- A IA reduz a barreira de entrada na curva de aprendizado para iniciantes e intermediários e permite suporte personalizado de acordo com o nível de cada pessoa
- Chegar à maestria em nível de especialista continua sendo difícil, e a IA ainda tem limitações em temas profundos ou áreas controversas
- Se a IA for usada apenas como ferramenta de respostas prontas, pode surgir o efeito colateral de estagnar nos limites da própria IA, sem crescimento real
- Em áreas como programação, criação e uso de apps do dia a dia, o impacto da IA aparece de formas diferentes; em especial, em campos onde novas ideias e inovação são importantes, seu efeito transformador é limitado
- A IA elevou a linha de base da mudança, mas não provocou grandes transformações em todas as áreas, e seu valor de uso é avaliado de forma diferente conforme a necessidade e o contexto de cada um
Resumo: a curva de aprendizado transformada pela IA
- Antes do surgimento da IA, cada material de aprendizado era produzido com um público específico em mente, o que criava a limitação de não refletir adequadamente o conhecimento prévio do aprendiz
- Por exemplo, era comum ter dificuldade para conectar um novo tema a uma área já familiar, não saber sequer que certos pré-requisitos existiam, ou não conseguir encontrar material adequado no nível intermediário
- Antes, era difícil oferecer suporte personalizado no processo de aquisição de habilidades
- A IA mudou a curva de aprendizado ao responder diretamente às perguntas de acordo com o nível de compreensão de cada aprendiz ou assumir tarefas repetitivas
- Com a experiência de aprendizado baseada em IA, agora ocorre uma mudança em que o próprio piso (nível mínimo) sobe, já que a IA pode servir como ponto de partida em qualquer nível
Limites do nível de mestre
- Especialistas de diferentes áreas têm uma visão crítica sobre a eficácia da IA
- As informações fornecidas pela IA mostram força em conteúdos populares e básicos, mas têm grandes limitações em conhecimento aprofundado/especializado ou temas controversos
- Os dados de treinamento da IA tendem a gerar resultados mais fortes quanto mais generalizado for o conteúdo, mas, em conhecimentos avançados e de alta dificuldade, a falta de dados de treinamento ou a presença de informações conflitantes tornam difícil oferecer respostas precisas e profundas
Efeitos colaterais do aprendizado com IA: cola
- Recursos como o OpenAI Study Mode, que entregam apenas a resposta correta imediatamente, podem aprofundar o platô de aprendizado do usuário
- Usuários que tratam a resposta da IA apenas como um meio prático têm o limite de não conseguir crescer além disso
- No longo prazo, esse método é desfavorável ao crescimento contínuo
O impacto real da curva de aprendizado alterada
- Mudanças tecnológicas provocam transformações em todo o ecossistema
- O impacto da IA varia conforme o quanto de maestria (proficiência) é exigido pelo produto ou resultado final
-
Desenvolvimento de software: vantagem para gestores, mas limitado em grandes codebases
- Gestores de engenharia tinham entendimento dos princípios e capacidade de julgar qualidade, mas dificuldade para criar aplicações por falta de experiência com determinados frameworks
- Com ferramentas de IA, aumentam os casos de quem consegue aprender rápido desde o básico e, aproveitando a experiência prévia, concluir rapidamente um app funcional
- Por outro lado, em codebases grandes e complexas, os limites da ajuda da IA ficam claros
- Falta entendimento do contexto do sistema existente ou de requisitos específicos, então a ajuda costuma ser pequena no trabalho real
-
Área criativa: concorrência intensa limita o impacto
- Em áreas criativas, a concorrência é extrema e a originalidade importa
- Mesmo que seja fácil criar imagens com IA, a barreira de entrada central do verdadeiro sucesso criativo — a “novidade” — não é reduzida
- Como as pessoas percebem facilmente derivação e imitação, surgem fenômenos em que, após uma moda passageira, o interesse desaparece rapidamente
- Há casos pontuais, como a moda dos avatares no estilo Studio Ghibli, mas o impacto da IA em posição cultural ou popularidade é pequeno
-
