Dominando Testes Unitários com IA: Estratégias Chave para Implementação Eficaz

O teste unitário de IA está redefinindo como as equipes de desenvolvimento escrevem, mantêm e escalam suas suítes de testes. Em vez de escrever manualmente cada caso de teste do zero, as equipes de engenharia agora usam IA generativa para rascunhar testes, descobrir pontos cegos e manter as suítes alinhadas com um código que muda rapidamente. Este artigo detalha o que o teste unitário de IA realmente faz, como implementá-lo passo a passo e para o que as equipes de QA devem se preparar daqui para frente.

Principais Conclusões

• O teste unitário de IA utiliza inteligência artificial — especialmente IA generativa e grandes modelos de linguagem — para gerar, executar e manter testes unitários em linguagens como Java, Python, C# e JavaScript. Ele automatiza a geração de casos de teste e a preparação de dados, liberando os desenvolvedores para se concentrarem em trabalhos de maior valor.
• Os principais benefícios são a criação de testes mais rápida por meio de testes gerados, melhor cobertura de casos extremos e manutenção automatizada de testes que mantém as suítes sincronizadas com o código em evolução.
• O teste unitário de IA complementa, não substitui, as equipes de QA e os desenvolvedores. Os humanos ainda definem como devem ser bons testes unitários e revisam a saída da IA para verificar sua correção.
• Ferramentas como GitHub Copilot, Magic Coder da BridgeApp e outras ferramentas de IA podem ser integradas diretamente em IDEs e pipelines de CI/CD para oferecer suporte a testes de regressão e entrega contínua.
• O artigo aborda a implementação do teste unitário de IA passo a passo, fluxos de trabalho do mundo real e as tendências futuras para as quais as equipes de QA devem se preparar em 2026 e além.

O Que É Teste Unitário de IA?

O teste unitário de IA é o uso de inteligência artificial para gerar, melhorar e manter testes unitários para funções individuais, classes e microsserviços em um fluxo de trabalho de desenvolvimento de software. Em vez de depender apenas dos desenvolvedores para escrever cada asserção manualmente, as ferramentas de IA automatizam a geração de casos de teste para testes unitários, propõem casos extremos e criam dados sintéticos — tudo dentro do processo de teste que as equipes já seguem.

Este artigo se concentra no uso prático da IA generativa e de ferramentas de IA especializadas dentro de ambientes de desenvolvimento, não em pesquisa acadêmica. A 'unidade de IA' neste contexto refere-se a qualquer unidade de comportamento testável: um método em um serviço Java, uma função Python, um componente React ou até mesmo a lógica de seleção de prompts e ferramentas dentro de um agente de IA.

A IA pode gerar automaticamente diversos casos de teste para cenários que de outra forma exigiriam um esforço manual significativo. As capacidades típicas incluem:

• Testes gerados a partir do código-fonte e assinaturas de métodos
• Sugestão automática de casos extremos e condições de contorno
• Criação de dados sintéticos realistas para fixtures de teste
• Manutenção automatizada de testes quando APIs ou assinaturas mudam

Por exemplo, um assistente de IA poderia analisar uma classe C# OrderService e gerar testes NUnit cobrindo pedidos válidos, IDs de clientes nulos e códigos de desconto expirados. Ou poderia criar testes Jest para um componente de checkout React, testando estados de validação de formulário e tratamento de erros de rede. Em um estudo do GPT-3.5 gerando testes para 25 pacotes npm, a ferramenta alcançou uma cobertura de declarações mediana de cerca de 70,2% e uma cobertura de branches de 52,8% — bem acima dos 51,3% e 25,6% da ferramenta de comparação.

Por que o Teste Unitário de IA é Importante no Desenvolvimento de Software Moderno

Entre 2024 e 2026, o desenvolvimento de software se inclinou fortemente para arquiteturas de microsserviços, lançamentos semanais ou diários e sistemas complexos nativos da nuvem. Essas realidades tornam o teste unitário tradicional cada vez mais difícil de sustentar em escala. A automação de testes alimentada por IA aborda isso diretamente.

