Desculpe, mas você ainda precisa pensar
Os geradores de código por IA estão permitindo portes rápidos de aplicações existentes entre linguagens, mas engenheiros relatam que reescritas sem intervenção frequentemente introduzem bugs sutis, desempenho degradado e perda de compensações de design importantes. Muitos argumentam que ainda é preciso entender sistemas, especificar requisitos e revisar código com cuidado; caso contrário, o “workslop” transfere esforço dos autores para os revisores e arrisca a confiabilidade e a manutenibilidade de longo prazo. Outros veem isso como parte de uma tendência mais ampla: pressão da gestão para usar IA em tudo, gargalos crescentes de verificação e incerteza sobre se o pensamento humano cuidadoso continuará sendo valorizado no trabalho diário de software.
Portes de IA e os limites das reescritas “sem intervenção”
- Muitos esperavam que a portabilidade baseada em LLMs (por exemplo, Ruby → Rust/Elixir) fosse um caso de uso ideal: testes + implementação existente + objetivo claro.
- Na prática, os portes mostraram desvio semântico, incompatibilidades arquiteturais, regressões de desempenho e suposições quebradas (por exemplo, cache vs CSRF, sistemas de tipos, concorrência).
- Comentadores argumentam que isso confirma que ainda é preciso compreensão humana do domínio, das compensações e dos idiomatismos da linguagem de destino, e não apenas tradução cega.
Pensamento, compensações e confiabilidade de sistemas
- Vários enfatizam que o verdadeiro trabalho é fazer compensações: compatibilidade vs velocidade, latência vs throughput, limites de memória, modos de falha aceitáveis.
- A IA pode ajudar a implementar decisões, mas não pode (ainda) ser dona dessas decisões; prompts vagos levam a escolhas arbitrárias.
- Alguns argumentam que os modelos de fronteira agora fazem perguntas de esclarecimento e que críticas baseadas em comportamentos antigos estão defasadas; outros discordam.
Qualidade de código, “workslop” e carga de revisão
- Geração barata mais verificação cara é um tema recorrente.
- Revisores descrevem enormes changesets gerados por LLMs que são frágeis, superficiais ou mal arquitetados, transferindo o trabalho de pensar dos autores para os revisores.
- A lei de Brandolini é invocada: é muito mais fácil produzir porcaria do que refutá-la ou consertá-la, especialmente sob pressão da gestão para “usar IA para tudo”.
Incentivos organizacionais e ética
- Alguns locais de trabalho, supostamente, estigmatizam codificação manual ou ceticismo em relação à IA, mesmo quando a saída da IA está errada.
- Há preocupação de que empresas possam aceitar racionalmente software pior se isso reduzir custos, confiando em aderência, lock-in ou lobby em vez de qualidade.
Como usar IA bem
- Padrões sugeridos:
- Use IA intensivamente para boilerplate, portes com testes fortes e glue mundano.
- Mantenha humanos no comando da arquitetura, dos requisitos não funcionais e do desenho de testes.
- Digite manualmente ou percorra passo a passo as mudanças sugeridas pela IA para manter a compreensão.
- Há interesse em estudos empíricos de projetos com muita IA vs pouca IA (estabilidade, bugs, desempenho).
Futuro mais amplo: pensamento, UBI e cultura hacker
- Debate sobre se IA + possível UBI libertarão mais pessoas para pensar, ou se o capital irá suprimir isso.
- Alguns preveem que a “cultura hacker” e os inventores humanos se tornarão obsoletos; outros insistem que a IA está longe de substituir o julgamento de engenharia profundo.