O prototipo nao e o produto: por que a IA ainda nao faz o trabalho de engenharia

Construir software nunca pareceu tao acessivel. Voce descreve uma ideia em ingles simples e, em minutos, surge um prototipo funcional com interface, banco de dados e a funcao que voce imaginou. Esse e o ponto de partida do ensaio The Prototype Isn't the Product, publicado por Anuradha Weeraman, fundador, CTO e desenvolvedor Debian. O texto viralizou no Hacker News ao delimitar exatamente o que as ferramentas generativas fazem e o que continua sendo trabalho humano.

O que a IA acelerou

Segundo Weeraman, chegar a um prototipo nunca foi a parte dificil. Engenheiros sempre conseguiram colocar algo para rodar rapido. O que consumia tempo era o resto: projetar sistemas que aguentam escala, tratar os casos que os usuarios nao deveriam encontrar mas inevitavelmente encontram, construir observabilidade para saber quando algo quebra e tomar decisoes deliberadas de arquitetura de dados das quais voce se arrependera menos tres anos depois.

A IA, escreve ele, acelerou dramaticamente o caminho ate a primeira versao funcional, mas nao encurtou a distancia entre essa primeira versao e algo pronto para producao. A confusao surge porque o ciclo de feedback da fase inicial ficou rapido e recompensador: voce pede, recebe, ve resultado. Isso cria a impressao de que o resto do desenvolvimento seria igualmente comprimido.

O autor lista os problemas que aparecem quando o prototipo encontra a realidade: quebra sob carga, nao tem tratamento de erro, pode vazar tokens de API, o modelo de dados desmorona ao adicionar um segundo usuario e a autenticacao esta amarrada em suposicoes.

Modelos nao tem julgamento

O argumento central e sobre julgamento. Para Weeraman, os problemas dificeis de software nunca foram primariamente sobre escrever sintaxe, e sim sobre decidir o que construir, como estruturar, o que adiar e quando dizer nao.

Ele e direto sobre a limitacao das ferramentas: modelos nao tem julgamento, tem correspondencia de padroes com uma vontade de produzir codigo que acreditam corresponder a sua intencao. Eles geram com confianca um codigo que parece certo, segue convencoes e falha em producao de formas que levam dias para diagnosticar se voce nao souber o que procurar.

Sem uma base solida, diz o texto, voce fica inteiramente dependente do julgamento do modelo. E um modelo de mundo e o que permite olhar para o codigo gerado e reconhecer que aquela query causara um full table scan numa tabela de cinquenta milhoes de linhas, ou que a estrategia de cache proposta criara uma condicao de corrida sob carga concorrente.

A defesa (equivocada) contra estudar CS

O ensaio responde a uma onda de novos entrantes que questionam se ainda vale a pena estudar ciencia da computacao. A resposta de Weeraman: o valor de uma formacao em CS nunca foi puramente a capacidade de produzir codigo, e sim desenvolver um modelo mental de como sistemas se comportam, como falham e por que.

Na visao dele, este e possivelmente o melhor momento da historia para aprender CS, porque a distancia entre entendimento e resultado colapsou. Um estudante que realmente entende como um sistema distribuido funciona agora consegue construir um em uma fracao do tempo de uma decada atras.

O que muda para quem constroi software no Brasil

O recado tem peso especifico no mercado brasileiro, onde o GitHub Copilot e assistentes similares ja fazem parte da rotina de muitos times e onde o discurso de vibe coding chegou forte a bootcamps e vagas junior. Weeraman argumenta que a demanda por engenheiros que apenas traduzem requisitos em implementacao linha a linha esta em queda, porque essa parte esta sendo automatizada.

O que acontece, segundo ele, e uma compressao da base da distribuicao de produtividade e uma expansao do teto para quem esta no topo. Os que ficarao para tras nao sao os que nao dominam IA, mas os que usam IA como substituto do entendimento, fazem vibe coding em sistemas que nao conseguem raciocinar sobre e depois nao conseguem consertar o que quebra, escalar o que cresce ou explicar o que construiram para quem precisa manter.

A conclusao pratica: tratar a IA como multiplicador de forca sobre conhecimento profundo, revisar codigo gerado com o mesmo olho critico de um pull request de um dev junior e saber quando discordar da sugestao do modelo. Ou, nas palavras do autor: aprenda os fundamentos, depois aprenda as novas ferramentas, nessa ordem.

Fonte: Hacker News