Mudança no papel do desenvolvedor na era da programação com IA: de executor de código a arquiteto de contexto, validação e produtização

baeba · 2026-07-06T10:13:13+09:00

Visão geral resumida Argumento central À medida que a IA alcança um nível em que escreve, modifica e testa código diretamente, o papel do desenvolvedor está migrando de uma atuação centrada em codificação simples para definição de problemas, desenho do trabalho, validação, gestão de contexto e apoio à produtização. Causas estruturais A IA aumentou muito a velocidade de produção de código, mas código não se transforma automaticamente em um bom produto. Áreas não ligadas diretamente à codificação, como requisitos, documentação, testes, estruturação, julgamento de UX e capacidade de manutenção, ganharam ainda mais importância. Principais casos A experiência de fazer a IA executar até testes de navegador por meio do Playwright. A experiência de especificar tarefas repetitivas como comandos, skills e workflows. Um caso em que um protótipo de frontend feito com IA parecia excelente por fora, mas tinha uma estrutura interna frágil. Direção da solução Não basta delegar apenas o código à IA; é preciso desenhar junto os processos e critérios de todo o ciclo de desenvolvimento. O desenvolvedor precisa revisar os resultados da IA, registrar o contexto e organizar a estrutura para que eles evoluam para um produto sustentável. Introdução A transição na era da programação com IA O texto parte da pergunta: “o que o desenvolvedor deve fazer numa era em que as pessoas não programam diretamente?”. No passado, o autor considerava que, como a IA gerava alucinações e erros, o julgamento final precisava ser humano. Porém, com a melhora recente do desempenho dos modelos, ele avalia que a IA chegou ao ponto de conseguir identificar issues, explorar arquivos, modificar código e até passar nos testes. Com essa mudança, o desenvolvedor deixa de usar a IA apenas como ferramenta auxiliar e passa a pensar em como fazer a própria IA executar o processo de desenvolvimento. A consciência central do problema O fato de a IA ter ficado boa em escrever código não significa que o papel do desenvolvedor desapareceu. Pelo contrário: quanto mais a codificação é automatizada, mais os outros elementos do desenvolvimento ficam evidentes. Organização de requisitos, registro de decisões, desenho de testes, gestão da estrutura do código e revisão da experiência do produto passam a ser tarefas centrais do desenvolvedor. Desenvolvimento 1. A IA deixou de ser uma ferramenta de escrita de código para se tornar um agente de execução de tarefas O autor entende que a IA já ultrapassou o nível de apenas gerar trechos de código e passou a conseguir lidar com fluxos reais de trabalho de desenvolvimento. Antes, era necessário que uma pessoa vigiasse e corrigisse continuamente os resultados da IA, mas agora se tornou possível delegar o trabalho à IA e revisar o resultado depois. A melhora de desempenho em benchmarks como o SWE Bench é citada como um indicador dessa mudança. A transformação central não é mais “a IA consegue escrever código?”, e sim “até que ponto é possível delegar tarefas à IA?”. 2. Quando a IA falha, o problema não é apenas “falta de capacidade” A IA ainda não acerta sempre. Há casos em que os erros se repetem ou em que ela diz ter corrigido algo, mas o problema continua na tela real. No início, o autor lidava com isso copiando o erro manualmente e repassando-o à IA. Depois, ao usar o Playwright para fazer a IA abrir o navegador e testar diretamente, ele percebeu que até o processo de validação antes feito por humanos podia ser delegado à IA. Esse caso mostra que parte do que parecia ser limitação da IA era, na verdade, consequência de o usuário não ter dado a instrução necessária. 