Apps já estabelecidos: impacto mínimo
- E-mail, pedido de comida e afins já contam com apps bem especializados
- Mesmo com funções de resumo baseadas em IA, a triagem de spam já é automatizada, e conferir pessoalmente os e-mails importantes continua sendo mais confiável
- Em pedidos de comida e áreas similares, já existe uma UX cuidadosamente projetada, o que dificulta que a IA provoque uma mudança mais eficaz
Variações na adoção da IA e o futuro
- A IA elevou o piso do trabalho do conhecimento, mas não afeta todo mundo da mesma forma
- Dependendo do nível técnico, do papel e do ambiente de cada pessoa, há grande variação na percepção prática do efeito da IA
- Alguns experimentam inovação com a IA, enquanto outros não percebem resultados concretos ou até sentem crise e confusão
- A IA ainda não é “insubstituível” em todos os modos de uso e em todas as áreas, mas é uma tecnologia poderosa com potencial suficiente para merecer experimentação
- Se, individualmente, a IA parecer sem grande significado, isso quer dizer que, na sua situação, a mudança prática talvez não seja tão grande
2 comentários
Opiniões do Hacker News
O post do blog enfatiza vários gráficos, fazendo parecer que há objetividade e rigor, mas na prática se resume a impressões e suposições. Estudos empíricos recentes mostram, ao contrário, que a IA tende a agravar a desigualdade. Dá para ver isso no gráfico da Economist e nesta matéria
Acho óbvio que a IA aprofunda a desigualdade. Ela automatiza os degraus mais baixos da escada pela qual as pessoas acumulam experiência, então em vez de oferecer apoio para futuros especialistas, vira uma tecnologia em que quem já está no topo investe para subir essa escada mais rápido
O gráfico faz suposições grandes demais, e parece algo sustentado só na cabeça de entusiastas radicais de IA. Especialmente na parte sobre "side projects", o tratamento é vago, e acho que a IA ainda não consegue pegar a entrada de um iniciante e gerar um resultado "bom o bastante"
Concordo em certa medida com a ideia do texto. Ele se fantasia de jaleco de laboratório como se fosse ciência, mas no fundo só expressa como essas pessoas enxergam o mundo. Ainda assim, se o gráfico deixasse claro que é uma "hipótese" ou usasse recursos visuais como eixos terminando em linhas onduladas, teria valor como ferramenta de comunicação. Também não dá para afirmar com certeza que haverá achatamento da curva, isto é, estagnação de habilidade. Ainda assim, acho que o autor escreveu de forma mais honesta do que os links dos economistas. Para mim, o ideal é que as pessoas exponham suas opiniões com franqueza e, se tiverem dados, mostrem também a validação da hipótese
O gráfico menciona 4 estudos mostrando aumento de desigualdade e 6 estudos mostrando redução de desigualdade
Como matemático aposentado, em 2025 fiquei totalmente obcecado por IA e uso o plano Claude Max para usar sem limites o Claude Code Opus 4. Ao revisar bases enormes de código legado em sessões paralelas, às vezes chego no limite de uso. Por muito tempo evitei qualquer discussão sobre IA, mas recentemente vi debates interessantes no HN e voltei a me interessar. Na minha opinião, pessoas neurodivergentes têm mais sucesso usando IA, porque IA é uma imensa máquina de associações. Como minha formação é em álgebra linear, a estrutura associativa da IA combina bem com meu modo peculiar de pensar. No fim, a IA eleva mais o teto do que o piso
É uma percepção parecida com a da apresentação recente de Andrew Ng sobre startups de IA. O novo conselho dele para fundadores hoje é: ao fazer pivot, descarte o protótipo e refaça tudo do zero. Isso se relaciona com o texto principal. O desenvolvimento de protótipos melhora em até 10x, mas bases de código existentes melhoram só uns 30% a 50%. Essa mudança lembra a analogia antiga da migração de VMs para containers: "pets vs cattle". Talvez estejamos entrando numa era em que bases de código devem ser tratadas não como "pets", mantidos com carinho, mas como "cattle", tratados com eficiência. Dá para ver isso na apresentação em vídeo, por volta de 10:30
