O problema não é código de IA, mas não saber sobre arquitetura de sistemas ou intenção

Artigo original ↗ Discussão no Hacker News ↗

Ferramentas de IA generativa estão cada vez mais escrevendo grandes quantidades de código em produção, mas muitos engenheiros argumentam que o verdadeiro gargalo apenas mudou da digitação para a compreensão: arquitetura de sistemas, intenção e manutenibilidade de longo prazo. Comentadores descrevem organizações em que especificações, tickets, código e até memorandos executivos são gerados por IA, erodindo a responsabilidade humana, os modelos mentais e a accountability, ao mesmo tempo em que incentivam o “vibe coding” e a entrega rápida de funcionalidades em detrimento da confiabilidade. Outros contra-argumentam que a IA pode ser um acelerador poderoso e até ajudar a entender sistemas legados, desde que as equipes imponham revisão humana, abstrações arquiteturais claras e um “humano responsável no loop” que ainda saiba o que o sistema faz e por quê.

“IA resolveu a programação” vs realidade

  • Alguns argumentam que os LLMs efetivamente “resolveram a programação”: é possível entregar funcionalidades trabalhando em linguagem natural (requisitos, especificações, testes) e deixando agentes escreverem o código, muitas vezes mais rápido do que equipes humanas.
  • Outros rejeitam fortemente isso: o código gerado por LLMs é visto como inseguro, ineficiente e propenso a bugs, um “slop” que pode até compilar, mas falha em robustez, desempenho e qualidade de longo prazo.
  • Uma visão intermediária: os LLMs reduzem drasticamente o custo da codificação mecânica, mas a engenharia de software (requisitos, trade-offs, arquitetura) continua sem solução e agora é ainda mais importante.

Arquitetura, intenção e manutenibilidade

  • Muitos veem o verdadeiro gargalo como arquitetura de sistemas, intenção e manutenibilidade, não a escrita de código linha a linha.
  • Preocupação: se a IA gerar grandes blocos de código e ninguém os entender profundamente, a responsabilidade e a capacidade de raciocinar sobre sistemas se deterioram.
  • Outros contra-argumentam que a IA pode ajudar muito a entender sistemas legados (resumos, referências cruzadas) e refatorar, tornando a manutenção mais fácil se usada com disciplina.

Incentivos organizacionais e niilismo

  • Vários comentários descrevem ambientes em que executivos determinam “IA em tudo”, usam documentos, tickets e memorandos escritos por IA e medem a produção por meio de KPIs superficiais.
  • Isso incentiva “slopmaxxing”: publicar saída de IA sem verificação, transferir a responsabilidade para ferramentas e tratar os empregos como golpes temporários antes de demissões inevitáveis.
  • A IA é vista como uma maneira conveniente de lavar compromisso, responsabilidade e crédito: os artefatos parecem polidos, mas carecem de intenção humana clara ou de autores responsáveis.

Perda de entendimento, aprendizado e modelos mentais

  • Há uma preocupação generalizada de que a dependência constante de agentes enfraqueça os modelos mentais: as pessoas depuram colando trechos na IA, e não raciocinando, então nunca internalizam como os sistemas funcionam.
  • Alguns engenheiros relatam que integração e trabalho em funcionalidades parecem fáceis no começo, mas meses depois percebem que ainda não entendem a base de código.
  • Outros argumentam que pessoas motivadas ainda podem aprender profundamente com a IA como tutora; a falta de entendimento é retratada como um problema psicológico e cultural, não uma inevitabilidade técnica.

Papéis em mudança e trajetórias de carreira

  • Vários preveem uma mudança de “pessoas que abrem pull requests” para funções híbridas mais próximas de product management ou “equipe técnica”, guiando agentes e sistemas.
  • Há medo de que o funil tradicional de júnior para sênior (milhares de horas de codificação prática) colapse, tornando os futuros tech leads menos fundamentados.
  • Há discordância sobre se isso levará a mais demanda por pensadores de sistemas de alto nível ou à comoditização e cortes de empregos.

Experiências positivas e otimismo

  • Alguns relatam ganhos de produtividade de 10x: trabalho rápido em funcionalidades, tarefas de devops, testes e até mudanças complexas em sistemas legados feios tornadas viáveis pela IA.
  • Em domínios com bases de código antigas e enormes, em linguagens obscuras, a IA é descrita como “enviada por Deus” para análise e modernização.
  • Alguns preveem que a IA tornará manutenção e refatoração mais baratas, permitindo reescritas contínuas em vez de conviver com dívida técnica profunda.

Continuidade histórica e deriva de abstração

  • Vários comentários observam que isso é mais um passo em uma tendência de longa data: de assembly para C, para linguagens de alto nível e depois para IA, cada onda esconde mais complexidade e reduz o grupo de pessoas que entende as camadas inferiores.
  • Alguns argumentam que grandes organizações já tinham tomada de decisão opaca e sistemas frágeis antes da IA; a IA principalmente acelera e expõe disfunções existentes, em vez de criá-las do zero.