O teste unitário de IA aprimora a cobertura do código, descobrindo cenários complexos e casos extremos que os testes manuais rotineiramente perdem. Os testes gerados por IA podem reduzir significativamente a carga de trabalho dos desenvolvedores, permitindo que os engenheiros se concentrem na estratégia de teste e na lógica de negócios crítica, em vez de escrever código repetitivo. As ferramentas de IA também podem identificar rapidamente áreas de alto risco para testes, direcionando o esforço para onde ele é mais importante.

Os benefícios concretos incluem:

• Loops de feedback mais rápidos. A IA gera o scaffolding de teste em segundos, economizando horas de escrita repetitiva.
• Maior cobertura de testes. As ferramentas de teste de IA podem analisar caminhos de execução para aprimorar a cobertura do código, capturando lacunas que os humanos ignoram.
• Teste de regressão mais robusto. As suítes permanecem atualizadas com as mudanças de código, reduzindo defeitos escapados.
• Gargalos de QA reduzidos. As equipes de QA mudam de escrever código repetitivo para revisar estratégia e risco.
• Experiência do desenvolvedor aprimorada. Menos troca de contexto, ciclos de feedback de CI/CD mais rápidos.
• Melhor detecção de bugs em todas as plataformas. O uso de IA pode aprimorar a detecção de bugs em aplicativos móveis e aplicativos web.

De acordo com o Relatório Mundial de Qualidade 2024 da Capgemini, 62% dos entrevistados afirmam que o principal benefício da IA generativa na engenharia de qualidade é a redução de recursos de teste. Organizações que adotam o teste unitário de IA também relatam melhor colaboração entre QA e engenharia, pois a escrita de testes rotineira é descarregada e os humanos se concentram no que realmente exige julgamento. O teste unitário de IA pode melhorar a cobertura do código, descobrindo cenários complexos que, de outra forma, passariam despercebidos.

Teste Unitário Tradicional: Pontos Dolorosos Que a IA Foi Projetada Para Resolver

O teste unitário clássico depende de frameworks de teste padronizados como JUnit, pytest, xUnit e Jest. Estes são maduros e poderosos — mas não resolvem o gargalo humano. Em escala, as equipes lutam com vários pontos dolorosos concretos.

Primeiro, código clichê e duplicação. Muitos testes repetem a configuração de fixtures, configuração de mocks e padrões de asserção. Uma mudança em um DTO compartilhado usado em dezenas de métodos desencadeia uma quebra generalizada de testes e correções manuais tediosas. Segundo, dificuldade em cobrir casos extremos raros — entradas nulas, condições de estouro, bugs de concorrência. Estes são ignorados quando os desenvolvedores estão sob pressão de entrega. Terceiro, testes frágeis. Testes rigidamente acoplados a detalhes de implementação interna quebram em refatorações inofensivas, corroendo a confiança e desperdiçando tempo. Quarto, a manutenção manual de milhares de arquivos de teste torna-se um obstáculo para a velocidade.

Considere uma arquitetura de microsserviços da era de 2025 onde cada serviço possui mais de 1.000 casos de teste. Refatorar um modelo de dados central significa tocar centenas de testes em múltiplos repositórios. As ferramentas de IA podem identificar rapidamente áreas de alto risco para testes nessas bases de código extensas, mas sem elas, as equipes experimentam 'fadiga de testes' — engenheiros pulam a escrita de testes unitários, comentam testes com falha ou deixam os testes de regressão ficarem para trás em relação ao trabalho de funcionalidades.

Essas dores específicas são o que a implementação do teste unitário de IA visa aliviar. E as ferramentas amadureceram o suficiente para entregar resultados reais, desde que as equipes abordem isso com objetivos claros e procedimentos de teste consistentes.

Capacidades Essenciais do Teste Unitário de IA (O Que a IA Realmente Faz)

As ferramentas de IA trazem várias capacidades distintas ao processo de teste. Veja o que elas realmente fazem:

