Então, acho que todo mundo usa LLMs para pensar agora
Uma postagem de blog pessoal argumentando contra o uso de large language models (LLMs) para programação de hobby e trabalho de “pensar” desencadeia um debate mais amplo sobre quanto esforço mental deve ser transferido para a IA. Comentadores contrapõem os ganhos reais de produtividade dos LLMs em pesquisa e engenharia de software com sua tendência a estarem confiantemente errados, o risco de as pessoas terceirizarem o próprio entendimento e a ética do desenvolvimento e do marketing de IA. Outros rebatem o que veem como moralização ou “sinalização de autenticidade”, argumentando que a escolha de ferramentas em projetos pessoais deve continuar sendo uma questão de preferência individual, e não de virtude.
Estilo de escrita & capitalização
- Um grande subthread debate o estilo todo em minúsculas do autor.
- Alguns veem isso como informalidade intencional, eficiência ou um estilo de “despejo mental”; outros como desrespeito aos leitores e redução da escaneabilidade.
- Alguns argumentam que o impacto na legibilidade é pequeno; outros dizem que toda pequena degradação (sem maiúsculas, erros de digitação, TUDO EM MAIÚSCULAS) acrescenta carga cognitiva.
- Alguns interpretam a falta de capitalização como um sinal de “autenticidade” ou anti-AI, e a associam a arrogância ou pretensão; outros descartam isso como uma leitura exagerada de um estilo antigo da internet.
LLMs como ferramentas vs. substitutos do pensamento
- Muitos distinguem entre:
- Usar LLMs para pesquisa, boilerplate e ajuda linha a linha em programação (visto como poderoso e benéfico para a produtividade).
- Delegar o “pensar” e bases de código inteiras aos LLMs (visto como produção frágil, de baixa qualidade, e mais trabalho de revisão).
- Vários concordam que, para projetos pessoais/de hobby, pode ser mais divertido e educativo fazer o trabalho manualmente em vez de delegá-lo à IA, mesmo que isso seja ineficiente.
Confiabilidade, comportamento “confidentemente errado” e qualidade do modelo
- Vários comentaristas ecoam a frustração com LLMs por estarem confiantemente errados, especialmente em domínios especializados ou idiomas.
- Outros contrapõem que modelos “frontier” mais novos falham muito menos, mas ainda alucinam; experiência, habilidade de prompting e ferramentas são ditos como fatores muito importantes.
- Há discordância sobre o quanto os modelos melhoraram e se os críticos estão julgando com base em sistemas desatualizados ou de nível baixo.
- Alguns observam que traços de raciocínio CoT e chamadas de ferramentas muitas vezes parecem sem sentido, mesmo quando as respostas finais são boas, levantando preocupações sobre confiança, monitoramento e segurança.
Trabalho, produtividade e pressão na carreira
- Alguns sentem-se efetivamente forçados a usar LLMs no trabalho para permanecer competitivos, mesmo preferindo não fazê-lo.
- Há relatos de grandes ganhos de produtividade quando colegas terceirizam pesquisa e codificação de baixo nível, mas de sérios problemas de qualidade quando sistemas inteiros são delegados a agentes.
- Preocupações de que a dependência excessiva possa transformar empregos em funções de “rotulagem de dados” ou de supervisão e, potencialmente, acelerar substituições.
Ética, cultura e tom
- Uma linha de discussão critica o enorme capex em IA e o marketing por criarem “spam” social e hype quase de culto.
- Outros rebatem o que veem como posts de sinalização de virtude do tipo “eu não uso IA”, que prescrevem como os outros devem gastar tempo em hobbies.
- Vários argumentam que um debate significativo sobre o impacto da IA exige experiência tanto com uso intenso quanto com uso mínimo de IA, e não apenas um lado.