O uso de IA gera uma base de código frágil

A forte dependência de código gerado por IA está alimentando a preocupação de que o software está se tornando mais frágil, mais difícil de entender e repleto de testes superficiais e padrões superengenheirados. Comentadores descrevem incentivos de gestão que recompensam velocidade de entrega e uso de tokens em vez de manutenibilidade, levando muitas equipes a “vibe code” com agentes e pular revisões significativas, enquanto outros relatam sucesso quando a IA é rigidamente guiada por arquitetura forte, sistemas de tipos e verificação rigorosa. Um tema recorrente é que a IA amplifica práticas existentes: em organizações com padrões claros, especificações e gates de qualidade ela pode melhorar a robustez, mas em ambientes que já subestimam a qualidade do código ela acelera a dívida técnica e corrói a compreensão humana de sistemas críticos.

Incentivos de negócio e velocidade

  • Muitos argumentam que bases de código frágeis geradas por IA são impulsionadas mais por incentivos de negócio do que pelas ferramentas: pressão por features, métricas de tokens/velocidade e falta de incentivos para robustez.
  • Alguns dizem que as empresas só vão recalibrar após incidentes graves; outros acham que o mercado se autocorrigirá gradualmente à medida que os custos da fragilidade venham à tona.
  • Uma preocupação recorrente: gestores otimizam para velocidade aparente e adoção “AI-native”, e não para manutenibilidade de longo prazo ou entendimento profundo.

Qualidade de código, complexidade e testes

  • Reclamações comuns: a IA escreve código excessivamente complexo, verboso ou redundante; cria abstrações desnecessárias; e muitas vezes espelha padrões ruins já existentes no repositório.
  • Testes superficiais e em alto volume são uma grande preocupação: inflacionam a cobertura, deixam o CI mais lento e perdem invariantes reais. Alguns veem testes feitos por IA como melhores do que os que muitos humanos jamais escreveram; outros os veem como ruído que cristaliza código medíocre.
  • Defensores de tipagem estática forte, tipos refinados e FP dizem que LLMs, junto de bons sistemas de tipos, reduzem a necessidade de muitos testes e tornam erros estruturalmente mais visíveis.

Compreensão humana, intuição e sistemas “caixa-preta”

  • Críticos: uso intenso de IA enfraquece os modelos mentais dos desenvolvedores, reduz o “fingerspitzengefühl” e desestimula a leitura e o refatoramento de código movidos pela curiosidade.
  • Defensores retrucam que o entendimento simplesmente sobe de nível (arquitetura, especificações, comportamento), assim como a maioria dos devs não entende kernels ou hardware.
  • Vários temem um futuro em que ninguém entenda profundamente sistemas grandes; o software se tornará “orgânico” e será constantemente remendado por agentes.

Experiências com grandes projetos orientados por IA

  • Alguns relatam aplicativos grandes construídos com IA (centenas de milhares de LOC) com manutenção aceitável até agora, alegando trabalho mais rápido em features e reescritas fáceis à medida que os modelos melhoram.
  • Outros compartilham experiências opostas: monólitos codificados no vibe, arquivos enormes, padrões inconsistentes e dificuldade crescente para humanos e agentes modificarem com segurança.
  • Há discordância sobre se os casos de sucesso atuais são cedo demais (poucos usuários, pouco tempo em produção) para dizer algo significativo sobre fragilidade de longo prazo.

Processo, ferramentas e governança

  • Tema forte: “IA sem supervisão é prejudicial”. Bons resultados exigem:
    • Restrições e padrões arquiteturais claros (YAGNI, DRY, KISS).
    • Agentes adversariais/secundários para revisão, refatoração e poda de testes.
    • Melhor análise estática, linters e harnesses específicos do domínio.
  • Alguns veem o principal desafio de 2026+ como usar IA para melhorar a robustez em vez de aceitar código medíocre, por meio de melhores loops de verificação e disciplina de design.

Preocupações profissionais e sociais mais amplas

  • As preocupações incluem atrofia de habilidades, perda de gosto arquitetural, dependência de laboratórios externos e orçamentos de tokens, e gestores usando IA para justificar padrões mais baixos.
  • Outros comparam isso a mudanças anteriores (compiladores, fábricas): código artesanal “artesanal” se tornará um nicho, enquanto código produzido em massa por IA dominará a maior parte do software de negócios.