Como Usar IA em Testes de Software: Guia Prático para Equipas de QA em 2026

Dois números mostram por que razão esta conversa mudou. O primeiro: as equipas de QA gastam tipicamente 60–80% do seu esforço de automação na manutenção de testes — a corrigir seletores frágeis e a lidar com testes instáveis (flaky tests) em vez de escreverem nova cobertura. O segundo, da análise de ferramentas de automação de testes com IA de 2026 da TestGuild: 81% das equipas de desenvolvimento utilizam agora IA em alguma fase do seu fluxo de trabalho de testes. O debate sobre «se devemos utilizar IA em QA» terminou. A questão mais difícil é perceber que partes do ciclo de vida dos testes a IA realmente melhora e em quais ainda apresenta limitações.

Este guia aborda o cenário real em 2026: onde a IA se destaca, que tipos de testes influencia, que ferramentas estão a liderar o mercado e o que procurar ao selecionar uma. Aborda também o que os testes com IA realmente não conseguem fazer. Sem exageros. Apenas a perspetiva de quem está no terreno.

Por que razão os testes estavam prontos para a IA

O processo de testes tem apresentado falhas silenciosas há anos. Os problemas não são segredo para ninguém que trabalhe em QA — tornaram-se tão familiares que as equipas deixaram de esperar que as ferramentas os resolvessem.

O custo da manutenção. Sempre que um programador muda o nome de um botão ou reestrutura um componente, uma parte da suite de testes falha. Os engenheiros passam a maior parte da semana a corrigir testes em vez de escreverem novos.

Testes instáveis (flaky tests). Testes que passam na segunda-feira e falham na terça-feira sem qualquer alteração de código entretanto. Ensinam as equipas a ignorar falhas («basta executar novamente»), o que é o pior reflexo possível para um controlo de qualidade.

Lacunas de cobertura que ninguém admite. As arquiteturas modernas de microsserviços têm tantos caminhos de código que nenhum plano de testes manuais os consegue cobrir de forma abrangente. Os relatórios de cobertura parecem saudáveis porque medem linhas executadas e não cenários com impacto real.

Ciclos de regressão lentos. Executar a suite completa de testes em cada commit não é viável à escala. Executar apenas um subconjunto acarreta o risco de lançar erros que os testes ignorados teriam detetado.

Estes não são casos isolados. São modos estruturais de falha que nenhuma disciplina organizacional consegue resolver por si só. A IA é o primeiro conjunto de ferramentas a abordá-los no nível certo — não substituindo os humanos, mas eliminando o trabalho mecânico que os impedia de se dedicarem à estratégia. De acordo com as estatísticas de automação de testes de 2025 da Testlio, a adoção de testes com IA subiu de 7% em 2023 para 16% em 2025, com 46% das equipas a apontarem a melhoria da eficiência da automação como o principal benefício.

Como funciona realmente a IA nos testes

«IA em testes» é um termo genérico de marketing para três técnicas distintas que desempenham três funções diferentes. É útil distingui-las claramente.

Machine learning: reconhecimento de padrões em dados de teste

O machine learning clássico analisa o histórico de execuções de testes e identifica padrões: que testes falham em conjunto, que commits introduzem mais erros e que elementos de UI se alteram ao longo do tempo. Isto viabiliza localizadores autorregenerativos (self-healing), deteção de testes instáveis, seleção preditiva de testes e previsão de defeitos. É a categoria mais madura e a que proporciona o ROI mais consistente em produção atualmente.

Modelos de linguagem de grande escala (LLM): geração e tradução

Os LLMs destacam-se numa função específica em QA: transformar entradas estruturadas em saídas estruturadas. Código em testes. Especificações em casos de teste. Linguagem natural em scripts de Playwright. Falhas em hipóteses de causa-raiz. As melhores implementações não tratam o LLM como um oráculo — tratam-no como um engenheiro júnior cujo trabalho exige revisão. Segundo uma análise da Qable a benchmarks recentes de testes com LLM, o GPT-4 atinge cerca de 72,5% de validade nos casos de teste gerados, com outros 15,2% a identificar casos limite úteis que o engenheiro não tinha considerado.

