- Se você usou recentemente ferramentas de IA em trabalho de programação profissional, compartilhe sua experiência
- Quais ferramentas você usou?
- O que foi eficaz e por quê?
- Que dificuldades você encontrou e como as resolveu? (Se resolveu.)
- Agradecemos se você incluir contexto suficiente (stack tecnológica, tipo de projeto, tamanho da equipe, nível de experiência) para que outras pessoas possam aprender com a sua experiência
- O objetivo é entender de forma objetiva, sem exageros, a situação real do desenvolvimento baseado em IA em março de 2026
Resumo das respostas do Hacker News
Problemas com documentação e comunicação geradas por IA
- Gerentes geram com Claude documentos de design de 50 páginas, PRDs e decks de slides e enviam pedindo uma “revisão rápida”, mas nem o próprio autor lê o material
- Alguns funcionários ficam gerando slides sem parar enquanto evitam responder perguntas concretas
- Um problema de performance de banco de dados que antes seria resolvido em 30 minutos (como adicionar uma GSI) agora vira um processo de uma semana, com um documento de 37 páginas gerado por IA (explicação, mitigação, plano, revisão, riscos, deploy etc.)
- Surgiu um padrão de comunicação “IA para IA”, em que quem recebe conteúdo gerado por IA também o resume com IA
- No fluxo “conceito → inflado por LLM → resumido por LLM → destinatário”, há risco de perda de contexto e nuance, como num telefone sem fio
- Foi apontado como falta de respeito ter um lado despejando conteúdo de baixa qualidade e esperar do outro uma revisão cuidadosa e dedicada
- Caso de desalinhamento em que um cliente freelancer envia uma especificação excessivamente refinada por IA, mas na prática queria apenas uma tabela CSV de 30 linhas
Experiências negativas no ambiente de trabalho
- Estrutura em que desenvolvedores mais seniores resolvem tudo com IA e depois empurram o trabalho de limpeza para desenvolvedores mais juniores
- O código gerado por IA não segue o design de API do projeto principal e inclui grandes quantidades de tratamento de erro e parsing desnecessários
- A limpeza levou mais de uma semana, mas como a equipe original produzia resultados quase imediatamente, surgiu o paradoxo de parecer até mais lento
- Uma grande empresa de capital aberto definiu como meta ter 100% do código gerado por IA em um ano e desligou funcionários de todos os níveis que se opuseram
- Em culturas que otimizam velocidade de lançamento de funcionalidades acima da qualidade de código, engenheiros focados em qualidade passam a ser classificados como “ineficientes”
- Um colega pegou código de semanas atrás, jogou no Claude e entregou como se estivesse concluído, mas havia vários erros de requisito de negócio e bugs graves
- Em ambientes onde o uso de IA é obrigatório, a carga de code review aumenta drasticamente, com a necessidade de revisar diariamente PRs de milhares de linhas e baixa qualidade
- “Tudo de que eu gostava foi tirado, e só ficou o que eu odiava”
Experiências em FAANG e grandes empresas
- Funcionário de FAANG: no trabalho, nunca obteve um resultado pronto para commit, mas em projetos pessoais teve ganho de velocidade de 10x
- Frameworks e bibliotecas internas de grandes codebases não estão nos dados de treino, o que limita a visibilidade do modelo
- Dentro da equipe, praticamente ninguém é conhecido pessoalmente por ter casos de sucesso reais
- Engenheiro da Amazon: usando Kiro (ferramenta interna da AWS) e Opus 4.6, teve ganho de produtividade de 2x a 4x no trabalho e mais de 10x em negócio paralelo
- Uso não só para escrever código, mas também em análise de dados, debugging e gestão do loop de deploy
- Uma funcionalidade que antes levaria um mês foi implementada em duas semanas — o principal ganho foi economizar tempo estudando detalhes técnicos que nunca mais seriam usados
- Sobre uma falha na Amazon: a notícia de banimento de código gerado por IA era incorreta; durante o incidente, houve apenas um caso relacionado a IA, baseado em uma sugestão antiga de wiki interna
- Engenheiro da Microsoft: com uso ilimitado de Opus via GitHub Copilot, o trabalho ficou mais rápido, mas as expectativas subiram demais (de 2 semanas para expectativa de 2 dias)
