Alfa-Bank transforma ideia de testador em gerador de stubs com IA para equipes de teste

Um testador do Alfa-Bank criou uma ferramenta interna de IA que transforma uma descrição em texto em stubs de API prontos para testar serviços. O projeto começou como um experimento noturno dentro da comunidade de IA e evoluiu para um MVP, com domínio próprio e testes dentro do banco.

Como o projeto surgiu

A história começou na primavera de 2025, quando o engenheiro de testes Stas Zaitsev decidiu se aprofundar em redes neurais e ver como aplicá-las ao trabalho diário de QA. Depois de vários experimentos, incluindo um bot de Telegram para avaliar inglês, ele entrou na comunidade interna de IA em torno da plataforma AlfaGen.

Em um dos encontros, os participantes viram uma lista de ideias úteis que as equipes ainda não tinham conseguido tirar do papel. Uma delas era uma tarefa bem conhecida dos testadores: criar stubs de API automaticamente.

A ideia era prática e bem pé no chão. Quando o frontend já está pronto, mas o backend ainda está em desenvolvimento, os testes costumam travar por falta de respostas funcionais do serviço. Os stubs resolvem o problema, mas prepará-los exige tempo, configuração manual e conhecimento da infraestrutura.

Os requisitos de negócio do novo agente descreviam um cenário simples: o usuário define as condições, o sistema esclarece os detalhes e entrega o código de um stub que pode ser usado de imediato nos testes, sem longa preparação.

Como o gerador funciona

Zaitsev fez a primeira versão bem rápido na «Oficina de Prompts» do AlfaGen: configurou um cenário que gerava o código do stub a partir de uma descrição. Mas esse formato se mostrou pouco prático para o trabalho real e escalava mal para colegas sem formação técnica. Um diálogo longo no chat, a execução manual e a necessidade de entender os detalhes faziam dele mais uma demonstração da ideia do que uma ferramenta para o dia a dia das equipes de QA. Por isso, foi preciso uma segunda versão, com interface própria e execução automática.

«A previsão era que o projeto levasse 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 com a interface web do AlfaGen e uma UI que pode ser usada sem conhecimento profundo de programação.

O usuário apenas descreve o cenário desejado em uma janela de chat, por exemplo quais respostas devolver para diferentes userId, se é preciso um atraso e quando devolver um erro 404. Em seguida, o sistema passa por várias etapas:

• identifica o tipo de stub: REST ou SOAP
• escolhe o método HTTP adequado
• calcula quantos stubs separados são necessários para as diferentes condições
• gera o código e verifica se há erros
• sobe o resultado no WireMock

Segundo o autor, o ciclo inteiro leva de 10 a 15 segundos, e depois disso o stub já pode ser conectado ao ambiente de trabalho. Para quem precisa de controle total, a interface também mantém um modo manual, em que os parâmetros são definidos individualmente.

Isso torna a ferramenta útil tanto para engenheiros experientes quanto para testadores que não querem perder tempo montando e executando mocks na mão. Na prática, o agente tira do usuário quase toda a mecânica de rotina.

Do MVP ao lançamento

O protótipo noturno logo virou um MVP de duas semanas e, depois, um produto interno completo. Após uma apresentação em uma demo da plataforma AlfaGen, outras equipes do banco se interessaram pela ferramenta, e o desenvolvedor se juntou a um grupo que trabalha em agentes de QA em tempo integral.

Em seguida, o projeto foi levado ao nível de produção: foram adicionados modo de chat, pastas por projeto, grupos de stubs com lógica, correções com base no feedback dos colegas e um fluxo de uso mais conveniente. Até o fim de novembro, a equipe fechou os problemas críticos e começou a se preparar para um lançamento mais amplo.

A solução ganhou um domínio próprio, os acessos foram configurados, o frontend foi reescrito com as bibliotecas internas do banco e a documentação foi preparada. Hoje o gerador é testado por grupos focais dentro do banco, enquanto uma versão local já é usada em tarefas reais em produtos para pequenos negócios.

Na essência, é um exemplo de como uma plataforma interna de IA transforma uma dor pontual de um engenheiro 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 nascer não só em equipes dedicadas de P&D, mas também de baixo para cima, a partir de uma dor concreta dos testadores. Se esses projetos são levados rapidamente até ter interface, documentação, padrões internos e um piloto real, deixam de ser uma demonstração do que os LLMs conseguem fazer e viram uma ferramenta de trabalho que poupa horas de toda a equipe e acelera a chegada de novos serviços à fase de testes.

Para a IA corporativa, isso importa mais do que qualquer demo bonita.