Oito Mitos sobre Engenharia de Software e GenAI
A alegação de que a IA generativa só consegue acelerar os ~14% do dia de um desenvolvedor gastos digitando código é fortemente contestada, com muitos engenheiros relatando que as ferramentas modernas agora aceleram pesquisa, documentos de design, depuração, escrita de testes e até o planejamento de produto. Os comentaristas discutem se o código ainda é o verdadeiro gargalo, quanto “lixo” gerado por IA e risco de segurança as equipes podem tolerar, e se linhas de código ou ganhos de velocidade autorrelatados são métricas de produtividade significativas. Por trás disso há uma ansiedade mais ampla sobre o hype, a substituição de empregos e a manutenibilidade de longo prazo de sistemas construídos com assistência agressiva de IA.
Impacto no tempo do desenvolvedor e no fluxo de trabalho
- Muitos contestam a formulação do artigo de que “a IA só toca 14% do tempo de codificação”, dizendo que as ferramentas atuais aceleram muito mais do que a digitação: depuração, leitura de código legado, escrita de testes, criação de esqueletos, docs, administração de Jira/Linear, painéis e pesquisa.
- Alguns relatam passar a maior parte do dia “dirigindo agentes”, revisando saídas e orquestrando o trabalho, com a codificação agora ocupando uma fatia maior do tempo porque outras tarefas ficaram mais rápidas.
- Outros dizem que a IA só acelera modestamente a escrita de código depois que um problema é entendido, de forma semelhante a IDEs mais inteligentes.
Qualidade do código, revisão e segurança
- Há forte desacordo sobre o quanto o código gerado por IA pode ser confiável.
- Alguns revisam seletivamente apenas código “importante” ou próximo da segurança e confiam em testes ou scanners de segurança para o restante.
- Outros argumentam que isso é imprudente, especialmente para endpoints que tocam entrada do usuário ou dados de produção; eles veem “inchaço de código de IA” e PRs enormes, difíceis de revisar.
- Preocupação de que o alto volume vindo de LLMs torne inviável uma revisão humana minuciosa, empurrando equipes para normas mais arriscadas.
Ganho de produtividade e métricas
- Linhas de código são amplamente criticadas como uma métrica ruim de produtividade, especialmente para IA, embora uma minoria defenda LoC como um proxy pessoal útil em projetos bem curados.
- Vários apontam que estudos e pesquisas sobre produtividade com IA estão ficando obsoletos rapidamente; citar trabalhos do início de 2025 é visto como enganoso.
- Alguns enfatizam que a produtividade deve ser medida no nível do sistema ou do resultado, não pelo volume de código ou gasto de tokens.
Design, requisitos e reuniões
- Debate se a IA encurta ou alonga ciclos de design:
- Pró: pesquisa mais rápida, documentos de design redigidos automaticamente, protótipos baratos que apertam o ciclo ideia → teste → refinamento.
- Contra: incentiva “vibing” e demos envernizadas que parecem prontas, mas escondem design ruim ou ausente.
- Alguns argumentam que, se codificar ficar barato, mais do PRD será feito via código/protótipos em vez de reuniões e documentos.
Efeitos organizacionais e de carreira
- Relatos de liderança esperando produtividade de 10–100× e usando orçamentos de IA por desenvolvedor; muitos veem isso como irrealista ou perigoso.
- Observações de adoção desigual: alguns engenheiros vão “all in”, outros evitam ou usam IA discretamente, às vezes por causa de penalidades percebidas de competência.
- Vários preveem uma bifurcação entre “fábricas de código” produzindo lixo assistido por IA e equipes “artesanais” menores mantendo sistemas críticos.
Limitações, riscos e fatores humanos
- Preocupações com alucinações, tratamento inadequado de casos extremos e dívida técnica de longo prazo causada por código gerado rapidamente, mas mal compreendido.
- Temores de “rendição cognitiva”: depender da IA a ponto de atrofiar habilidades e perder a capacidade de raciocinar sobre sistemas.
- Alguns desenvolvedores relatam menos prazer e conexão com o trabalho quando grandes partes são geradas por LLMs, especialmente em projetos paralelos.