Nos últimos anos, a chegada da inteligência artificial generativa no desenvolvimento de software mudou o tom das discussões técnicas e filosóficas. Basta ver a repercussão do post “Coding as we know it is dead” no LinkedIn e a enxurrada de respostas que ele provocou para perceber que a profissão está passando por um momento de redefinição profunda. Por trás disso, no entanto, existem tensões que vão muito além da produtividade ou da nostalgia: o que está em jogo é a confiança, a responsabilidade, a natureza do conhecimento e, em última instância, a relação entre humanos e máquinas.
O post original do LinkedIn traz uma provocação: hoje, a IA escreve 90% do código, e quem resiste a usá-la é chamado de ignorante ou egoísta. Independentemente de esse percentual ser discutível, a reação foi imediata e polarizada.
Alguns comemoram o salto evolutivo: veem na IA uma ferramenta que livra os desenvolvedores de tarefas repetitivas e os empurra para o pensamento estratégico, a tomada de decisões e a tradução de necessidades de negócio em soluções tecnológicas. É a passagem do "code monkey" para o "product-minded engineer", de executor a orquestrador.
Outros, por outro lado, se mostram céticos ou até alarmados: questionam a qualidade do código gerado, a dependência crescente, a perda de habilidades fundamentais e a falta de evidências sobre um suposto ganho de velocidade ou eficiência. As objeções técnicas não são pequenas. Muitos desenvolvedores experientes apontam que revisar código de outra pessoa (seja de uma IA ou de um colega humano) costuma exigir tanto ou mais tempo do que escrevê-lo do zero. A revisão não é um trâmite: implica entender, antecipar consequências, garantir a manutenibilidade e, acima de tudo, assumir a responsabilidade pelo resultado. Em contextos profissionais, onde há contratos, dinheiro e reputação em jogo, a tolerância ao erro ou à opacidade do código gerado por IA é mínima. A IA não assume riscos nem responde por falhas; o humano, sim.
Uncanny valley e confiabilidade
A isso se soma o fenômeno do "vale da estranheza" do código. Alguns desenvolvedores relatam que, ao revisar contribuições geradas por IA, percebem uma espécie de estranhamento difícil de definir: o código funciona, mas não tem uma intenção clara, aquele "selo humano" que permite prever como ele vai evoluir, como vai se integrar ao resto do sistema ou como vai responder a novos requisitos. Essa sensação piora quando a IA comete erros sutis ou introduz padrões pouco ideais, o que exige uma vigilância constante e, paradoxalmente, pode acabar deixando o processo mais lento.
De uma perspectiva mais ampla, surgem preocupações de outra natureza: a confiabilidade e o risco sistêmico. Gary Marcus, em sua análise crítica sobre os LLMs (Large Language Models), alerta que esses sistemas são inerentemente imprevisíveis e, às vezes, perigosos. Não é que eles "mintam" no sentido humano, mas confabulam, improvisam respostas plausíveis mesmo quando incorretas, e podem ser manipulados para driblar restrições éticas ou legais. O controle sobre esses sistemas é limitado, e seu comportamento pode variar bastante conforme o contexto ou os incentivos. Marcus propõe um dilema: seguimos avançando na esperança de que a sabedoria e a honestidade emerjam de modelos cada vez maiores e mais complexos, ou deveríamos parar e repensar a própria arquitetura dessas tecnologias antes de delegar a elas tarefas críticas?
O que acontece no dia a dia?
No dia a dia existem ainda mais nuances. Entre os desenvolvedores de software, alguns contam como a IA permitiu explorar novas linguagens ou padrões, acelerar protótipos ou resolver tarefas que antes exigiam ajuda externa. Mas mesmo entre esses entusiastas, há consenso de que a supervisão humana continua sendo indispensável: a IA pode sugerir, mas o critério, a integração e a garantia de qualidade continuam sendo prerrogativas humanas.
Outros desenvolvedores, por sua vez, veem com preocupação a possível "atrofia" de habilidades: se a IA cuida do básico, como os novos programadores vão se formar? Não corremos o risco de depender de uma caixa preta que, se falhar, nos deixa sem ferramentas para entender ou corrigir?
Não menos relevante é o impacto social e econômico. O acesso desigual a ferramentas avançadas, o deslocamento de cargos de entrada e a concentração de poder em quem pode pagar pelos melhores modelos levantam dúvidas sobre a real democratização da tecnologia. Estamos criando um ecossistema mais inclusivo ou simplesmente erguendo novas barreiras de entrada? O que acontece com a diversidade de abordagens e a inovação quando a maior parte do código é gerada a partir dos mesmos modelos e datasets?
Nesse cenário, a analogia entre a IA e um "intern" (estagiário) é reveladora, mas limitada. Como alerta Marcus, a tentação de antropomorfizar a IA pode nos levar a superestimar sua compreensão e subestimar os riscos de alinhamento e controle. Diferente de um humano, a IA não aprende com a experiência nem melhora com o tempo em um contexto específico. É verdade que ela aprende dentro da thread em que estou interagindo com ela; é verdade que esse aprendizado pode "migrar" para o meu usuário, e cada vez mais dá a sensação de que a IA "me conhece". Mas a IA, o modelo por trás de tudo, é treinado com um núcleo duro de dados e é o mesmo para todos, seja você um usuário que a usa todos os dias desde o primeiro momento ou alguém completamente novo.
Então está tudo errado?
Não, nem tudo é pessimismo. Há quem veja na IA uma oportunidade para repensar o papel do desenvolvedor: menos focado em escrever código e mais em arquitetura, estratégia e resolução de problemas complexos. A IA, bem utilizada, pode ser um multiplicador de impacto, um catalisador de criatividade e uma plataforma para novas formas de colaboração. Mas esse potencial só se realiza quando combinado com vigilância crítica, uma ética sólida e um compromisso com o aprendizado contínuo.
A engenharia assistida por IA (como essa abordagem mais estruturada é conhecida) combina a criatividade da programação vibrante com o rigor das práticas de engenharia tradicionais. Envolve especificações, rigor e reforça a colaboração entre desenvolvedores humanos e ferramentas de IA, garantindo que o produto final seja não só funcional, mas também sustentável e seguro.
No fim das contas, o debate sobre a "morte" da programação tradicional é, na verdade, um convite a repensar o que significa programar e para quê. A IA é o fim do caminho ou o início de uma nova etapa? Vamos conseguir domar a imprevisibilidade e os riscos dos LLMs, ou vamos precisar de alternativas mais transparentes e controláveis? Quais habilidades e valores deveríamos cultivar nas próximas gerações de desenvolvedores de software? O futuro, como sempre, vai depender menos da ferramenta e mais de como decidirmos usá-la, regulá-la e entendê-la. O desfecho está longe de estar escrito.