3. O pensamento AI Native é uma forma de delegar o processo inteiro O autor abandona a visão da IA como simples ferramenta de apoio e passa a orientá-la para executar todo o processo que antes ele próprio realizava. Ele tenta transformar tarefas repetitivas em comandos, skills e workflows, explicitando seu conhecimento tácito. Como exemplo, cria um fluxo de comandos como /plan, /prd, /debug, /refactor, /verify, /retrospect. O ponto importante não é apenas dizer à IA “escreva o código”, mas também definir regras sobre quando perguntar, quando parar e quando validar. Com isso, o desenvolvedor transforma seu modo de trabalhar e seus critérios de julgamento em uma estrutura reutilizável pela IA. 4. O know-how individual é rapidamente absorvido como funcionalidade das ferramentas Os comandos e workflows que o autor criava por conta própria passam, com o tempo, a aparecer como recursos e conceitos oficiais, como Skill, memory, hooks e orchestration. Metodologias individuais de uso da IA, quanto mais eficazes são, mais rapidamente tendem a ser incorporadas como funcionalidades de produto ou metodologias comuns. Por isso, apenas bons prompts ou dicas específicas de uso de IA dificilmente geram diferenciação duradoura. O mais importante não é a metodologia em si, mas até onde ela foi aplicada em problemas reais e quais limites foram vivenciados nesse processo. 5. A IA amplia o tamanho dos problemas que um desenvolvedor consegue enfrentar A IA faz com que o autor consiga experimentar, na prática, ideias grandes que antes ele não tentava por causa de custo e tempo. Por exemplo, ele constrói rapidamente ferramentas para visualizar código e documentação como se fossem um canvas, um visualizador de MD, ferramentas de análise de código e utilitários de apoio ao desenvolvimento. O ponto central não é que a IA entregue imediatamente um produto final, e sim que ela reduz a barreira para começar. O desenvolvedor deixa de pensar “será que dá para construir isso?” e passa a pensar “até onde dá para levar isso por enquanto?”. 6. Ao lidar com problemas maiores, surgem tarefas de desenvolvimento além da codificação Quando a IA aumenta o volume de código produzido, fica mais difícil para o desenvolvedor ler tudo pessoalmente e manter todo o contexto na cabeça. Ao programar diretamente, contexto, julgamento e compreensão estrutural se acumulavam naturalmente; ao delegar a codificação à IA, isso não fica registrado automaticamente. Por isso, documentação, testes, issues, relatórios de trabalho e registros do motivo das mudanças se tornam importantes. Isso não é apenas trabalho de gestão, mas um mecanismo central para manter o contexto de desenvolvimento na era da IA. O texto destaca que preservar contexto e critérios de julgamento passa a ser tão importante quanto habilidade de codificação. 7. Mais commits e mais testes não significam, por si só, melhora do produto Com o uso de IA, a quantidade de commits, arquivos, testes e documentos cresce rapidamente. Mas o aumento desses números não significa que o produto realmente ficou melhor. Funcionalidades podem ser adicionadas, mas com UX estranha, ou os testes podem passar enquanto o fluxo real da interface continua instável. No início, o autor tentou enxergar isso apenas como um problema de qualidade de código e estrutura. Mas ele percebeu que melhorar a estrutura do código não melhora automaticamente a experiência do produto. No fim, produção de código e melhoria de produto são problemas diferentes, e o julgamento sobre qualidade de produto precisa existir separadamente. 8. O frontend é uma área especialmente sujeita a oscilações com IA A IA consegue criar rapidamente uma UI inicial convincente para dashboards, landing pages e telas administrativas. Porém, um frontend em nível de produto real exige critérios complexos, como design system, gestão de estado, acessibilidade, navegação por teclado, estados de exceção e fluxo do usuário. Muitas exigências de frontend são expressas em linguagem vaga, como “mais natural”, “menos estranho” ou “passar sensação de item selecionado”. A IA tende a divergir facilmente ao tentar converter esse tipo de exigência ambígua em código. Por isso, para usar bem a IA em frontend, é preciso ter critérios e capacidade de julgamento para fixar o que saiu bom e mandar revisar apenas o que está faltando. 