Um ano depois do mandato de 100% de IA, ninguém entende nosso código
Um post no Reddit alegando que uma empresa exigiu código gerado 100% por IA provoca debate sobre se a adoção agressiva de LLMs está destruindo a manutenibilidade, corroendo as habilidades dos desenvolvedores e transformando codebases em “AI slop” opaco. Os comentadores ponderam o trade-off entre velocidade no curto prazo e dívida técnica no longo prazo, discutindo quando (ou se) vale ir “all in” em agentes, e se a gestão é movida mais por FOMO e métricas do que por qualidade do produto ou crescimento dos funcionários. Alguns também questionam a autenticidade dessas histórias virais de terror, apontando o aumento de conteúdo anti-IA gerado por IA e as ferramentas de detecção pouco confiáveis, enquanto outros insistem que os problemas subjacentes — perda de compreensão, design fraco e incentivos desalinhados — são muito reais.
Momento e Estratégia de Adoção de IA
- Muitos argumentam que “ir com tudo” em IA há um ano era arriscado, dada a rápida deflação dos modelos: o mesmo gasto compra muito mais capacidade depois.
- Outros contrapõem que esperar para sempre também é irracional: time-to-market, pressão competitiva e aprender fazendo também importam.
- Alguns defendem deixar outros fazerem o “Leeroy Jenkins” primeiro, e então copiar as melhores práticas; outros respondem que não dá para saber quando a maturidade chegou e que os adotantes tardios ainda repetirãm os erros antigos.
- Fazem-se comparações com a lei de Moore: para a maioria dos usos de software hoje, é melhor começar agora do que esperar por tokens mais baratos.
Qualidade do Código, Compreensão e Dívida Técnica
- Tema forte: IA acelera a entrega e a dívida técnica. Organizações acumulam codebases enormes e incoerentes, que ninguém entende na arquitetura.
- Vários relatam sistemas gerados por IA “vibe-coded”: PRs grandes e confusos, reescritas de funcionalidades, duplicação e fragilidade, em que só um LLM consegue depurar ou modificar o código com viabilidade.
- Outros observam que “ninguém entende a codebase inteira” já era comum em sistemas grandes antes da IA; a IA principalmente amplia um problema existente.
Experiência do Desenvolvedor, Habilidades e Incentivos
- Vários comentários descrevem mandatos de IA tornando a programação sem alegria: dias longos gastos em prompts, espera e revisão, em vez de aprender ou projetar.
- Há preocupação de que a dependência de IA corrói a habilidade individual, o engajamento cognitivo e a diferenciação de carreira. Engenheiros são vistos como sendo usados para otimizar métricas da empresa (número de PRs, velocidade de entrega) às custas do trabalho artesanal.
- Alguns dizem que indivíduos ainda podem usar o tempo liberado para aprofundar a compreensão e deixar a IA cuidar das partes “chatas”; outros respondem que métricas de gestão e mandatos tornam isso irrealista.
Como a IA Deveria Ser Usada
- Vários defendem usar LLMs como assistentes para análise, refatoração, documentação e tarefas pequenas, não como agentes autônomos que assumem codebases inteiras.
- As sugestões incluem programação literária e usar agentes para gerar documentação de alta qualidade, depois refatorando iterativamente.
Autenticidade e o Discurso “Gerado por IA”
- Um subthread substancial debate se o post original do Reddit foi ele próprio gerado por IA, citando uma ferramenta de detecção de IA e “marcadores” estilísticos.
- Outros questionam a confiabilidade dos detectores e temem que rotular conteúdo de que não gostam como “IA” se torne uma tática preguiçosa de descarte.
- Surge uma inquietação mais ampla sobre engajamento isca escrito por IA, a sensação de “internet morta” e humanos adotando estilos de escrita semelhantes aos de LLMs.