IA não gera produtos funcionais; isso ainda é seu trabalho

Escopo da ajuda da IA: protótipo vs. produção

• Há amplo consenso de que a IA acelera muito o caminho do nada até uma primeira versão funcional.
• Muitos argumentam que ela não encurta da mesma forma o caminho até “nível de produção”: testado em batalha, de fácil manutenção, bem compreendido por uma equipe e robusto em casos de borda.
• Outros contestam: se o tempo de codificação é 10× mais rápido, as etapas posteriores também devem se beneficiar. Contra-argumento: feedback de usuários, descoberta de requisitos e decisões de trade-off são os verdadeiros gargalos, não digitar código.

O que significa “nível de produção”

• Descrito como:
  • Sobreviver às reclamações de usuários reais, aos casos de borda e às necessidades em mudança.
  • Refletir um modelo mental compartilhado do sistema dentro da equipe.
  • Ser mantível sem surpresas constantes ou regressões.
• Código gerado por IA muitas vezes parece bom localmente, mas resulta em arquiteturas globalmente incoerentes ao longo de meses: desvio sutil de design, sobrecomplexidade e sistemas difíceis de raciocinar sobre.

Qualidade de código, slop e manutenção

• Muitos relatam:
  • A IA é excelente para apps CRUD de caminho feliz, ferramentas internas e experimentos “descartáveis”.
  • Sistemas de longa vida ou complexos se degradam quando amplamente conduzidos por agentes; a IA é boa em adicionar código, ruim em removê-lo/limpá-lo.
  • Loops repetidos de “encontrar e corrigir problemas” podem criar churn infinito: corrigindo e quebrando partes diferentes.
• Outros dizem que a qualidade média do código em nível micro na indústria melhorou graças a melhores padrões, linters e correção de bugs assistida por IA, mas a coerência em nível macro continua sendo um desafio.

Como as pessoas usam IA de forma eficaz

• Padrões bem-sucedidos:
  • Tratar a IA como um assistente muito rápido ou “code monkey”: humanos fazem arquitetura, modelagem de domínio e design de testes; a IA escreve a maior parte da implementação.
  • Exigir planos explícitos primeiro, depois implementação passo a passo e testes rigorosos (unitários, de integração, verificações de propriedades).
  • Usar modelos menores/mais fracos para assistência interativa e apertada, em vez de fluxos totalmente agentivos de “deixe rodar”.
• Padrões de falha:
  • “Vibe coding” com um prompt por PR sem revisão profunda.
  • Não engenheiros entregando sistemas gerados por IA que não entendem e depois esperando que outros os “coloquem em produção”.

Empregos, funções e metodologia

• O temor se concentra menos na habilidade individual e mais em:
  • Menos funções necessárias para o mesmo resultado.
  • Erosão da identidade tradicional de “ofício + metodologia” dos engenheiros de software.
• Vários argumentam que precisamos de novas metodologias para bases de código em escala de IA (por exemplo, métodos mais formais, tipos de dados algébricos, verificação mais forte), e não apenas práticas antigas com “IA” substituindo algo.

Impacto em produtos e na economia

• Há discordância sobre o impacto visível:
  • Alguns veem uma onda de novas ferramentas (especialmente de nicho), notavelmente em áreas como saúde e SaaS interno.
  • Outros observam uma enxurrada de apps de baixo esforço, piora na UX e poucos produtos para o usuário final claramente transformadores.
• No geral: a IA aumenta claramente a produção de código e a prototipagem; se ela já está entregando produtos correspondentemente melhores e sistemas duráveis é contestado e amplamente visto como algo em aberto.