorizado?
- determinado resultado precisa de revisão?
- uma alteração apresenta alto risco?
- um problema deve ser encaminhado para qual equipe?
- uma resposta gerada por IA atende aos critérios definidos?
Muitas dessas situações podem ser transformadas em decisões estruturadas.
É aí que modelos como o Jev podem ser interessantes.
4 aplicações do Jev em Qualidade de Software
1. Classificação de bugs
Imagine uma aplicação que recebe centenas de Bug Reports.
O Jev poderia ajudar a classificar problemas em categorias previamente definidas:
- funcional;
- segurança;
- desempenho;
- interface;
- integração.
O resultado poderia ser utilizado para encaminhar automaticamente o problema para o fluxo adequado.
O QA continuaria responsável por validar se as categorias e critérios utilizados fazem sentido.
2. Avaliação de risco
Outra possibilidade é utilizar o Jev para classificar o risco de uma mudança.
Por exemplo:
Pergunta: qual é o risco dessa alteração?
Possíveis respostas:
- baixo;
- médio;
- alto.
O resultado poderia ajudar a definir quais mudanças precisam de uma análise mais cuidadosa ou de mais testes.
Mas é importante lembrar:
uma classificação de IA não é uma verdade absoluta.
Ela precisa ser validada de acordo com o contexto do negócio.
3. Identificação de casos que precisam de revisão humana
Essa pode ser uma aplicação especialmente interessante.
Imagine um sistema que utiliza IA para analisar milhares de situações.
O fluxo poderia ser:
Entrada → IA → decisão → nível de confiança
Quando a confiança estiver adequada, o processo pode continuar automaticamente.
Quando a confiança for baixa, o caso pode ser encaminhado para uma pessoa.
Isso cria um conceito importante para QA:
Nem toda decisão precisa ser automatizada até o fim.
O sistema pode ser projetado para saber quando deve parar e solicitar intervenção humana.
4. Avaliação de respostas de outras IAs
Imagine que um LLM gere uma resposta para um cliente.
Antes de apresentar essa resposta, outro modelo poderia avaliá-la segundo critérios definidos pela empresa.
Por exemplo:
- adequada;
- parcialmente adequada;
- inadequada.
Ou:
A resposta contém uma informação que precisa de verificação humana?
Sim / Não
Esse tipo de arquitetura cria uma camada adicional de controle sobre aplicações que utilizam IA.
Jev e testes de software
A chegada de modelos de decisão cria uma nova questão para QA:
como testar uma decisão gerada por IA?
Não basta verificar somente o resultado final.
Também é necessário avaliar:
- quais informações foram fornecidas;
- quais opções foram definidas;
- se as categorias são claras;
- como o nível de confiança é utilizado;
- o que acontece quando a IA não tem confiança suficiente;
- se existe fallback;
- se decisões incorretas podem causar impactos relevantes.
Por isso, uma aplicação baseada em IA pode exigir uma estratégia de testes diferente de um sistema puramente determinístico.
Jev substitui o QA?
Não.
Na verdade, a automação de decisões pode criar novas responsabilidades para Qualidade.
O QA precisa continuar questionando:
- Essa decisão está correta?
- Os critérios são adequados?
- Existem casos ambíguos?
- O que acontece quando a IA erra?
- Existe revisão humana?
- Qual é o impacto de uma decisão incorreta?
Quanto mais decisões forem automatizadas, mais importante se torna testar como essas decisões são tomadas.
Um novo desafio para a Engenharia de Qualidade
Durante muito tempo, testar software significava principalmente verificar se:
Entrada → Sistema → Resultado esperado
Com aplicações baseadas em IA, podemos ter algo mais próximo de:
Contexto → IA → Decisão → Confiança → Ação
Cada uma dessas etapas pode representar uma nova superfície de teste.
Isso significa que o profissional de QA pode precisar avaliar não apenas o que o software faz, mas também como ele decide o que fazer.
Conclusão
O Jev representa uma abordagem interessante para o uso de Inteligência Artificial em software: utilizar IA para produzir decisões estruturadas, em vez de apenas respostas textuais.
Na Qualidade de Software, isso pode ser aplicado em cenários como:
- classificação de bugs;
- avaliação de riscos;
- triagem;
- priorização;
- validação de respostas de IA;
- identificação de casos que precisam de revisão humana.
Como a tecnologia ainda é recente, é cedo para afirmar qual será seu impacto na indústria.
Mas uma coisa já é clara para profissionais de QA:
quando uma aplicação começa a tomar decisões com IA, essas decisões também precisam ser testadas.
E esse pode ser um dos próximos grandes desafios da Engenharia de Qualidade.
Continue acompanhando o mundo de QA e IA
Quer acompanhar as principais novidades, tendências, ferramentas e conteúdos sobre Qualidade de Software, Engenharia de Software e Inteligência Artificial?
Assine gratuitamente a Curadoria do SW Academy e receba uma seleção de conteúdos diretamente no seu e-mail.
