Por que não usarei LLMs na minha programação
Programadores estão fortemente divididos sobre usar large language models (LLMs) para escrever código: alguns relatam ganhos massivos de produtividade, melhor cobertura de testes e a capacidade de entregar mais funcionalidades, enquanto outros veem software mais bugado, perda de artesanato e uma erosão preocupante das habilidades de resolução de problemas. Muitos comentários tratam os LLMs como um “dev júnior” poderoso, porém pouco confiável, ou como uma ferramenta elétrica que ainda exige forte julgamento humano, especialmente para sistemas críticos, manutenibilidade e qualidade de código a longo prazo. Por trás dos argumentos técnicos, há preocupações mais amplas sobre segurança no trabalho, perda de habilidades, ética, impacto ambiental e se os empregadores acabarão tratando a não utilização de IA como pouco profissional ou até irresponsável.
Adoção vs. Recusa
- Muitos comentadores veem recusar LLMs para programar como equivalente a rejeitar calculadoras ou ferramentas elétricas: viável como hobby, mas cada vez mais incompatível com trabalho remunerado.
- Outros defendem abster-se como uma escolha pessoal legítima, especialmente para preservar o prazer da programação “à mão” e o engajamento cognitivo.
- Vários observam que essa postura pode ser sustentável apenas fora da indústria dominante, onde os empregadores esperam cada vez mais fluxos de trabalho assistidos por IA.
Produtividade, Qualidade e Testes
- Há afirmações fortes de que LLMs aumentam enormemente a produtividade: funcionalidades e refatorações que antes levavam semanas agora são feitas em dias, e tickets que ficaram meses parados agora são encerrados rapidamente.
- Alguns relatam entregar mudanças grandes, escritas por IA, sem ler a maior parte do código, confiando em testes unitários, benchmarks, monitoramento e feedback de usuários como proxies de qualidade.
- Outros rebatem: testes não conseguem cobrir modos de falha desconhecidos; regressões de desempenho ou segurança foram encontradas apenas lendo o código.
- Vários argumentam que LLMs já são melhores do que muitos engenheiros médios ou juniores tanto para escrever quanto para testar código; outros chamam isso de exagerado ou de “produtividade falsa”.
Efeito sobre Habilidades, Funções e Aprendizado
- Um medo recorrente: engenheiros que dependem demais de agentes perderão habilidades e se tornarão “gerentes de estagiários que nunca aprendem”.
- Sêniores frequentemente comparam LLMs a devs juniores rápidos e incansáveis: úteis se você já sabe onde a qualidade importa e como revisar.
- Preocupação de que os incentivos para mentorar juniores e construir expertise humana profunda estejam desaparecendo; a indústria pode convergir para código “adequado, porém mais descuidado”.
Questões Cognitivas, Emocionais e de Identidade
- Alguns sentem falta da satisfação de resolver problemas e criar código elegante; a IA parece uma droga de melhora de desempenho que barateia habilidades conquistadas com esforço.
- Outros se sentem libertados: boilerplate tedioso e ferramentas auxiliares se tornam viáveis, liberando tempo para design, produto ou vida fora do trabalho.
Preocupações Ambientais, Éticas e Corporativas
- Críticos destacam o uso de energia, data centers e fornecedores de IA “suspeitos”; alguns argumentam que a ética segue sem solução hoje, mesmo que seja solucionável em teoria.
- Contra-argumento: quase todas as ferramentas modernas têm externalidades; muitas empresas estão migrando para modelos locais/de código aberto por conformidade e privacidade.
Posições Nuançadas / Intermediárias
- Vários defendem um espectro: usar LLMs para boilerplate, testes, código de ligação e exploração; escrever ou revisar de perto, à mão, a lógica central e crítica.
- Há amplo consenso de que revisão de código e julgamento humano continuam essenciais, mesmo entre usuários intensivos de IA.