- P&D em grande empresa: maior valor na geração de tracking de bugs e código de logging descartável, além de melhora drástica na velocidade de prototipagem
- Porém, como o custo de implementação caiu, a competição sobre “o que construir” ficou mais intensa, exigindo pensamento mais rápido e julgamento mais claro
Experiências positivas e ganhos de produtividade
- Engenheiro com 10 anos de experiência, em equipe pequena: construiu e mantém um app de consumo com 100K DAU com 3 pessoas, algo que antes exigiria umas 10
- Sem lista de bugs, com duas pessoas entendendo quase toda a codebase, e refatorações muito mais frequentes
- Simon Willison: desde novembro de 2025, escreve a maior parte do código com agentes, inclusive no Claude Code no iPhone
- Projetos que ficaram anos só na ideia foram implementados em poucas horas, recalibrando o que um desenvolvedor solo consegue fazer
- Escrevendo um app em Go com Claude Code, aprendeu uma nova linguagem por aprendizado por osmose
- Freelancer experiente: após usar Claude Code, obteve 95% de precisão em Terraform e ficou mais de 5x mais rápido em projetos de processamento de dados
- “Agora consigo fazer o que antes não conseguia; o que era difícil ficou fácil; e o que era fácil ficou rápido e fácil”
- Pequeno estúdio de games: usa em ferramentas internas e melhorias de workflow; quanto mais perto da ideia, mais eficaz é a codificação com IA
- Dono de uma pequena cervejaria: automatizou a contabilidade (16 horas/mês → 3 horas), relatórios de produção e vendas, app de tracking de recompensas e mais de 5 ferramentas internas
Uso para entender codebases e fazer debugging
- Em codebases grandes e legadas, é eficaz para perguntas como “quais funções mexem nesta tabela?”
- Navegação em monólito gigante: à pergunta “quantas formas de autenticação existem neste endpoint de API?”, encontrou e resumiu 4 tipos em 5 minutos
- Debugging: excelente para entender por que uma regex complexa não bate, além de análise de stack trace e logs
- O tempo de onboarding em codebases desconhecidas caiu de dias para minutos
- O processo de “perguntar para um colega na Índia ou no Leste Europeu e esperar até o dia seguinte” foi totalmente substituído pela IA
Preocupações com qualidade de código e manutenção
- Problemas recorrentes no código gerado por IA: complexidade desnecessária, tratamento de erro excessivo, lógica duplicada e não reutilização de funções existentes
- Para código que vai precisar de manutenção, escrever manualmente costuma ser mais rápido no longo prazo — depois, ao modificar código gerado por IA, falta o modelo mental da implementação
- Caso em que o Claude tentou trocar um sanitizador de HTML por regex customizada — os testes passavam, mas havia vulnerabilidade de segurança
- Caso de criação de API com autenticação em que foi adicionada uma rota PUT que permitia a qualquer pessoa inserir uma nova chave de API
- A IA quase não faz refatoração proativa para reduzir a complexidade da codebase e continua acumulando duplicação de lógica, abstrações desnecessárias e dependências circulares
- Há caso de codebase com 200K LOC escrita 99,5% por IA, mas com a condição de TDD rigoroso e revisão de cada linha
Deterioração de habilidades e impacto psicológico
- “Como conheço bem meu próprio estilo de preguiça, minhas habilidades vão se deteriorar” — escolha de não usar geração de código por IA
- Um colega admitiu dependência de IA há 6 meses e tenta parar, mas acaba recorrendo a ela com facilidade, como um vício
- Um desenvolvedor júnior vem enviando MRs cada vez mais sem sentido ao longo do último ano, e foram encontrados sinais de uso de IA
- Engenheiro sênior: “Sei que minhas habilidades de programação estão se deteriorando, mas não tenho certeza se programar era a parte de que eu realmente gostava” — passa mais tempo em design e arquitetura
- Em projetos pessoais, faz tudo 10x mais rápido com IA, mas não sente conexão por ‘não ter sido ele que fez’, e perde motivação antes de concluir
- “A IA faz bem a parte de que eu gostava, e eu passo mais tempo nas partes de que não gosto ou que me cansam” — aumento geral de estresse