Visão computacional: analisar a UI como um utilizador

Esta é a tecnologia por trás da regressão visual moderna. Em vez de comparar duas capturas de ecrã pixel por pixel — o que gera falsos positivos sempre que uma fonte renderiza 1px diferente —, a IA visual compreende o que um humano realmente notaria. Dá suporte à regressão visual, à verificação de acessibilidade e à próxima geração de identificação de elementos de UI (onde a IA encontra o botão «Submeter» compreendendo a sua função, e não procurando um seletor CSS que acabou de mudar). Casos de utilização com múltiplas entradas — voz, imagem, chat — coincidem com o campo mais vasto da IA multimodal.

A maioria das «ferramentas de teste com IA» combina as três abordagens. A competência reside em saber que técnica um fornecedor está realmente a utilizar quando fala em «IA» — e se essa técnica resolve o problema concreto da sua organização.

Tipos de testes com IA

Testes unitários com IA

A IA lê o código-fonte e gera testes unitários automaticamente — cobrindo casos limite que o programador não tinha previsto e prevendo que funções têm maior propensão a erros com base na complexidade e no histórico de bugs. Os testes de mutação (introdução deliberada de pequenos erros para verificar se a suite de testes os deteta) são cada vez mais orientados por IA, permitindo que as equipas obtenham um indicador real da qualidade dos testes e não apenas percentagens de cobertura de código.

Testes funcionais com IA

A IA prioriza casos de teste funcionais analisando a forma como os utilizadores interagem realmente com a aplicação. Os fluxos críticos de utilizador são testados primeiro; os caminhos raros são despriorizados. A IA gera também dados de teste inteligentes que refletem entradas reais de utilizadores em vez de substitutos sintéticos — garantindo que os testes detetam os tipos de erros que a utilização real revelaria.

Testes de API com IA

A IA beneficia os testes de UI em certos aspetos mais do que os testes de API, uma vez que as entradas e saídas já são estruturadas. A IA gera casos de teste a partir de especificações OpenAPI, realiza validação de esquemas, deteta alterações que quebram a compatibilidade entre versões e prevê pontos de falha de integração com base em padrões de dependências. É uma abordagem madura para arquiteturas com muitos microsserviços.

Testes end-to-end com IA

A automação com autorregeneração (self-healing) e o reconhecimento visual adaptam fluxos de trabalho completos quando a UI muda. Os testes E2E orientados por IA também gerem a orquestração de ambientes (criação de dependências, geração de dados de teste) e priorizam os caminhos de maior impacto na aplicação.

Testes visuais e de UI com IA

A visão computacional compara UIs renderizadas e ignora diferenças insignificantes, assinalando apenas as que um utilizador real notaria. É a categoria mais consolidada neste domínio, com a Applitools como referência principal e o Percy/Chromatic como alternativas.

Testes de desempenho e de carga com IA

A IA prevê onde é provável surgirem estrangulamentos sob carga, analisando dados históricos de desempenho e a complexidade do código. Gera também cenários realistas de utilizadores à escala — simulando milhares de utilizadores simultâneos na sua aplicação — sem necessidade de escrever scripts de desempenho do zero.

Testes de usabilidade e de utilizador com IA

A análise comportamental, a análise de sentimento e a visão computacional são as principais ferramentas para identificar pontos de atrito em sessões reais de utilizadores, como hesitações, cliques repetidos por frustração (rage-clicking) e abandono precoce. A IA produz mapas de calor e análises de navegação (clickstream) que exigiriam uma equipa dedicada de investigação UX.

Testes de penetração e segurança com IA

A IA simula padrões de ataque sofisticados através da aprendizagem com dados reais de ameaças. Analisa APIs, ambientes cloud e aplicações em contentores à procura de vulnerabilidades de forma adaptativa, em vez de executar rotinas fixas de verificação — transformando os testes de penetração de um exercício periódico num processo contínuo.

Vantagens da IA nos testes de software

Diferentes fontes classificam estes aspetos de forma ligeiramente distinta, mas os mesmos nove benefícios surgem consistentemente em várias organizações. Apresentamos aqui o panorama consolidado, pela ordem em que a maioria das equipas os identifica.

1. Criação e execução mais rápidas de testes

A IA gera testes a partir de user stories, commits de código ou especificações numa fração do tempo que um humano demoraria a escrevê-los. A velocidade de execução também aumenta, uma vez que a seleção preditiva de testes executa apenas os testes com probabilidade de serem afetados por uma dada alteração, e não a suite completa de cada vez.