• Geração de testes a partir do código-fonte. A IA lê classes, métodos, comentários e contexto suficiente para propor testes unitários que sigam o framework de teste do projeto — JUnit 5, pytest, NUnit, Jest ou outros. As ferramentas de IA podem automatizar a geração de casos de teste em segmentos de código inteiros, não apenas métodos individuais.
• Descoberta automatizada de casos extremos. A IA pode identificar casos extremos e lacunas de teste no código, escaneando a lógica em busca de condições de contorno: valores nulos, limites máximos/mínimos, coleções vazias, problemas de concorrência. As ferramentas de IA podem identificar casos extremos que os humanos frequentemente ignoram, e a IA pode sugerir cenários de teste e casos extremos com base na análise do código.
• Geração de dados de teste sintéticos. As ferramentas de IA podem gerar dados de teste sintéticos realistas para testes — registros de clientes, cargas úteis de transações, eventos IoT — evitando a exposição de dados de produção sensíveis. Esses dados aumentam a confiabilidade das suítes de teste, mantendo-as amigáveis à privacidade.
• Geração de mocks e stubs. A IA gera mocks para bancos de dados, clientes HTTP, filas e outras dependências externas, reduzindo o esforço manual de configurar arneses de teste. Isso mantém os testes isolados focados no comportamento do código, em vez da infraestrutura.
• Manutenção automatizada de testes. A IA ajuda a reduzir a carga de manutenção das suítes de testes após alterações no código. Quando métodos são renomeados, parâmetros mudam ou novos campos são adicionados, a IA atualiza asserções e configurações de teste — abordando diretamente as necessidades de manutenção automatizada de testes.
• Análise e reparo de falhas. A IA pode analisar logs de falhas de teste para sugerir correções e identificar causas raiz. A IA pode sugerir correções potenciais para falhas de teste automaticamente, acelerando os ciclos de resolução.
• Integração e priorização de CI/CD. A IA pode priorizar testes com base na complexidade do código e histórico, executando os testes mais relevantes primeiro após um commit. A IA pode sugerir testes com base na complexidade do código e histórico de bugs, melhorando a eficiência dos testes de regressão em pipelines de CI/CD.
•  

A IA também pode aprimorar a cobertura do código, descobrindo casos extremos que a análise estática sozinha perderia.

O Que Caracteriza Bons Testes Unitários em um Mundo Impulsionado pela IA

Mesmo com ferramentas de IA poderosas, as equipes ainda precisam de uma definição clara de bons testes unitários para guiar e revisar a saída da IA. Sem padrões, os testes gerados podem tender à fragilidade e ao baixo valor.

As propriedades centrais permanecem as mesmas: os testes devem ser pequenos e focados, determinísticos (produzindo o mesmo resultado para a mesma entrada), rápidos e isolados de dependências externas. Seguir padrões como Arrange-Act-Assert mantém a estrutura consistente. As expectativas de cobertura devem abranger fluxos típicos, fluxos negativos e casos extremos — entrada inválida, tempos limite de rede, valores de contorno. A IA pode ajudar a identificar caminhos ausentes, mas as equipes devem evitar o overfitting aos detalhes de implementação.

A manutenibilidade importa tanto quanto a funcionalidade. Convenções claras de nomenclatura (como NomeMétodo_QuandoCondição_EntãoResultado), duplicação mínima e evitar asserções excessivamente específicas (mensagens de exceção exatas, nomes de variáveis internas) ajudam os testes a passar por refatorações sem quebrar. Testes gerados por IA podem exigir revisão manual para garantir a qualidade — especialmente em relação à correção das asserções. A supervisão humana é crucial para testar a lógica de negócios crítica em testes unitários que protegem a receita ou a segurança.

As equipes de QA e os líderes técnicos devem codificar esses padrões na documentação e nos prompts para que os testes gerados por IA se alinhem às melhores práticas específicas do projeto. É assim que você integra o teste unitário com IA, mantendo a confiabilidade do teste em toda a sua base de código.

Implementando Testes Unitários de IA: Fluxo de Trabalho Passo a Passo

A implementação de testes unitários de IA funciona melhor como um lançamento faseado, e não como uma transformação radical.

Um fluxo de trabalho prático de testes unitários assistidos por IA inclui a identificação do comportamento pretendido, a proposição de cenários de teste e a geração de testes. Comece com um piloto: escolha um serviço ou módulo, selecione linguagens e frameworks de destino, ferramentas de IA e defina objetivos claros – como cobertura de teste aprimorada ou tempo reduzido por PR para escrever testes unitários.

Um fluxo de trabalho típico se parece com isto:

1. Desenvolvedores escrevem ou refatoram código em um branch de funcionalidade.
2. A IA analisa o contexto do segmento de código-fonte — assinaturas de métodos, entradas esperadas, testes existentes — e propõe testes gerados.
3. Engenheiros revisam, refinam e aprovam ou editam os testes antes do commit.
4. Os testes são adicionados ao repositório e executados automaticamente em pipelines de CI/CD a cada pull request.