- Engenheiro no terceiro ano de carreira: a IA consegue fazer 90%, mas para resolver os 10% restantes é preciso ter o modelo mental desses 90%, e isso só se forma codando de fato
Workflows eficazes e melhores práticas
- O fluxo especificação → plano → crítica → melhoria do plano → implementação gera a melhor qualidade
- Usa-se o Plan Mode antes da implementação e, depois, o mesmo modelo faz code review adicional (idealmente em sessão separada)
- Arquivos AGENTS.md / CLAUDE.md documentam estilo de código, padrões e proibições — e são atualizados ao fim da sessão
- Dar ao agente capacidade de depuração e verificação próprias: rodar testes, conferir logs, validar screenshots etc.
- Declarar restrições antecipadamente (“apenas biblioteca padrão”, “sem novos arquivos”, “até 50 linhas”) melhora drasticamente a qualidade do resultado
- Uso de arquivo de estado (mechanical ledger) entre vários agentes: registra commits, testes e falhas de patch, para que uma nova sessão reconstrua o contexto a partir do estado real, e não da memória
- Uso de Git worktree para tocar várias tarefas em paralelo mantendo contextos separados
Papéis não técnicos e expansão da IA
- PM/diretor de operações: em uma empresa pequena sem programadores, construiu 12 ferramentas internas em um ano e aprendeu conceitos de desenvolvimento em velocidade surpreendente
- Cofundador não técnico: consegue criar protótipos funcionais, mas a transição para nível de produção ainda exige engenheiros — pair programming é mais produtivo do que documento de design
- Foram gastas 3 horas em sessão de pair para depurar código ESRI Arcade gerado por MS Copilot para um gestor não técnico — o papel de “especialista em debugging de IA” surge como novo serviço faturável
Diferenças de eficácia por domínio
- Desenvolvimento web/API: nota A, eficaz em toda a stack, da arquitetura ao debugging de compatibilidade de pacotes
- Unity/desenvolvimento de jogos: nota C-, não entende scene graph, modelo de componentes nem comportamentos dependentes de hardware
- Imagem médica: falha por falta de conhecimento especializado; todas as sugestões de otimização de performance fracassaram em dados reais
- Aplicações Rust: eficaz em Python/web greenfield, mas workflow com agentes é improdutivo em apps Rust com menos de 100K LOC
- Processamento de sinais, embarcados e HPC: alta frequência de alucinações e praticamente inútil ao trabalhar com APIs externas não documentadas
- Algoritmos de grafos em C++: os resultados são extremamente não lineares — ou acerta de uma vez, ou falha completamente; não há meio-termo
Perspectivas e preocupações para o setor
- Previsão de que, “em 5 a 7 anos, a cegueira pró-IA em nível de CEO/CFO vai levar a escassez severa de talentos e salários 3x maiores”
- Preocupação de que o nível intermediário seja esvaziado e sobrem apenas alguns poucos seniores para definir direção, coordenar e executar
- A IA estaria entrando em uma fase de autoaperfeiçoamento recursivo, tornando impossível prever onde estará em 6 meses
- Um artigo do MIT indicou limites no scaling de largura (width) dos modelos, além do esgotamento dos dados de treino e da piora de qualidade em dados sintéticos
- “Ou todo mundo perde o emprego, ou um grande colapso de mercado está próximo, ou ambos” — uma época interessante, mas inquietante
- Mercado freelancer: quem vive de relações de longo prazo ainda não percebeu desaceleração, enquanto trabalhos pequenos e pontuais podem ser substituídos por IA
A escolha de não usar IA
- Antes dos LLMs já havia automações feitas por colegas, mas a IA passou a parecer cuidar de um júnior ruim, o que matou o interesse
- “Uma armadilha que não resolve problema algum e só introduz novos problemas” — decidiu proibir o uso de IA no próprio trabalho por política
- Em robótica, usando C++ e Python, ao tentar codificação com IA saía apenas lixo semime funcional, e explicar tudo em linguagem natural era doloroso
- O processo de programar diretamente para pensar a arquitetura do código e o futuro técnico é um valor que jamais pode ser delegado
1 comentários
Opiniões do Hacker News
Hoje em dia, o mais difícil é gerentes criarem documentos de design ou PRDs de 50 páginas com Claude e mandarem com um “pode revisar?”