2. Manutenção mais inteligente de testes

A funcionalidade que mais se destaca são os localizadores autorregenerativos (self-healing locators). Se um programador alterar o nome de um botão ou o layout de um componente, a IA identifica o elemento pelo contexto e atualiza o teste de forma autónoma. É aqui que se recuperam as horas com maior ROI — equipas que antes passavam dois dias por semana a corrigir seletores recuperam esse tempo na totalidade.

3. Maior precisão e deteção de defeitos

A IA deteta erros que passam despercebidos a testadores humanos e a métodos tradicionais de automação, como regressões visuais subtis, problemas de temporização e casos limite ocultos em caminhos de código raramente utilizados. Dados do setor indicam que são descobertos mais de 20% de defeitos adicionais quando a IA é combinada com testes convencionais, reduzindo o número de bugs que chegam a produção sem deteção.

4. Avaliação preditiva de risco

Modelos de ML treinados no histórico de commits assinalam as alterações com maior probabilidade de introduzir erros antes de serem implementadas. A priorização de testes baseada no risco foca o esforço de validação da equipa nos componentes que realmente necessitam, em vez de tratar todas as alterações por igual.

5. Cobertura de testes mais abrangente

A IA identifica áreas não testadas através da análise do comportamento dos utilizadores, logs e histórico de defeitos, gerando novos cenários de teste para preencher as lacunas. A cobertura deixa de ser a «percentagem de linhas executadas» e passa a ser a «percentagem de cenários de utilizador relevantes». Até 80% das atividades de testes de regressão podem ser automatizadas com frameworks orientadas por IA, libertando os engenheiros para tarefas de maior valor.

6. Testes contínuos em CI/CD

As ferramentas de teste com IA integram-se nativamente no GitHub Actions, GitLab CI, Jenkins e pipelines semelhantes — executando automaticamente a cada commit e priorizando de forma inteligente o que deve ser executado. É desta forma que o QA deixa de ser o estrangulamento que atrasa um lançamento.

7. Otimização de custos e recursos

Menos esforço manual. Menos testes duplicados. Deteção mais precoce de defeitos (mais económico de corrigir no desenvolvimento do que em produção). A maioria das equipas que faz medições rigorosas observa poupanças operacionais significativas logo no primeiro ano, embora o ROI final dependa fortemente da dimensão da suite e do modelo de licenciamento.

8. Melhor indicador da experiência do utilizador

A análise de usabilidade orientada por IA transforma gravações de sessões, padrões de cliques e dados comportamentais em tarefas específicas de problemas de UX — pontos de atrito, interações lentas e barreiras de acessibilidade. Deteta problemas de experiência que passam nos testes funcionais mas que degradam a satisfação no mundo real.

9. Aprendizagem contínua e relatórios

Cada execução de teste retroalimenta o modelo. O agrupamento de falhas reúne defeitos relacionados para que a triagem deixe de ser feita caso a caso, e as hipóteses de causa-raiz surgem logo com o relatório de falha em vez de exigirem uma manhã inteira de depuração. O sistema torna-se mais útil à medida que acumula dados sobre a sua aplicação específica.

Testes com IA vs. automação tradicional, lado a lado

Onde o modelo se posiciona em comparação com o que a maioria das equipas utiliza atualmente:

Criação de testes	Engenheiro escreve scripts manualmente	LLM gera a partir da especificação ou do código, humano revê
Sobrecarga de manutenção	60–80% do tempo de QA dedicado à correção de seletores	Localizadores autorregenerativos reduzem a manutenção em ~80%
Testes instáveis (flaky)	Comuns; reexecução manual ou ignorados	ML deteta padrões de instabilidade e isola automaticamente
Regressão visual	Comparação pixel por pixel, falsos positivos	IA visual ignora diferenças sem impacto
Seleção de testes	Executa tudo, sempre	Seleção preditiva executa apenas o que é relevante
Dados de teste	Fixtures manuais ou dados de produção anonimizados	Sintéticos, em conformidade com o RGPD, a pedido
Relatórios	Aprovação/reprovação, triagem manual	ML agrupa falhas e sugere a causa-raiz

O principal dado que as equipas notam primeiro é a redução da manutenção — é aí que se recuperam visivelmente as horas semanais. A transformação a longo prazo ocorre na criação de testes: quando gerar um teste a partir de uma especificação demora minutos em vez de horas, as equipas escrevem testes que antes teriam ignorado, melhorando genuinamente a cobertura global.

