Os Críticos dos LLMs Estão Certos. Mesmo Assim, Eu Uso LLMs

Âmbito da Crítica vs. Uso

• Muitos comentaristas concordam que críticas centrais aos LLMs (alucinações, atrofia de habilidades, centralização, custo ambiental, ética) são válidas, mas ainda assim os usam intensamente.
• Outros argumentam que não é contraditório usar uma ferramenta imperfeita se você mantiver seus limites em mente; críticos e usuários não são grupos disjuntos.
• Alguns veem a rejeição generalizada da saída de LLM como “slop” como negação das capacidades atuais; outros veem o entusiasmo acrítico como igualmente tendencioso.

Atrofia de Habilidades e Profundidade de Conhecimento

• Há forte preocupação de que descarregar trabalho de “nível inferior” (detalhes de programação, regex, depuração) irá corroer habilidades fundamentais e o julgamento arquitetural ao longo dos anos.
• Contra-argumento: sempre abstraímos camadas (calculadoras, compiladores, nuvem); apenas uma minoria realmente precisa de habilidade profunda de baixo nível.
• Vários relatam já notar piora na recordação e retenção ao depender de agentes; alguns mantêm deliberadamente projetos de hobby sem LLM para “exercitar” as próprias habilidades.
• Debate sobre se o design de alto nível pode ser feito bem sem entendimento de baixo nível; exemplos de “engenheiros de sistemas” e usuários de IA produzindo arquiteturas incoerentes.

Produtividade, Qualidade e Verificação

• Os relatos vão de “sem ganho líquido” (o tempo gasto revisando anula os ganhos de geração) a “~1,5–2x de produtividade individual” até “produção da equipe em alta de ~25% após demissões.”
• Pesquisas citadas sugerem que desenvolvedores superestimam sistematicamente os ganhos; o aumento no nível da equipe é modesto e muitas vezes é consumido por sobrecarga ou experimentos extras.
• Os ganhos dependem muito do contexto e da barra de qualidade: LLMs brilham quando “slop serve” ou para boilerplate; podem te atrasar em trabalho de alta qualidade e crítico para segurança.
• Muitos dizem que desenvolvedores “embolsam” os ganhos como menos burnout ou mais projetos paralelos, e não como mais produção corporativa.
• Visão compartilhada: confiança e revisão importam mais do que o fato de o código ser escrito por IA. Diffs pequenos e respaldados por testes são administráveis; grandes mudanças geradas por agentes não são.

Testes, Code Review e Agentes

• Há preocupação de que testes escritos por LLM possam ser triviais e ainda assim gerar números impressionantes de cobertura, dando falsa confiança.
• Alguns usam LLMs com eficácia para gerar ou refatorar suítes de testes, mas enfatizam revisão humana e métricas mais fortes do que cobertura de linhas/ramificações.
• Agentes podem produzir codebases estruturalmente bagunçadas mesmo quando os trechos locais estão OK; a responsabilidade pela arquitetura e pelas restrições continua sendo dos humanos.

Juniores, Mentoria e Código Aberto

• Preocupação de que substituir tarefas “de júnior” por agentes prejudique os pipelines de formação e a qualidade do código no longo prazo.
• Mantenedores de código aberto relatam uma onda de PRs de baixa qualidade, escritos por IA, muitas vezes mais difíceis de revisar do que fazer a correção eles mesmos, levando a mais controle de acesso.
• Outros observam que colegas assistidos por LLM às vezes enviam código mais idiomático que de fato reduz a carga de revisão.

Efeitos Cognitivos e Sociais

• Há receios de que o uso onipresente de LLMs homogeneíze a escrita e o pensamento, de forma semelhante a como plataformas moldam a cultura; outros os veem apenas como mais uma ferramenta que estende o “senso comum”.
• Alguns usam LLMs como tutores e parceiros de preparação para entrevistas e relatam benefícios reais de aprendizado.

Ética, Meio Ambiente e Uso de Tokens

• As objeções morais focam na proveniência dos dados, no comportamento corporativo e no impacto ambiental; usar LLMs apesar disso é reconhecido como dissonante.
• Debate sobre o custo de carbono: alguns afirmam que o uso diário de tokens é pequeno em comparação com deslocamentos/comida; outros enfatizam o crescimento agregado de data centers e a participação projetada da energia da IA.
• Grandes gastos com tokens (por exemplo, ~$10k/mês) são polarizadores: alguns veem desperdício ou mau uso de agentes; outros comparam favoravelmente ao custo de contratar mais um engenheiro.