A IA Não Tem Sabedoria e Você Também Não Terá
Engenheiros debatem se o código gerado por IA está condenado, por natureza, a virar uma bagunça impossível de manter ou se apenas reflete problemas humanos de longa data com arquitetura ruim e dívida técnica. Muitos argumentam que os grandes modelos de linguagem já podem igualar ou superar desenvolvedores medianos se guiados por especificações fortes, testes e “andaimagem de agentes”, mas temem que a dependência excessiva corrói o conhecimento institucional, as habilidades de desenvolvedores juniores e a capacidade de fazer escolhas arquitetônicas sábias ao longo dos anos. Outros contrapõem que programar está se tornando uma commodity barata e descartável, e que o verdadeiro diferencial será como as equipes projetam sistemas, definem restrições e equilibram velocidade de curto prazo com a saúde do código a longo prazo em um fluxo de trabalho saturado por IA.
Qualidade de código gerado por IA e “vibe coding”
- Muitos veem código escrito por LLMs/agentes como excessivamente complexo, inconsistente e propenso a bugs ocultos, especialmente quando usado com prompts vagos do tipo “faça X”.
- Outros argumentam que isso não é fundamentalmente diferente de código humano medíocre; a IA apenas acelera tanto a entrega de funcionalidades quanto a degradação do código.
- Vários observam que a qualidade da IA é fortemente moldada por restrições, exemplos e revisão; agentes sem orientação produzem, previsivelmente, código ruim.
Manutenibilidade, métricas e arquitetura
- O fio concorda que a manutenibilidade de longo prazo é difícil de medir; métricas comuns (complexidade ciclomática/cognitiva, SonarQube) são ruidosas e fáceis de burlar.
- Alguns sugerem ambientes de RL e benchmarks para edições incrementais como forma de treinar modelos rumo à manutenibilidade, mas isso ainda está emergindo.
- Arquitetura de nível mais alto e design de fronteiras são, atualmente, onde os agentes mais falham; ferramentas podem impor regras de baixo nível, não um bom desenho de sistema.
Aprendizado, sabedoria e conhecimento institucional
- Uma preocupação recorrente: desenvolvedores que “não escrevem código desde 2025” talvez nunca construam intuição profunda, tornando-se dependentes de IA.
- Fazem-se comparações com terceirizar a manufatura e perder know-how industrial; a IA poderia corroer de modo semelhante a habilidade artesanal em software e a compreensão de domínio.
- Outros retrucam que humanos já raramente alcançam maestria e que a “sabedoria” sobre código é muitas vezes tácita e difícil de formalizar, até mesmo ao ensinar humanos.
Como as pessoas estão realmente usando IA
- Alguns relatam grandes ganhos de produtividade: usam agentes para a maior parte da implementação e depois focam em especificações, arquitetura e testes; fazem grandes refatorações em horas; geram testes e validações mais exaustivos.
- Outros acham que passam tempo demais “cobrando” os modelos e corrigindo designs estranhos, preferindo codificar à mão os caminhos críticos.
- Técnicas mencionadas: convenções AGENTS.md, comentários ricos em código como “memória sem infraestrutura”, revisão cruzada entre múltiplos agentes e passagens explícitas de refatoração para reduzir o acúmulo de sujeira.
Incentivos, trabalho e cultura
- Muitos culpam o foco gerencial em velocidade e time-to-market por tolerar sujeira da IA e penalizar engenheiros que desaceleram para melhorar a qualidade.
- Contratação e avaliação ficam mais difíceis quando candidatos podem usar IA para mascarar fundamentos fracos.
- Alguns argumentam que se importar com qualidade de código é, em grande parte, um problema de cultura e incentivos, não de ferramentas.
Previsões sobre o futuro
- Uma corrente espera IA onipresente, possivelmente com pipelines totalmente agentivos; políticas “NO-AI” são vistas como nicho ou insustentáveis.
- Outra prevê lojas “NO-AI” (ou com IA mínima) como um nicho premium ou orientado por segurança, especialmente em domínios de alto risco.
- Não há consenso claro sobre a trajetória: alguns veem a qualidade do código com IA melhorando rapidamente; outros veem estagnação em problemas centrais como manutenibilidade e limites de contexto.