Principais funcionalidades a procurar numa ferramenta de testes com IA

Todos os fornecedores afirmam que a sua ferramenta é baseada em IA. A realidade varia amplamente: algumas plataformas aplicam machine learning real a dados de teste; outras são apenas camadas sobre o GPT com um gravador associado. Com base no quadro de avaliação de ferramentas de teste com IA da DigitalOcean, estes são os critérios que distinguem plataformas genuinamente úteis de simples campanhas de marketing.

1. Amplitude de cobertura de testes

A ferramenta deve suportar fluxos de UI, API e end-to-end numa única plataforma. A IA proporciona uma cobertura mais abrangente do que a automação por scripts porque obtém cenários a partir de padrões reais de utilização — mas apenas se a plataforma monitorizar efetivamente esses padrões. Pergunte ao fornecedor como identifica casos limite para os quais a equipa ainda não escreveu testes.

2. Integração nativa em CI/CD

A integração com GitHub, GitLab, Jenkins e o seu pipeline de implementação não é um extra — é a diferença entre os testes com IA funcionarem como um exercício paralelo ou como parte integrante do seu processo de lançamento. A execução a cada commit, com resultados visíveis no mesmo local que o estado da build, é o requisito fundamental.

3. Autorregeneração genuína (não apenas ajustes heurísticos)

A autorregeneração de primeira geração utiliza heurísticas, prevendo o novo seletor com base em características semelhantes ao anterior. A autorregeneração moderna baseada em LLMs não só localiza como compreende a natureza do elemento. A diferença torna-se evidente quando os elementos são reorganizados (e não apenas renomeados). Solicite uma demonstração com alterações complexas de GUI e observe como a ferramenta se comporta.

4. Escalabilidade e execução paralela

Quando a sua suite de testes cresce de centenas para milhares, o estrangulamento deixa de ser a criação dos testes e passa a ser a sua execução. Apenas a execução paralela de testes numa infraestrutura cloud consegue manter os ciclos de regressão abaixo de uma hora, enquanto a execução não paralela pode levar a ciclos que duram a noite inteira. Deve ter atenção ao modelo de preço por execução, já que algumas ferramentas se tornam muito dispendiosas a uma escala maior.

5. Profundidade de relatórios e explicabilidade

Saber apenas se passou ou falhou não é suficiente. A ferramenta deve agrupar falhas relacionadas, sugerir causas-raiz e permitir analisar reproduções em vídeo ou snapshots do DOM quando algo falha. Igualmente importante: quando a IA toma uma decisão (regenera um localizador, prioriza um teste, gera um cenário), deve conseguir perceber o porquê. A IA em «caixa negra» é aceitável até algo falhar — momento em que deixa de ser viável.

6. Privacidade de dados e conformidade

Este é o aspeto que a maioria das equipas desvaloriza até ter problemas. De acordo com um inquérito a profissionais da Testsigma, 43% dos especialistas de QA apontam os riscos de privacidade e de dados como a sua preocupação n.º 1 ao trabalhar com IA em testes — de longe o principal desafio. Pergunte ao fornecedor onde ficam armazenados o código de teste, as capturas de ecrã e os dados da aplicação durante o processamento por IA. Questione o que é retido. Para setores regulamentados, procure certificações de conformidade e a capacidade de executar inferência na sua própria VPC.

7. Intervenção humana e registos de auditoria

A IA sugere; os humanos aprovam. A ferramenta deve permitir sobrepor-se às decisões da IA, auditar o que a IA fez e por que razão o fez, e reverter alterações quando a IA comete um erro. Ferramentas que escondem o seu raciocínio atrás de uma pontuação de confiança representam um risco a longo prazo.

O panorama das ferramentas de teste com IA

O mercado consolidou-se em torno de algumas categorias principais, cada uma com um ou dois líderes de referência.

