O Alfa-Bank transformou a ideia de um testador em um gerador de stubs com AI para equipes de teste

Um testador do Alfa-Bank transformou uma ideia em um gerador de stubs alimentado por IA para equipes de teste

Um testador do Alfa-Bank criou uma ferramenta interna de IA que converte descrições de texto em stubs de API prontos para teste de serviços. O projeto começou como um experimento à noite dentro da comunidade de IA e eventualmente evoluiu para um MVP, um domínio separado e testes dentro do banco.

Como o projeto surgiu

A história começou na primavera de 2025, quando o engenheiro de testes Stas Zaitsev decidiu aprofundar-se em redes neurais e explorar como poderiam ser aplicadas ao trabalho cotidiano de QA. Após vários experimentos, incluindo um bot Telegram para avaliação de inglês, ele se uniu à comunidade de IA interna em torno da plataforma AlfaGen. Em uma das reuniões, os participantes viram uma lista de ideias úteis que as equipes ainda não haviam implementado.

Entre elas estava uma tarefa bem conhecida pelos testadores: criar automaticamente stubs de API. A ideia era prática e muito objetiva. Quando o frontend já está pronto, mas o servidor ainda está em desenvolvimento, o teste frequentemente é interrompido pela falta de respostas funcionais do serviço.

Os stubs resolvem esse problema, mas sua preparação exige tempo, configuração manual e compreensão da infraestrutura. Nos requisitos comerciais do novo agente, foi descrito um cenário simples: o usuário especifica as condições, o sistema esclarece os detalhes e fornece o código do stub que pode ser usado imediatamente nos testes sem preparação longa.

Como o gerador funciona

Zaitsev criou a primeira versão muito rapidamente no Prompt Workshop do AlfaGen: ele configurou um cenário que gerava código de stub com base em uma descrição. No entanto, este formato se mostrou inconveniente para o trabalho real e não escalava bem para colegas sem background técnico. Diálogo longo no chat, execução manual e a necessidade de entender detalhes tornaram a solução mais uma demonstração de ideia do que uma ferramenta para o trabalho cotidiano das equipes de QA. Por isso, uma segunda versão com interface separada e execução automática era necessária.

"Supostamente, o projeto levaria 3 meses, mas eu não sabia disso e fiz

tudo em uma noite."

Na segunda versão, o autor montou um agente completo em três partes: WireMock para executar os stubs, uma camada de API em Kotlin e Spring AI para conectar à interface web do AlfaGen, e uma UI que pode ser usada sem conhecimento profundo de programação. O usuário simplesmente descreve o cenário necessário na janela de chat — por exemplo, que respostas retornar para diferentes userIds, se uma demora é necessária e quando retornar um erro 404. Depois disso, o sistema passa por vários passos:

• determina o tipo de stub — REST ou SOAP
• seleciona o método HTTP necessário
• calcula quantos stubs separados precisam ser criados para diferentes condições
• gera código e verifica erros
• inicia o resultado no WireMock

De acordo com o autor, todo o ciclo leva de 10 a 15 segundos, após o qual o stub já pode ser conectado no ambiente de trabalho. Para quem precisa de controle total, a interface também tem um modo manual onde os parâmetros são definidos separadamente. Isso torna a ferramenta útil tanto para engenheiros experientes quanto para testadores que não querem gastar tempo com montagem manual e implantação de mocks. Essencialmente, o agente remove quase toda a mecânica rotineira do usuário.

De MVP para lançamento

O protótipo noturno rapidamente evoluiu para um MVP de duas semanas e depois para um produto interno completo. Após uma apresentação na demonstração da plataforma AlfaGen, outras equipes do banco se interessaram pela ferramenta e o desenvolvedor se juntou a um grupo já trabalhando em tempo integral em agentes de QA. O projeto então começou o processo de atingir qualidade industrial: adicionaram modo de chat, pastas de projeto, grupos de stubs com lógica, correções de feedback dos colegas e um cenário de usuário mais conveniente.

No final de novembro, a equipe fechou problemas críticos e começou a preparação para um lançamento mais amplo. Para a solução, alocaram um domínio separado, configuraram acessos, reescreveram o frontend sob as bibliotecas internas do banco e prepararam documentação. Atualmente, o gerador está sendo testado por grupos de foco dentro do banco, e a versão local já está sendo usada em tarefas reais em produtos para pequenas empresas.

Essencialmente, este é um exemplo de como uma plataforma de IA interna transforma pontos de dor individual em engenharia em um serviço aplicado para uma organização inteira.

O que isso significa

A história do Alfa-Bank mostra que ferramentas de IA úteis para desenvolvimento podem surgir não apenas de equipes de R&D dedicadas, mas de baixo para cima — a partir de pontos de dor específicos de testadores. Se tais projetos forem rapidamente levados à interface, documentação, padrões internos e pilotos reais, eles deixam de ser demonstrações de capacidades de LLM e se tornam ferramentas de trabalho que economizam horas para equipes inteiras e aceleram a implantação de novos serviços para teste. Para IA corporativa, isso é mais importante do que qualquer cenário de demonstração bonita.