Acho que você pode estar se enganando com IA

Artigo original ↗ Discussão no Hacker News ↗

Afirmações de que a codificação assistida por IA aumenta a produtividade dos desenvolvedores são contestadas por evidências mistas, incluindo um estudo de 2025 frequentemente citado que mostrou que os desenvolvedores se sentiram mais rápidos com IA, mas na verdade ficaram mais lentos, e um acompanhamento mais recente com resultados inconclusivos. Comentadores contrapõem a prototipagem “rápida” dirigida por IA e a “IA lenta” como tutor estilo rubber-duck à codificação manual tradicional, relatando desde ganhos negligenciáveis até acelerações dramáticas dependendo do tipo de tarefa, da complexidade da codebase e da habilidade do desenvolvedor. Além da produtividade, muitos levantam preocupações sobre o custo econômico e ambiental de longo prazo da IA em larga escala, enquanto outros argumentam que, mesmo que os modelos de negócio atuais sejam insustentáveis, a tecnologia subjacente é claramente útil e improvável de desaparecer.

IA e Produtividade de Desenvolvedores

  • Forte divisão: alguns relatam ganhos de 2–10x, outros veem impacto neutro ou negativo quando verificação e depuração são incluídas.
  • Os maiores ganhos aparecem em: CRUD simples, código de cola, bibliotecas auxiliares, domínios desconhecidos, protótipos e tarefas “burocráticas” (e-mails, resumos).
  • Vários observam nenhum benefício ou até lentidão em código complexo, de baixo nível ou de bibliotecas, onde correção e arquitetura importam profundamente.

Fluxos de Trabalho: Uso Rápido vs. Lento de IA

  • “IA rápida”: deixar agentes gerarem grandes blocos ou funcionalidades inteiras rapidamente → ótimo para demos/POCs, arriscado para produção e para o entendimento.
  • “IA lenta”: uso incremental, muitas perguntas e revisão → parece menos estressante do que codificar manualmente, mas não muito mais rápido, embora seja mais sustentável.
  • Muitos misturam os dois: IA para a estrutura inicial, humanos para refatoração, testes e “humanwashing” do código.

Habilidade, Entendimento e Qualidade do Código

  • Preocupações de que o uso intenso de IA corrói habilidades e faz com que devs não consigam ou não queiram trabalhar sem ela; há alguma evidência de um estudo em que muitos recusaram condições sem IA.
  • Outros enfatizam que codebases ficam mais difíceis de entender quando são “vibecoded”, mesmo que as listas de funcionalidades cresçam mais rápido.
  • Alguns tratam a IA como um poderoso “rubber duck”, forçando requisitos e modelos mentais mais claros.

Sustentabilidade Econômica e Custos

  • Debate sobre se o enorme capex em IA e a dívida oculta tornam as ofertas atuais insustentáveis, ou se os tokens são lucrativos na margem.
  • Céticos preveem aumentos de preço, consolidação ou falhas; apoiadores argumentam que a tecnologia vai persistir como a internet após a bolha dot-com, possivelmente com custos unitários menores.
  • Discordância sobre se os ganhos atuais de produtividade justificam investimentos de quase um trilhão de dólares.

Preocupações Ambientais e Éticas

  • Preocupações com o uso de energia (em grande parte movida por combustíveis fósseis), impacto climático e danos à comunidade; alguns argumentam que isso está sendo minimizado.
  • Outros contrapõem que o problema central é energia suja, não a IA em si, e esperam que a energia fique mais barata/limpa, mas críticos invocam o paradoxo de Jevons (mais eficiência → mais uso total).

Evidências, Estudos e Epistemologia

  • O estudo METR de 2025 (desenvolvedores se sentiram mais rápidos, mas ficaram ~19% mais lentos com IA) é amplamente citado por céticos.
  • Postadores pró-IA destacam um acompanhamento de 2026 mostrando aceleração com ferramentas mais novas, embora os próprios autores sinalizem limitações metodológicas sérias.
  • Debate mais amplo sobre confiar em estudos isolados versus experiência pessoal acumulada, e sobre citar seletivamente pesquisas que coincidem com crenças prévias.

Padrões de Adoção e Casos de Uso

  • Entusiasmo claro em pequenas equipes, projetos indie e fluxos de trabalho de ciência de dados, onde indivíduos controlam arquitetura e contexto.
  • O ROI em nível corporativo continua “incerto”; vários observam que gargalos organizacionais tradicionais (testes, requisitos, política) podem consumir os ganhos de codificação.
  • Para não engenheiros, a IA pode tornar viáveis tarefas de software antes impossíveis ou caras demais, o que muitos veem como genuinamente transformador.

Dinâmicas Sociais e Emoções

  • Participantes acusam tanto os campos “pró-IA” quanto “anti-IA” de tribalismo, insegurança e raciocínio motivado.
  • Alguns críticos admitem raiva e ansiedade com a direção da IA; alguns defensores demonstram alta confiança de que os céticos simplesmente estão “errados”.
  • Vários argumentam que descartar utilidade cotidiana óbvia enfraquece debates mais sérios sobre externalidades e riscos de longo prazo.