• IA visual: A Applitools domina. Percy e Chromatic para equipas que já utilizam o BrowserStack ou o Storybook, respetivamente.
• Criação de testes com IA low-code: Mabl, Testim (agora parte da Tricentis, forte em Salesforce), Functionize, BlinqIO, Testsigma. Ideal para equipas de média dimensão que pretendem low-code com inteligência integrada.
• Plataformas empresariais: Tricentis Tosca, ACCELQ, Katalon Enterprise. Concebidas para grande escala, com funcionalidades de conformidade e auditoria.
• Geração de testes para programadores: Diffblue (testes unitários Java), CodiumAI, GitHub Copilot. Funciona diretamente no IDE em vez de numa plataforma separada.
• Open-source com plugins de IA: Playwright, Cypress com extensões de IA. Mais económico, mas requer mais configuração manual.
• Dados de teste sintéticos: Tonic.ai e Gretel para geração de dados de teste em total conformidade e segurança.
• Cloud cross-browser e multidispositivo: Sauce Labs, BrowserStack, LambdaTest – todas agora com camadas de análise e criação de testes assistidas por IA.

Como integrar testes com IA no seu stack

A tentação comum é avaliar sete ferramentas, construir um plano de adoção de 50 passos e anunciar um grande programa de transformação. Evite isso. As equipas que obtêm resultados reais seguem uma evolução muito mais simples.

Passo 1: Escolha um único ponto crítico

A autorrecuperação (self-healing) de testes e os testes visuais de regressão são os ganhos mais imediatos na automação de testes com IA, gerando um ROI visível em poucas semanas. A geração automática de testes pode ser difícil de avaliar inicialmente quanto ao seu impacto posterior. Não escolha o caso de uso mais complexo logo de início – opte por aquele em que possa medir o progresso com facilidade.

Passo 2: Execute as ferramentas de IA a par dos testes existentes

Execute a nova ferramenta de IA a par da sua suite atual durante 4 a 6 semanas. Ainda não está a substituir nada, mas sim a medir se o self-healing conseguiu identificar alterações de seletores que a suite antiga não detetou. Os testes criados por IA encontraram erros que os testes dos engenheiros deixaram escapar? Garanta uma comparação rigorosa e equitativa antes de tomar uma decisão definitiva.

Passo 3: Meça as métricas certas

A métrica de vaidade é o «número de testes criados por IA». As medições reais são o tempo semanal poupado em manutenção, a redução na taxa de testes intermitentes (flaky tests) e a taxa de defeitos que escapam para produção.

Passo 4: Estabeleça etapas obrigatórias de revisão humana

Os testes produzidos por IA têm de ser validados por uma pessoa antes de serem integrados no repositório. As correções sugeridas por IA também exigem revisão humana antes do deploy. As equipas que ignoram estes pontos de controlo acabam frequentemente com suites repletas de testes aparentemente plausíveis, mas incoerentes, que mascaram falhas autênticas. É o mesmo princípio aplicado aos assistentes de programação com IA: rascunho inicial útil, revisão obrigatória.

Passo 5: Prepare a equipa para a evolução de funções

A IA não elimina os cargos de QA; transforma-os. O trabalho puramente mecânico – criar seletores, corrigir testes frágeis, executar ciclos de regressão manuais – diminui. O trabalho estratégico – desenhar planos de teste, testes exploratórios, validar dados de IA e gerir a estratégia de qualidade – expande-se. As equipas bem-sucedidas nesta transição são as que iniciam esta conversa desde o primeiro dia.

Em que tarefas os testes de software com IA NÃO ajudam?

Esta é a parte que a comunicação comercial de muitas ferramentas ignora e que qualquer profissional de QA deve ler atentamente. 

Análise de documentação para compreender um sistema

A IA consegue resumir uma especificação. O que não consegue fazer é analisar a documentação técnica, falar com o engenheiro responsável, deduzir as regras de negócio implícitas partilhadas pela equipa e consolidar um modelo conceptual coerente do funcionamento do sistema. Essa síntese continua a ser uma competência exclusivamente humana.

Conceção de casos de teste para cenários altamente complexos

Fluxos de trabalho com múltiplos componentes que articulam lógica de negócio, estado do utilizador, integrações externas e dependências temporais continuam fora do alcance da IA. A IA consegue executar o teste após um humano o desenhar, mas não consegue conceber o cenário de forma autónoma e fiável, pois carece da compreensão aprofundada do domínio de negócio.