Ninguém lê, e nem quem escreveu entende direito. Alguns funcionários geram decks intermináveis de slides e, quando você pergunta algo, desconversam
Até gente que não programava há muito tempo voltou a propor código por causa da IA, e muitas ideias são bem estranhas
Eu escrevo código de produção à mão e uso IA só para revisar bugs. No máximo deixo scripts simples de teste de carga com a IA
Tem a ver com o clima do time também, mas a IA realmente deixou o trabalho entediante e cansativo
Eu estava implementando uma funcionalidade grande, e colegas pegaram meu código antigo, colocaram no Claude e trouxeram como “versão final”
O resultado errava os requisitos de negócio e estava cheio de bugs. A intenção de melhorar meu código era boa, mas a atitude de “o Claude termina isso” foi ofensiva
Agora nem existe mais a liberdade de dizer “não sei”. Com uma linha de prompt sai uma resposta, então até dev backend acaba tendo que assumir frontend também
Na empresa, por causa da IA, o trabalho virou uma faxina sem fim
Desenvolvedores mais seniores me passam código gerado por IA, e eu sofro para arrumar aquilo
Por exemplo, tivemos de integrar ao código principal uma feature feita por outro time, mas o design da API não batia em nada e havia montanhas de código desnecessário
No fim, atrasei mais de uma semana refatorando tudo, e ainda pareceu que eu era o lento da história
Já em projetos pessoais, a IA é divertida porque permite experimentar rápido e aprender
Mas, na empresa, dá para ver um futuro em que desenvolvedores de nível pleno desaparecem. Só ficam líderes e juniores, e a camada do meio vai encolhendo cada vez mais
Eu não uso IA de jeito nenhum. Conheço bem meu estilo de preguiça, então sei que, se eu começar, minha habilidade vai se deteriorar
Um colega já percebeu isso e parou de gerar código, mas disse que era viciante porque é confortável demais
Outro colega sentiu que código de IA não serve para manutenção e também parou. Em vez disso, usa só para perguntas
Um júnior, pelo contrário, realmente piorou. A estrutura do código mostra claramente que foi a IA que escreveu
Quando estou com pressa, no máximo uso como referência rápida de API
Mas não acho logicamente convincente a ideia de que código de IA não pode ser mantido. Se não gostar, é só gerar de novo
Já vi caso em que a IA reescreveu um framework inteiro
O valor do engenheiro está na compreensão. Automação sem compreensão é degradação do capital humano
Sou engenheiro na Amazon e uso o harness interno Kiro e o Opus 4.6
Minha produtividade melhorou de 2x a 4x no trabalho e mais de 10x em projetos paralelos
Antes eu precisava fazer hora extra; agora, mesmo trabalhando em horário comercial, entrego mais funcionalidades
A IA é útil não só para codar, mas também para automação de deploy, análise de dados e debugging
Por exemplo, depois de alterar código, a IA roda sozinha o loop de deploy no ambiente gamma e validação pelos logs do CloudWatch
Graças a isso, completei em duas semanas o equivalente a um mês de funcionalidades. Não entendo quem diz que SWE será o primeiro a ser automatizado
LLM tem limitações, mas mesmo no nível atual já está mudando o panorama da engenharia de software
kubectle MCP foi outro nívelSó me preocupa a explosão de código ruim gerado por IA
Trabalho em uma FAANG. No trabalho, a IA quase não ajuda
No máximo serve para resumir documentos de design ou buscar código. Na prática, nunca recebi um commit que realmente funcionasse
Também não vi ninguém ao meu redor usar isso com sucesso.