9. Bons resultados não surgem de uma vez, mas de um processo de convergência O autor muda de percepção ao ver um protótipo altamente refinado criado com IA por um planejador. O resultado não foi feito com um único prompt especial, mas sim por meio de revisões repetidas “até funcionar”. Esse caso mostra que o ponto central no uso da IA não é a geração automática simples, mas um processo de convergência em que se observa continuamente o que falta e se pede de novo. Quem produz bons resultados é quem consegue julgar o que está faltando no output da IA e ajustá-lo persistentemente até atingir o nível desejado. Mesmo na era da IA, critérios humanos, sensibilidade e revisão contínua continuam sendo o que cria diferença no resultado final. 10. O desenvolvedor assume o papel de levar resultados promissores até um produto Resultados criados com IA podem parecer bons por fora, mas ter uma estrutura interna frágil. Podem surgir problemas como gestão de estado instável, responsabilidade ambígua entre componentes e testes que não garantem o fluxo real. O papel do desenvolvedor não é simplesmente avaliar esse tipo de resultado de forma negativa ou descartá-lo. Ao mesmo tempo, também não se deve transformá-lo diretamente em produto. O desenvolvedor precisa organizar a estrutura, sinalizar riscos, criar unidades testáveis e deixar o contexto registrado para que um resultado promissor possa ir mais longe. Em outras palavras, o papel do desenvolvedor se expande: de “alguém que constrói tudo sozinho até o fim” para “alguém que leva resultados produzidos por IA e humanos a se tornarem produtos sustentáveis”. 11. O papel do desenvolvimento na era da IA não converge para uma única função Quando a barreira da codificação diminui, também se diversificam os tipos de pessoas que participam do desenvolvimento. Planejadores, designers, PMs e profissionais de áreas de negócio também podem criar protótipos funcionais ou ferramentas internas usando IA. Isso não significa que a necessidade de desenvolvedores desapareça, mas sim que os papéis relacionados ao desenvolvimento se tornam mais especializados. O autor compara isso ao ecossistema do YouTube. Assim como o YouTube não eliminou os especialistas em vídeo, mas diversificou funções como apresentador, editor, planejador, operador de canal e criador da plataforma, a IA também pode diversificar os papéis no desenvolvimento. Daqui para frente, é grande a chance de coexistirem pessoas que constroem sistemas profundos, pessoas que refinam protótipos até virarem produto, pessoas que criam camadas para a IA trabalhar bem e pessoas que resolvem problemas diretamente. Conclusão O desenvolvedor precisa desenhar o desenvolvimento depois da codificação A conclusão do texto não é o dilema “devemos continuar programando ou abandonar isso?”. Já que a IA passou a conseguir executar a codificação, o desenvolvedor precisa aprender, na prática, o que delegar à IA e o que julgar diretamente por conta própria. Em especial, as seguintes capacidades se tornam mais importantes. Capacidade de definir problemas em maior escala Capacidade de transformar procedimentos repetitivos em skills e workflows Capacidade de estruturar requisitos, documentação, testes e issues Capacidade de revisar os outputs da IA e redirecionar o que estiver insuficiente Capacidade de refinar resultados brutos até se tornarem produtos sustentáveis Capacidade de conectar a IA também a ferramentas e fluxos de trabalho fora do código Mensagem central A IA não é tão perfeita quanto alguns desenvolvedores esperam, mas consegue fazer muito mais do que se imagina. Antes de concluir que a IA não consegue fazer algo, é preciso experimentar até onde ela realmente pode ir. Por outro lado, o fato de a IA facilitar muito certas tarefas não significa que seus resultados devam ser aceitos sem revisão. O desenvolvedor precisa assumir o papel de julgar, convergir, preservar contexto e transformar em produto aquilo que a IA produz. No fim, o desenvolvedor da era da IA se aproxima menos de alguém que escreve muito código diretamente e mais de alguém que desenha problemas, processos, critérios e contexto para que outputs produzidos por IA e humanos levem a resultados melhores.