Acho que a analogia "pets vs cattle" foca demais só no código e faz a gente esquecer que o valor real está na cabeça do desenvolvedor. A IA pode ajudar a administrar código, mas o valor verdadeiro está na compreensão e no modelo mental do desenvolvedor
Bom ponto, mas ouvi com mais frequência a expressão "cattle" do que "livestock". Fiquei curioso se isso é uma diferença geográfica
Obrigado por mencionar essa analogia. Acho que no futuro vamos precisar tratar código gerado de forma parecida com infraestrutura cloud em larga escala. Talvez isso se aplique menos a código legado usado há muitos anos. Fui atrás para ver se você já organizou essas ideias num blog, e procurei stillpointlab.com e o Twitter @stillpointlab, mas não achei muito material
Tenho a impressão de que a analogia "pets vs cattle" encaixa muito melhor do que a discussão "artesão vs quem faz nas coxas". Mesmo usando LLM, o valor do resultado não é reduzido; é mais uma mudança de perspectiva, saindo do apego emocional ao código para uma visão pragmática
Ainda há bastante coisa que não dá para fazer com LLM. Por exemplo, ao jogar xadrez junto, depois de 5 a 10 jogadas ele começa a fazer lances ilegais e, no melhor caso, o limite foi algo como 18 jogadas. Ele também não corrige erros do outro lado, então pode induzir aprendizado errado. No fim, como ele não consegue realmente modelar problemas complexos, é muito importante que o usuário saiba perceber o que deve perguntar. LLM pode explicar como o cavalo se move ou falar de aberturas famosas, mas não consegue acompanhar corretamente uma partida inteira nem dizer a melhor jogada para a posição atual. Muita gente provavelmente não faz ideia do quão erradas as respostas podem ser e acaba confiando no tom seguro com que elas são dadas. À primeira vista parece sólido, mas na verdade é como caminhar sobre uma fenda invisível
Não acho que a fraqueza de LLM em xadrez seja um grande problema. Modelos específicos para xadrez conseguem jogar só lances legais com um ELO bem razoável. O pós-treinamento pode até prejudicar a habilidade no xadrez, e lugares como a OpenAI aparentemente nem ligam tanto para isso. Dá para jogar bem xadrez com LLM. Veja este artigo e este exemplo de avaliação
Também vejo com frequência especialistas ao meu redor, como doutores ou médicos, que simplesmente nem imaginam que um LLM possa errar. Como as frases são fantásticas, lógicas e ainda vêm com confiança, talvez exista um "efeito halo" que faz as pessoas acharem que ele é um especialista completo
Ao trabalhar com LLM no modo de agente para código, já vi muitas vezes ele começar bem e depois ir derivando para direções estranhas, tentando até mexer na indentação de código sem relação nenhuma com a tarefa
No caso do xadrez, é interessante que IAs especializadas sejam muito melhores que humanos, enquanto LLMs de uso geral mal conseguem fazer lances legais. O teto da IA está muito acima do teto dos LLMs
Sobre "é difícil acompanhar mais de 10 jogadas", no xadrez o estado atual do tabuleiro importa mais do que as jogadas passadas. Como LLM é ruim em filtrar informação desnecessária, o desempenho melhora se você fornecer apenas o estado do tabuleiro. Veja esta discussão mais detalhada
Se agentes só são bons para projetos greenfield, então o código existente também precisa ser preparado para que cada nova funcionalidade pareça um novo projeto greenfield, algo em que um estagiário só conecte o plugue e funcione. O resto ainda precisa de mão humana, senão o estagiário pode acabar derrubando a parede inteira
Acho isso um exagero. Se eu baixar do GitHub um projeto Y em npm no WebStorm e perguntar algo ao Junie, posso receber a resposta na hora, e ele ainda documenta estruturas de dados que eu não entendi com exemplos. Talvez não abra um PR imediatamente, mas como pair programmer já serve muito bem. Na prática, acabo escrevendo mais testes e dando mais atenção ao tratamento de erros, o que leva a um resultado melhor no fim
Agentes fazem muitas coisas bem e muitas coisas mal. Quanto mais eu uso, mais fico confuso sobre em que exatamente eles são melhores
