Sem Código de LLM nas Dependências

Detecção de Código Gerado por LLM

• Alguns querem ferramentas que sinalizem commits gerados por LLM usando heurísticas: grandes blocos com muitos comentários, linhas de código por hora incomuns e estilos de commit treinados em repositórios anteriores à era das LLMs.
• Outros argumentam que a “detecção de IA” é inerentemente pouco confiável, comparando-a a polígrafos, e alertam para altas taxas de falsos positivos.
• Uma posição mais branda: a detecção não precisa ser perfeita — apenas boa o bastante para destacar casos “óbvios” para revisão humana.
• Heurísticas simples, como verificar tags de coautor nos commits, são propostas como soluções fáceis de implementar.

Praticidade de Dependências Sem LLM

• Um lado vê recusar dependências contaminadas por LLM como uma postura principista, mas potencialmente impraticável, especialmente quando isso bloqueia versões mais novas de ferramentas e linguagens críticas.
• Outros consideram isso uma defesa razoável contra “AI slop”, mesmo que signifique mais trabalho, congelar dependências ou usar menos dependências.
• Há o reconhecimento de que isso pode se tornar insustentável no longo prazo e pode forçar trocas entre pureza e acesso a melhorias de linguagem/ferramentas.

Governança de OSS e Políticas de Contribuição

• Entre as sugestões estão: não aceitar contribuições externas de forma alguma, colocar PRs atrás de paywall para financiar revisão adicional, ou migrar para hospedagem “sem IA”.
• Alguns argumentam que o open source pode simplesmente recusar patches gerados por LLM sem deixar de ser aberto; fazer fork continua sendo uma opção para usuários discordantes.
• Uma preocupação recorrente é o esgotamento dos mantenedores diante de PRs de IA de baixa qualidade e o risco de projetos voluntários “implodirem” sob o peso da revisão.
• Vários comentários enfatizam a diferença qualitativa entre orientar humanos juniores (que podem se tornar mantenedores) e revisar saída de LLM, que não traz benefício comunitário de longo prazo.

Qualidade do Código de LLM vs Código Humano

• Uma corrente afirma que as LLMs se assemelham a desenvolvedores de nível médio a baixo e podem ser úteis se usadas com responsabilidade; o problema é o uso descuidado, não a ferramenta.
• Críticos dizem que as LLMs são piores que devs típicos, carecem de entendimento e produzem bagunças sutis e em grande escala em velocidade sobre-humana.
• Há medo de um futuro saturado de “slopcode” opaco e de alta rotatividade, onde compreensão e confiabilidade se degradam.

Segurança, Ética e Atitudes de Corporações vs OSS

• Alguns defendem as LLMs como essenciais para auditoria de segurança em escala futura; outros respondem que análise e geração de código são questões distintas.
• Existe tensão entre ser “obrigado” a usar LLMs pelo mercado de trabalho e a crença de que essa situação, ainda assim, é ruim.
• Vários comentários destacam questões ainda não resolvidas de copyright/licenciamento em torno dos dados de treinamento e da reutilização de código.
• Contrasta-se projetos idealistas e publicamente escrutinados de open source com corporações usando LLMs internamente em silêncio, com menos preocupação com a proveniência.