Interpretação de resultados e tomada de decisões técnicas

A IA pode executar um milhar de testes e indicar quais falharam. No entanto, determinar quais as falhas críticas para este lançamento, quais são aceitáveis, quais revelam uma falha arquitetural profunda e quais são mero ruído requer discernimento e experiência sénior – algo em que a IA ainda é limitada.

Discernimento em testes exploratórios

Os agentes de IA podem analisar uma aplicação sistematicamente, o que é valioso. Contudo, carecem de contexto de negócio: não sabem que comportamentos anómalos afetam realmente os utilizadores, quais são intencionais ou quais já são bugs conhecidos da equipa. A disciplina de testes exploratórios continua a depender do critério humano.

Planeamento estratégico de testes

Definir que tipologias de teste priorizar, que plataformas suportar e quais os critérios de validação adequados ao risco do negócio são decisões estratégicas e organizacionais, não técnicas. As ferramentas de IA apoiam a execução; não substituem o planeamento.

O padrão é claro: a IA destaca-se em tarefas com entradas estruturadas e respostas objetivamente verificáveis. Mostra limitações em tarefas com dados ambíguos que exigem contexto humano indisponível para o modelo. As equipas que triunfam nos testes com IA compreendem esta divisão de trabalho e evitam atribuir-lhe tarefas desadequadas.

Outras limitações reais a considerar

Para além das tarefas que a IA não consegue executar, importa destacar alguns aspetos práticos essenciais.

Testes gerados podem ocultar bugs reais. Se o LLM gerar um teste que valide o comportamento incorreto existente, o bug fica consolidado no sistema. A revisão de testes gerados é obrigatória.

A autorrecuperação gera falsos positivos. A primeira geração de self-healing recorria a heurísticas e, por vezes, associava o teste ao elemento errado. As versões baseadas em LLM são superiores, mas não infalíveis. Valide sempre os testes recuperados.

A IA de caixa negra acarreta riscos futuros. Ferramentas incapazes de justificar as suas decisões parecem funcionais até ocorrer uma falha crítica. Na avaliação de soluções, priorize a explicabilidade face à precisão bruta.

Tendências futuras nesta área

Algumas tendências de topo a ter em conta no planeamento tecnológico a médio prazo da sua equipa de QA.

Testes agênticos

A transição de «a IA ajuda a escrever testes» para «um agente de IA planeia, executa e interpreta testes a partir de uma história de utilizador». Plataformas como Mabl, BlinqIO, Tricentis e novas ferramentas nativas em agentes lideram este caminho. Embora ainda em maturação, a evolução é evidente: até 2027, prevê-se que agentes autónomos de teste assumam todo o ciclo de regressão nos principais produtos de software.

Testes multimodais

Interfaces de voz, sistemas de conversação, interfaces baseadas em visão e experiências de RA/RV são difíceis de testar com ferramentas convencionais. Modelos multimodais de IA capazes de interpretar fluxos de voz ou ambientes 3D começam a responder a esta necessidade.

IA a testar sistemas de IA

O caso de uso emergente mais relevante não incide sobre software tradicional, mas sim sobre recursos de IA: taxas de alucinação, proteção contra prompt injection, consistência de respostas e imparcialidade algorítmica. O mercado para estas ferramentas especializadas está em franca expansão à medida que as empresas lançam soluções com LLMs.

Testes de acessibilidade como foco prioritário da IA

A união entre visão computacional e LLMs permite testes de acessibilidade consideravelmente mais completos do que os validadores baseados em regras estáticas. Esta abordagem passará a ser um padrão incontornável na caixa de ferramentas de QA.

Conclusão

Os testes de software com IA não devem ser encarados como uma ferramenta única, uma funcionalidade isolada ou um fornecedor específico. Representam, antes, uma camada transversal que se integra em múltiplos estágios do ciclo de vida dos testes, cada um com diferentes graus de maturidade e retorno de investimento. As equipas alcançam o sucesso ao resolver um desafio de cada vez, medir com precisão os resultados, manter o critério humano nas decisões críticas e reduzir a carga de tarefas mecânicas. Se está a avaliar como incorporar esta abordagem na sua infraestrutura – seja para adicionar capacidades de IA à automação existente, estruturar uma área de testes de software e controlo de qualidade de raiz ou expandir uma equipa de QA equilibrando talento humano e IA -, a equipa da 22 Software tem ampla experiência comprovada nos temas apresentados neste guia.