Acho que agentes não são tão bons para começar projetos completamente novos, mas são muito bons para projetos de pequeno a médio porte, e tendem a perder eficiência conforme o tamanho cresce. Em projetos totalmente novos, muitas vezes produzem código em nível de exemplo, que na prática não serve para uso real
O resumo em uma linha é: IA é boa em interpolação, mas ruim em extrapolação
Concordo com a maior parte do texto, mas não concordo com a ideia de que "a melhora para no nível que a IA pode oferecer". Pela minha experiência, para usar bem IA é preciso uma mentalidade de crescimento, não uma mentalidade fixa. Eu faço meio que um roleplay como gerente da IA e sigo refinando a saída. Há limites, claro, mas mesmo sem aprender diretamente a habilidade em si, consegui elevar bastante a qualidade focando nas fronteiras do problema. Com o tempo, sinto que estou me tornando um gerente melhor naquela área, mesmo sem virar especialista de campo
Se você não sabe "como", fico curioso sobre qual critério usa para concluir que a qualidade melhorou o bastante. No fim, isso parece só uma melhora relativa em relação ao ponto de partida; se a sua própria satisfação basta, então nem importa se a qualidade real ficou melhor ou não
Eu não vejo isso como "trapaça"
Na curva de aprendizado, mesmo usando IA, quando você se aproxima do auge talvez passe a ser melhor aprender sem IA. O nível mais alto de domínio só é possível com tempo de aprendizado lento e autodirigido
A maior vantagem dos LLMs é receber respostas num formato consistente e sem ser interrompido por anúncios ou redes sociais. É o oposto de procurar respostas no reddit, no insta ou no tvtropes. Gostaria que surgisse logo um sistema operacional totalmente focado em ajudar a pensar, e um ambiente que impedisse crianças de caírem em armadilhas de conteúdo. Gosto muito de receber rapidamente só a documentação e a informação de que preciso, sem ser distraído por interfaces improvisadas
Eu não acho que as respostas de IA sejam precisas; pelo contrário, muitas vezes parecem perigosamente imprecisas. Em comunidades, é fácil perceber quem é especialista e no fim dá para chegar à resposta certa, mas a IA também coletou todos esses dados, então o risco de resposta errada continua o mesmo. E esse ambiente sem anúncios provavelmente não vai durar muito. As empresas de IA estão tendo prejuízos gigantescos, então logo tudo deve encher de anúncios e elementos sociais; os benefícios gratuitos de agora são só uma estratégia de queimar dinheiro para atrair clientes
Fazendo uma ironia com a subjetividade da palavra "precisas"
Até na área de IA que conheço melhor, essa tendência se confirma. Pessoas abaixo da média conseguem chegar perto de resultados médios usando IA
Isso também combina com outro resumo: quem tem mais conhecimento é quem de fato tira mais proveito de LLM
Pessoas acima da média também podem usar IA para produzir resultados medianos. Em muitas tarefas, o padrão de "bom o bastante" é na verdade bem baixo
Então a piada é que o motivo de tanta gente aqui ser contra IA é que todo mundo estaria acima da média
Se alguém abaixo da média passa a produzir resultados médios com IA, então a média geral também sobe na mesma proporção
Dá para resumir como: "IA é boa para prototipagem, mas não para engenharia". Ferramentas de IA são rápidas, mas carecem de breadth e depth. São úteis para fazer rapidamente um PoC ou resolver partes do problema, mas faltam contexto amplo e profundidade, e engenharia de verdade exige muito mais do que implementação: contexto, exceções, modos de falha, compreensão profunda etc. Mesmo um programador excelente pode não ser um engenheiro, e o melhor leetcoder do mundo pode não ajudar de forma prática numa equipe. Para chegar à maestria real é preciso experiência, inclusive com as sutilezas e aspectos não intuitivos. Não vai chegar uma era em que um gerente aperta um botão e o produto é "engenheirado". Os geradores de código atuais já nasceram dessa ilusão de "automação para gerente", e acho que ferramentas baseadas na explicação de engenheiros em atividade funcionam melhor. O comentário de Dijkstra sobre a "tolice de programar em linguagem natural" continua atual. Texto relacionado
Na Meta, parece que estão fazendo um alarde como se a superinteligência já estivesse praticamente pronta kkk