(velog.io/@teo)

6 pontos por baeba 5 시간 전 | Ainda não há comentários. | Compartilhar no WhatsApp

Visão geral resumida

Argumento central
- À medida que a IA alcança um nível em que escreve, modifica e testa código diretamente, o papel do desenvolvedor está migrando de uma atuação centrada em codificação simples para definição de problemas, desenho do trabalho, validação, gestão de contexto e apoio à produtização.
Causas estruturais
- A IA aumentou muito a velocidade de produção de código, mas código não se transforma automaticamente em um bom produto.
- Áreas não ligadas diretamente à codificação, como requisitos, documentação, testes, estruturação, julgamento de UX e capacidade de manutenção, ganharam ainda mais importância.
Principais casos
- A experiência de fazer a IA executar até testes de navegador por meio do Playwright.
- A experiência de especificar tarefas repetitivas como comandos, skills e workflows.
- Um caso em que um protótipo de frontend feito com IA parecia excelente por fora, mas tinha uma estrutura interna frágil.
Direção da solução
- Não basta delegar apenas o código à IA; é preciso desenhar junto os processos e critérios de todo o ciclo de desenvolvimento.
- O desenvolvedor precisa revisar os resultados da IA, registrar o contexto e organizar a estrutura para que eles evoluam para um produto sustentável.

Introdução

A transição na era da programação com IA

O texto parte da pergunta: “o que o desenvolvedor deve fazer numa era em que as pessoas não programam diretamente?”.
No passado, o autor considerava que, como a IA gerava alucinações e erros, o julgamento final precisava ser humano.
Porém, com a melhora recente do desempenho dos modelos, ele avalia que a IA chegou ao ponto de conseguir identificar issues, explorar arquivos, modificar código e até passar nos testes.
Com essa mudança, o desenvolvedor deixa de usar a IA apenas como ferramenta auxiliar e passa a pensar em como fazer a própria IA executar o processo de desenvolvimento.

A consciência central do problema

O fato de a IA ter ficado boa em escrever código não significa que o papel do desenvolvedor desapareceu.
Pelo contrário: quanto mais a codificação é automatizada, mais os outros elementos do desenvolvimento ficam evidentes.
Organização de requisitos, registro de decisões, desenho de testes, gestão da estrutura do código e revisão da experiência do produto passam a ser tarefas centrais do desenvolvedor.

Desenvolvimento

1. A IA deixou de ser uma ferramenta de escrita de código para se tornar um agente de execução de tarefas

O autor entende que a IA já ultrapassou o nível de apenas gerar trechos de código e passou a conseguir lidar com fluxos reais de trabalho de desenvolvimento.
Antes, era necessário que uma pessoa vigiasse e corrigisse continuamente os resultados da IA, mas agora se tornou possível delegar o trabalho à IA e revisar o resultado depois.
A melhora de desempenho em benchmarks como o SWE Bench é citada como um indicador dessa mudança.
A transformação central não é mais “a IA consegue escrever código?”, e sim “até que ponto é possível delegar tarefas à IA?”.

2. Quando a IA falha, o problema não é apenas “falta de capacidade”

A IA ainda não acerta sempre.
Há casos em que os erros se repetem ou em que ela diz ter corrigido algo, mas o problema continua na tela real.
No início, o autor lidava com isso copiando o erro manualmente e repassando-o à IA.
Depois, ao usar o Playwright para fazer a IA abrir o navegador e testar diretamente, ele percebeu que até o processo de validação antes feito por humanos podia ser delegado à IA.
Esse caso mostra que parte do que parecia ser limitação da IA era, na verdade, consequência de o usuário não ter dado a instrução necessária.

3. O pensamento AI Native é uma forma de delegar o processo inteiro

O autor abandona a visão da IA como simples ferramenta de apoio e passa a orientá-la para executar todo o processo que antes ele próprio realizava.
Ele tenta transformar tarefas repetitivas em comandos, skills e workflows, explicitando seu conhecimento tácito.
Como exemplo, cria um fluxo de comandos como /plan, /prd, /debug, /refactor, /verify, /retrospect.
O ponto importante não é apenas dizer à IA “escreva o código”, mas também definir regras sobre quando perguntar, quando parar e quando validar.
Com isso, o desenvolvedor transforma seu modo de trabalhar e seus critérios de julgamento em uma estrutura reutilizável pela IA.