Por exemplo, uma equipe de backend Java aciona a IA para analisar uma classe PaymentService usando JUnit 5. A IA sugere 10 testes unitários cobrindo fluxos de pagamento normais, números de cartão inválidos, tokens expirados, entradas nulas e cenários de concorrência. Um desenvolvedor aprova oito, edita dois e faz o commit.

A IA também pode auxiliar na geração de testes de caracterização para estabelecer o comportamento antes de refatorar o código — fixando o comportamento atual como uma rede de segurança, e então atualizando os testes à medida que a refatoração avança. O contexto é importante ao usar ferramentas de IA para gerar testes, incluindo assinaturas de métodos e entradas esperadas.

A governança importa: decida quais branches permitem que a IA crie testes automaticamente e quais exigem aprovações de revisão de código. Os humanos permanecem responsáveis pelo comportamento final, e cada mudança — humana ou de IA — passa pelos processos normais de revisão.

Trabalhando com IA Generativa: Prompts, Padrões e Salvaguardas

A IA generativa é tão útil quanto as instruções que recebe. Ao escrever testes unitários para lógica de negócios complexa, o design do prompt pode determinar o sucesso ou o fracasso da saída.

Recomende testes incluindo nos prompts: linguagem, framework de testes, biblioteca de mocks, estrutura desejada (AAA), requisitos de cobertura (normal, casos de borda, exceção) e convenções de nomenclatura. Por exemplo: "Gere testes unitários pytest para esta função, focando em casos de borda realistas e evitando testes duplicados. Use o mocking padrão do Python. Nomeie os testes como function_name_when_condition_then_outcome."

Problemas comuns com testes gerados de forma ingênua incluem o uso excessivo de mocks, testes fortemente acoplados a detalhes de implementação privados ou asserções frágeis sobre mensagens de log e saídas de string exatas. Um estudo comparando ChatGPT e Pynguin descobriu que aproximadamente um terço das asserções geradas pelo ChatGPT estavam incorretas em algumas categorias — a engenharia de prompts melhorou significativamente os resultados.

Trate a IA como um desenvolvedor júnior cujo trabalho deve ser sempre verificado. Os desenvolvedores devem inspecionar a saída da IA quanto à correção, legibilidade e manutenibilidade.

Uma abordagem híbrida funciona bem: deixe a IA escrever o primeiro rascunho, e então peça a um engenheiro sênior para validar a estratégia de teste, a qualidade das asserções e o alinhamento com o comportamento real do código. É assim que você melhora continuamente a qualidade dos testes assistidos por IA sem perder o controle.

Testes Unitários de IA para Sistemas e Agentes de IA

Os testes unitários de IA não são apenas para software tradicional. Agentes de IA, recursos alimentados por LLM e fluxos de trabalho multi-agentes — agora comuns em 2024–2026 — também precisam de testes rigorosos de seus componentes individuais.

Em sistemas de agentes, uma "unidade" pode ser um modelo de prompt, lógica de seleção de ferramentas, módulo de recuperação de memória ou cadeia de raciocínio. Estes são não-determinísticos por natureza. As estratégias de teste devem incluir verificações determinísticas para formatos e esquemas (por exemplo, validação de estrutura JSON) mais verificações probabilísticas ou semânticas para a qualidade do conteúdo, às vezes usando uma abordagem de LLM como juiz que imita cenários do mundo real.

A avaliação de trajetória testa o comportamento de agentes multi-etapas de ponta a ponta: garantindo que as ferramentas sejam chamadas na ordem correta, os erros sejam tratados adequadamente e a lógica de fallback seja ativada quando esperado. O teste de regressão para agentes de IA frequentemente exige a execução de testes múltiplas vezes e o uso de limiares estatísticos — por exemplo, "95% das execuções devem passar" — para contabilizar a variabilidade em unidades individuais do comportamento do agente.

Como o Magic Coder da BridgeApp Suporta Testes Unitários de IA

O Magic Coder da BridgeApp é um assistente de IA com consciência da arquitetura, integrado ao workspace da BridgeApp. Ao contrário das ferramentas genéricas de codificação de IA, ele analisa repositórios inteiros — não apenas arquivos únicos — permitindo-lhe gerar testes que respeitam a arquitetura de código real, as dependências entre serviços e as convenções de teste existentes em linguagens como TypeScript, Java, C# e PHP.