Mas, em projetos pessoais, em tarefas pequenas e novas, ela é claramente 10x mais rápida
Acho que é porque o codebase da empresa é grande e complexo demais
95% funcionou perfeitamente, e até dá para prever onde vão aparecer problemas
Quando um colega pediu amostragem de dados, também resolvi na hora
Coisas que antes levavam horas eu termino no meio de uma conversa
O que eu não conseguia fazer, agora consigo; o que era difícil, ficou fácil; o que era fácil, ficou mais rápido
Prototipagem ficou mais rápida, e já teve caso de o LLM apontar defeitos no design de API
Mas, como gerar código rápido demais ultrapassa a velocidade de review, a chave é gerar em partes pequenas
Também ajuda muito a ajustar testes e rastrear erros de build externos
Faz tempo que eu não me divertia tanto trabalhando assim, mas ao mesmo tempo a ansiedade com emprego é grande
Então é natural que os resultados sejam imprecisos
Trabalho numa big tech, e o codebase é enorme e complexo
No começo eu rejeitava IA, mas agora ela ajuda muito na exploração do código e compreensão da estrutura
Análises que antes levavam dias agora a IA faz no meu lugar
Geração de código eu uso mais para aliviar boilerplate. A qualidade é baixa, mas ainda assim é um pouco mais rápido do que escrever tudo à mão
Em projetos pessoais não faz tanta diferença, mas gosto de organizar o pensamento conversando com o ChatGPT
No fim, o importante é que a pessoa entenda o contexto e valide o resultado
Trabalho como freelancer há muito tempo, e a IA quase não ajuda na produtividade
Quando reviso código para entregar a clientes, sempre vejo complexidade desnecessária, problemas de performance e riscos de manutenção
Claro, para automações simples ela até serve, mas no geral acaba dando mais trabalho
Se você diz que terminou rápido, desconfiam da qualidade, e ainda tem que arcar com o custo dos modelos
No fim, você passa o dia inteiro brigando com o terminal. Pelo menos surgiram várias TUIs bonitas
Para mim, a IA dá mais prejuízo do que lucro
É boa para code review e busca, mas na hora de programar de verdade sempre preciso reescrever tudo
O resultado parece código escrito por aluno que só quer passar na prova
Eu sempre tento de novo pensando “dessa vez vai”, mas no fim é perda de tempo. Lembra a época da febre dos frameworks JavaScript
A questão é se qualidade de código realmente importa tanto assim
Se houver modularização suficiente, um módulo ruim é algo que você pode simplesmente gerar de novo
E isso me deixa ainda mais inquieto. Talvez realmente estejamos prestes a ser substituídos
Surpreendentemente, achei curioso o HN estar tão pessimista em relação à IA
Sou engenheiro com 10 anos de experiência, e metade do que o Twitter fala é verdade
Nosso time mantém um app com 100 mil DAU usando só 3 pessoas. Antes isso exigiria 10
Não temos lista de bugs, e a qualidade do código não está pior do que era com código escrito à mão
A frequência de refatoração até aumentou, e a velocidade explodiu. Estou muito satisfeito
Só que, no momento, ela continua adicionando código sem parar, então há risco de a complexidade explodir
Mesmo assim, daqui a 6 meses tudo pode estar completamente diferente. É empolgante e assustador ao mesmo tempo
Mas, quanto menor o time, mais a IA está gerando produtividade explosiva