4. O know-how individual é rapidamente absorvido como funcionalidade das ferramentas

Os comandos e workflows que o autor criava por conta própria passam, com o tempo, a aparecer como recursos e conceitos oficiais, como Skill, memory, hooks e orchestration.
Metodologias individuais de uso da IA, quanto mais eficazes são, mais rapidamente tendem a ser incorporadas como funcionalidades de produto ou metodologias comuns.
Por isso, apenas bons prompts ou dicas específicas de uso de IA dificilmente geram diferenciação duradoura.
O mais importante não é a metodologia em si, mas até onde ela foi aplicada em problemas reais e quais limites foram vivenciados nesse processo.

5. A IA amplia o tamanho dos problemas que um desenvolvedor consegue enfrentar

A IA faz com que o autor consiga experimentar, na prática, ideias grandes que antes ele não tentava por causa de custo e tempo.
Por exemplo, ele constrói rapidamente ferramentas para visualizar código e documentação como se fossem um canvas, um visualizador de MD, ferramentas de análise de código e utilitários de apoio ao desenvolvimento.
O ponto central não é que a IA entregue imediatamente um produto final, e sim que ela reduz a barreira para começar.
O desenvolvedor deixa de pensar “será que dá para construir isso?” e passa a pensar “até onde dá para levar isso por enquanto?”.

6. Ao lidar com problemas maiores, surgem tarefas de desenvolvimento além da codificação

Quando a IA aumenta o volume de código produzido, fica mais difícil para o desenvolvedor ler tudo pessoalmente e manter todo o contexto na cabeça.
Ao programar diretamente, contexto, julgamento e compreensão estrutural se acumulavam naturalmente; ao delegar a codificação à IA, isso não fica registrado automaticamente.
Por isso, documentação, testes, issues, relatórios de trabalho e registros do motivo das mudanças se tornam importantes.
Isso não é apenas trabalho de gestão, mas um mecanismo central para manter o contexto de desenvolvimento na era da IA.
O texto destaca que preservar contexto e critérios de julgamento passa a ser tão importante quanto habilidade de codificação.

7. Mais commits e mais testes não significam, por si só, melhora do produto

Com o uso de IA, a quantidade de commits, arquivos, testes e documentos cresce rapidamente.
Mas o aumento desses números não significa que o produto realmente ficou melhor.
Funcionalidades podem ser adicionadas, mas com UX estranha, ou os testes podem passar enquanto o fluxo real da interface continua instável.
No início, o autor tentou enxergar isso apenas como um problema de qualidade de código e estrutura.
Mas ele percebeu que melhorar a estrutura do código não melhora automaticamente a experiência do produto.
No fim, produção de código e melhoria de produto são problemas diferentes, e o julgamento sobre qualidade de produto precisa existir separadamente.

8. O frontend é uma área especialmente sujeita a oscilações com IA

A IA consegue criar rapidamente uma UI inicial convincente para dashboards, landing pages e telas administrativas.
Porém, um frontend em nível de produto real exige critérios complexos, como design system, gestão de estado, acessibilidade, navegação por teclado, estados de exceção e fluxo do usuário.
Muitas exigências de frontend são expressas em linguagem vaga, como “mais natural”, “menos estranho” ou “passar sensação de item selecionado”.
A IA tende a divergir facilmente ao tentar converter esse tipo de exigência ambígua em código.
Por isso, para usar bem a IA em frontend, é preciso ter critérios e capacidade de julgamento para fixar o que saiu bom e mandar revisar apenas o que está faltando.