As capacidades multi-agentes da BridgeApp permitem que as equipes configurem agentes de QA especializados para tarefas como gerar testes unitários, revisar a qualidade dos testes e sugerir casos de borda ausentes dentro do mesmo contexto de projeto. O pipeline da plataforma suporta uma máquina de estados onde os agentes nunca avançam uma tarefa para "concluído" — o pipeline para em "Aguardando Fusão" por design, garantindo a supervisão humana em todas as etapas.

Para manutenção automatizada de testes, o Magic Coder pode escanear por casos de teste falhos ou desatualizados quando o código muda e propor atualizações direcionadas. Isso reduz a sobrecarga de manutenção de testes sem ignorar a revisão de código humana. Ele também suporta auditorias de testes instáveis e migrações de suítes de testes — por exemplo, refatorar testes do Selenium para Playwright, mantendo a estrutura de pastas e as convenções.

Um cenário compacto: uma equipe trabalhando em um microsserviço de processamento de pedidos usa o Magic Coder para propor testes PHPUnit, adicionar testes de regressão após uma correção de bug e manter esses testes alinhados à medida que o esquema evolui ao longo de vários sprints. As tarefas se originam nos Projetos BridgeApp, os planos de teste residem nos Documentos e a execução ocorre através do Magic Coder — assim, as equipes de QA podem rastrear desde as histórias de usuário até os testes gerados em um único local.

Melhores Práticas para Implementar Testes Unitários de IA em Escala

A implementação de testes unitários de IA em uma organização requer disciplina. Aqui está uma lista de verificação que as equipes podem usar como diretrizes internas:

• Comece pequeno. Pilote testes unitários de IA em um serviço, linguagem ou equipe. Acompanhe regularmente a cobertura de testes, a redução de bugs e as métricas de integração mais rápida antes de escalar.
• Alinhe com as estratégias existentes. Garanta que os testes gerados suportem o desenvolvimento orientado a testes (TDD) ou fluxos de trabalho BDD, em vez de ignorar o design de testes deliberado.
• Eduque sua equipe. Treine desenvolvedores e engenheiros de QA sobre como avaliar testes gerados por IA, detectar overfitting e aplicar padrões para testes de alta qualidade.
• Mantenha bibliotecas de prompts. Mantenha modelos e exemplos em documentação compartilhada para que o uso de ferramentas de IA seja consistente entre as equipes e ao longo do tempo, apoiando procedimentos de teste consistentes.
• Execute testes em CI/CD. Garanta que os testes gerados sejam executados automaticamente em pull requests. Correções automáticas perigosas — como desabilitar testes silenciosamente — devem ser proibidas sem aprovação humana.
• Otimize suítes de testes. A IA identifica testes redundantes para otimizar as suítes de testes e pode reduzir o tempo total de execução dos testes otimizando quais testes são executados. O teste unitário de IA pode reduzir o tempo de execução dos testes em 30%.
• Audite regularmente. Auditorias regulares da suíte de testes são necessárias para gerenciar o inchaço dos testes e manter a qualidade. O teste de mutação pode aprimorar a eficácia das suítes de testes geradas por IA, verificando a capacidade de detecção de falhas.
• Aborde segurança e conformidade. Garanta que o código e os dados de teste passados para provedores de IA externos estejam em conformidade com as políticas organizacionais. Dados sensíveis devem ser automaticamente anonimizados ou excluídos.

As equipes também devem analisar métricas de desempenho ao longo do tempo para medir se os testes assistidos por IA estão cumprindo sua promessa — e ajustar sua estratégia de teste de acordo.

Tendências Futuras em Testes Unitários de IA

Olhando para 2026–2030, os testes unitários de IA evoluirão juntamente com as rápidas melhorias na IA generativa e nas ferramentas de teste.

Agentes de teste cada vez mais autônomos irão monitorar pipelines de CI/CD, detectar testes instáveis, propor refatorações de testes e coordenar com revisores humanos para manter as suítes saudáveis. Uma integração mais profunda com DevOps significa seleção e priorização de testes impulsionadas por IA baseadas em telemetria em tempo real, rastros de erros de produção e análise de impacto de mudanças no código — ajudando as equipes a recomendar testes e otimizar execuções de testes de regressão dinamicamente.

O suporte para testar agentes de IA complexos e sistemas multi-agentes amadurecerá, com frameworks de avaliação padronizados, testes de regressão estatísticos e melhor observabilidade em chamadas de ferramentas e etapas de raciocínio. As necessidades de governança também crescerão: as organizações exigirão políticas e trilhas de auditoria em torno dos testes gerados por IA — incluindo quem os aprovou, quais modelos ou prompts foram usados — especialmente em setores regulados.

Equipes que adotarem testes unitários de IA precocemente — usando plataformas como BridgeApp — estarão mais bem posicionadas para lidar com essas tendências futuras sem reescrever seus pipelines do zero.

Perguntas Frequentes

Esta seção aborda perguntas comuns não totalmente cobertas acima, direcionadas a líderes de engenharia, gerentes de QA e desenvolvedores sêniores.

O teste unitário com IA é adequado para projetos pequenos ou apenas para grandes empresas?

O teste unitário com IA pode beneficiar ambos, mas o retorno sobre o investimento geralmente é maior para bases de código de médio a grande porte com mudanças frequentes. Para projetos muito pequenos ou de curta duração, o teste manual simples pode ser suficiente. Uma regra prática: uma vez que um serviço possui dezenas de classes e centenas de testes, a geração e manutenção de testes unitários assistidas por IA geralmente começam a compensar na redução do tempo do desenvolvedor. Mesmo equipes de desenvolvimento menores podem se beneficiar ao trabalhar em aplicações web ou mobile com lógica complexa.

O teste unitário com IA pode substituir completamente a escrita manual de testes?

Não. A IA deve ser tratada como um acelerador, não como um substituto. Os humanos ainda precisam projetar cenários críticos, testes com muitas regras de negócio e testes de integração em nível de sistema. A IA é mais forte na produção de rascunhos iniciais, código clichê, variações para testes de regressão e casos de borda ausentes. Os desenvolvedores permanecem responsáveis pela correção e pelas decisões de cobertura. O teste unitário com IA pode ter dificuldades com defeitos de software complexos ou raros, e é por isso que a garantia de qualidade sempre exige o julgamento humano.

Como evitamos que os testes gerados por IA se tornem instáveis ou frágeis?

Imponha diretrizes claras de qualidade — evite afirmar timestamps exatos, IDs aleatórios ou mensagens de texto livre longas — e codifique essas diretrizes em prompts e listas de verificação de revisão. Testes instáveis devem ser analisados como qualquer outro defeito: identificar a causa raiz, ajustar o teste ou o código e usar ferramentas de IA principalmente para ajudar a refatorar testes, não para simplesmente desabilitar automaticamente falhas. A IA pode analisar logs de falhas de testes para identificar causas raiz, o que ajuda a manter a qualidade do código e as taxas de aprovação dos testes altas.

Quais linguagens de programação e frameworks funcionam melhor com testes unitários de IA hoje?

Os ecossistemas mais comumente suportados incluem Java (JUnit, TestNG), C# (.NET com xUnit/NUnit, incluindo integração com Visual Studio), Python (pytest, unittest), JavaScript/TypeScript (Jest, Mocha, Vitest) e PHP (PHPUnit). A maioria das principais ferramentas de IA é otimizada para eles. O Magic Coder da BridgeApp foi projetado para funcionar com repositórios Git nessas linguagens, aproveitando o contexto do repositório para gerar testes alinhados com os padrões de projeto existentes e detectar bugs no início do ciclo de desenvolvimento.

Como as equipes de QA mantêm o controle quando a IA começa a manter testes automaticamente?

Qualquer manutenção de teste automatizada deve passar por processos normais de revisão de código: a IA pode propor diferenças, mas os líderes de QA e os engenheiros seniores as aprovam ou rejeitam. Habilite o registro detalhado e trilhas de auditoria para as alterações geradas por IA para que as equipes possam rastrear quando e por que um teste foi modificado. Isso é especialmente importante para domínios regulamentados como finanças ou saúde, onde métodos eficientes de rastreabilidade não são negociáveis. O objetivo é permitir que a IA escreva e recomende testes, enquanto os humanos retêm a autoridade final sobre o que é entregue.