9. Bons resultados não surgem de uma vez, mas de um processo de convergência

O autor muda de percepção ao ver um protótipo altamente refinado criado com IA por um planejador.
O resultado não foi feito com um único prompt especial, mas sim por meio de revisões repetidas “até funcionar”.
Esse caso mostra que o ponto central no uso da IA não é a geração automática simples, mas um processo de convergência em que se observa continuamente o que falta e se pede de novo.
Quem produz bons resultados é quem consegue julgar o que está faltando no output da IA e ajustá-lo persistentemente até atingir o nível desejado.
Mesmo na era da IA, critérios humanos, sensibilidade e revisão contínua continuam sendo o que cria diferença no resultado final.

10. O desenvolvedor assume o papel de levar resultados promissores até um produto

Resultados criados com IA podem parecer bons por fora, mas ter uma estrutura interna frágil.
Podem surgir problemas como gestão de estado instável, responsabilidade ambígua entre componentes e testes que não garantem o fluxo real.
O papel do desenvolvedor não é simplesmente avaliar esse tipo de resultado de forma negativa ou descartá-lo.
Ao mesmo tempo, também não se deve transformá-lo diretamente em produto.
O desenvolvedor precisa organizar a estrutura, sinalizar riscos, criar unidades testáveis e deixar o contexto registrado para que um resultado promissor possa ir mais longe.
Em outras palavras, o papel do desenvolvedor se expande: de “alguém que constrói tudo sozinho até o fim” para “alguém que leva resultados produzidos por IA e humanos a se tornarem produtos sustentáveis”.

11. O papel do desenvolvimento na era da IA não converge para uma única função

Quando a barreira da codificação diminui, também se diversificam os tipos de pessoas que participam do desenvolvimento.
Planejadores, designers, PMs e profissionais de áreas de negócio também podem criar protótipos funcionais ou ferramentas internas usando IA.
Isso não significa que a necessidade de desenvolvedores desapareça, mas sim que os papéis relacionados ao desenvolvimento se tornam mais especializados.
O autor compara isso ao ecossistema do YouTube.
Assim como o YouTube não eliminou os especialistas em vídeo, mas diversificou funções como apresentador, editor, planejador, operador de canal e criador da plataforma, a IA também pode diversificar os papéis no desenvolvimento.
Daqui para frente, é grande a chance de coexistirem pessoas que constroem sistemas profundos, pessoas que refinam protótipos até virarem produto, pessoas que criam camadas para a IA trabalhar bem e pessoas que resolvem problemas diretamente.

Conclusão

O desenvolvedor precisa desenhar o desenvolvimento depois da codificação

A conclusão do texto não é o dilema “devemos continuar programando ou abandonar isso?”.
Já que a IA passou a conseguir executar a codificação, o desenvolvedor precisa aprender, na prática, o que delegar à IA e o que julgar diretamente por conta própria.
Em especial, as seguintes capacidades se tornam mais importantes.
- Capacidade de definir problemas em maior escala
- Capacidade de transformar procedimentos repetitivos em skills e workflows
- Capacidade de estruturar requisitos, documentação, testes e issues
- Capacidade de revisar os outputs da IA e redirecionar o que estiver insuficiente
- Capacidade de refinar resultados brutos até se tornarem produtos sustentáveis
- Capacidade de conectar a IA também a ferramentas e fluxos de trabalho fora do código

Mensagem central

A IA não é tão perfeita quanto alguns desenvolvedores esperam, mas consegue fazer muito mais do que se imagina.
Antes de concluir que a IA não consegue fazer algo, é preciso experimentar até onde ela realmente pode ir.
Por outro lado, o fato de a IA facilitar muito certas tarefas não significa que seus resultados devam ser aceitos sem revisão.
O desenvolvedor precisa assumir o papel de julgar, convergir, preservar contexto e transformar em produto aquilo que a IA produz.
No fim, o desenvolvedor da era da IA se aproxima menos de alguém que escreve muito código diretamente e mais de alguém que desenha problemas, processos, critérios e contexto para que outputs produzidos por IA e humanos levem a resultados melhores.