Um desenvolvedor iniciante pode pedir a um assistente de IA que use uma biblioteca desconhecida, receber código funcional e seguir em frente. O recurso talvez esteja pronto antes que o desenvolvedor entenda por que funciona. Isso importa na próxima falha do código, mudança de requisito ou decisão sobre a segurança da correção sugerida pelo assistente.

O engenheiro de software Alexandru Nedelcu levantou essa preocupação em um ensaio de 22 de setembro. Ele argumenta que desenvolvedores formam seu discernimento lendo código, tomando decisões e lidando com os erros. Sua previsão de que algumas empresas anunciarão políticas contra IA é uma opinião, não uma mudança observada no setor. Um experimento separado, publicado em janeiro, apresenta a questão da aprendizagem de forma mais restrita e testável: o que os programadores entenderam logo após concluir uma tarefa com ajuda de IA? O relato da pesquisa da Anthropic

A grande mudança

  • O que mudou: A IA facilita a entrega de software pronto sem que a pessoa tenha percorrido sua lógica. Ela pode fornecer uma implementação antes que alguém em início de carreira pratique as decisões necessárias para explicá-la ou corrigi-la.
  • Por que isso importa: Gestores podem aumentar a produção hoje e, ao mesmo tempo, enfraquecer o caminho pelo qual profissionais iniciantes se tornam as pessoas capazes de diagnosticar as falhas de amanhã. O risco é maior quando a tarefa envolve conceitos desconhecidos; a ajuda em trabalhos familiares ainda pode ser valiosa.
  • O que observar: As equipes podem começar a tratar a aprendizagem como parte da entrega, reservando tempo para explicar, diagnosticar e adaptar o trabalho feito com ajuda de IA. Nesse caso, exercícios de contratação e produtos de programação podem valorizar o entendimento demonstrado junto com a velocidade.

Concluir uma tarefa e aprender uma habilidade são resultados diferentes

Em um estudo randomizado com 52 programadores, os participantes usaram uma biblioteca Python desconhecida, chamada Trio, para concluir duas tarefas de programação. Metade tinha acesso a um assistente de IA no ambiente de programação; a outra metade, não. Todos sabiam que fariam um teste depois. Pouco após o trabalho, o teste avaliou conceitos, leitura de código e depuração.

O grupo com IA teve média de 50%, contra 67% no grupo que trabalhou sem IA: uma diferença de 17 pontos percentuais, não uma queda relativa de 17%. A maior diferença apareceu nas questões de depuração. Em média, o grupo com IA terminou cerca de dois minutos mais rápido, mas essa diferença de tempo não foi estatisticamente significativa. São resultados de um contato breve com uma única biblioteca e de um teste imediato, não uma medição de carreiras de desenvolvedores ou da qualidade de um sistema em produção. Resultados e limites apontados pelos pesquisadores

Os pesquisadores também observaram como os participantes usavam o assistente. Alguns delegaram em grande parte a escrita e a depuração do código; outros pediram explicações ou trabalharam os conceitos por conta própria. Os padrões de maior envolvimento tenderam a obter pontuações melhores, mas esses grupos pequenos foram identificados depois do experimento. A randomização definiu quem teria acesso à IA, não uma forma específica de conversar com ela. Pedir uma explicação pode ajudar alguém a aprender, mas o estudo não prova que um prompt ou fluxo de trabalho evite a lacuna de aprendizagem. A análise das interações no artigo

Um erro costuma ser o momento em que alguém iniciante aprende o que uma biblioteca pressupõe. Se o assistente assumir tanto a implementação inicial quanto o reparo, o desenvolvedor talvez encontre menos dessas suposições. Essa é uma explicação possível para a diferença em depuração.

A velocidade também conta, e a tarefa muda a resposta

Em outras condições, a assistência de IA também acelerou a programação. Em um experimento controlado com o GitHub Copilot, 95 profissionais autônomos foram designados para criar um servidor HTTP em JavaScript. Entre os que concluíram a tarefa, o grupo com Copilot levou em média cerca de 71 minutos, contra 161 minutos no grupo de controle, uma redução de 55,8% no tempo de conclusão. Os pesquisadores não testaram o que esses programadores aprenderam depois. A tarefa era uma implementação delimitada, não uma introdução a uma biblioteca desconhecida seguida de um teste de compreensão.

Os dois resultados podem ajudar gestores. Se um desenvolvedor experiente usa IA para eliminar trabalho repetitivo, a economia de tempo pode ser real. Quando o objetivo é aprender um sistema novo, a produção mais rápida e o entendimento mais sólido precisam ser verificados separadamente. Uma proibição geral de IA descartaria possíveis ganhos sem responder como as pessoas aprendem a supervisionar o trabalho.

O ensaio de Nedelcu vai além do experimento. Ele argumenta que a facilidade de manutenção só se revela ao longo de meses ou anos e que a experiência cresce quando se assume a responsabilidade pelos erros. O estudo não mede a facilidade de manutenção no longo prazo nem mostra que usuários de IA deixem completamente de aprender. A provocação útil dele é organizacional: se uma equipe delega cada vez mais o trabalho de prática, onde os futuros responsáveis pela solução de problemas vão adquirir essa experiência? O ensaio de Nedelcu

Dê ao aprendiz algo a demonstrar depois que o código funciona

Uma resposta prática é passar uma tarefa com ajuda de IA a alguém iniciante e, depois, pedir uma breve verificação independente antes de considerar que houve aprendizagem. Este é um exercício que propomos, não uma intervenção testada por qualquer um dos estudos:

  1. Explique: Sem pedir ajuda ao assistente, descreva por que a parte desconhecida do código funciona, o que ela pressupõe e o que poderia fazê-la falhar. Um engenheiro sênior pode fazer uma pergunta complementar ligada à alteração real.
  2. Diagnostique: Introduza uma falha pequena e realista em um ramo de teste seguro. Peça ao aprendiz que encontre a causa e diga qual observação descartou uma correção errada, mas tentadora. O objetivo é avaliar o raciocínio, não a memorização de um comando.
  3. Adapte: Altere um requisito e peça ao aprendiz que revise a implementação e os testes. Ele pode usar IA, mas deve conseguir justificar o novo comportamento e indicar o que ainda precisa verificar.

Por exemplo, depois que um assistente escrever uma nova operação assíncrona, um revisor pode perguntar o que acontece se ela for cancelada no meio da execução. O desenvolvedor deve conseguir acompanhar o fluxo e testar um requisito alterado. Uma revisão de código pode encontrar um defeito, mas deixar o aprendiz despreparado para lidar com o próximo. A verificação proposta pergunta se o conhecimento acompanha o código entregue.

Isso não precisa transformar cada tarefa rotineira em uma prova. A equipe pode reservar o exercício para bibliotecas desconhecidas, falhas recorrentes ou trabalhos que se espera que um colega iniciante assuma depois. É preciso pagar o tempo e contar com um revisor que conheça o sistema. Se a gestão contabilizar apenas tarefas integradas e tempo economizado, esses custos podem ser os primeiros a desaparecer. Isso agravaria o problema de treinamento mesmo que a produção de hoje aumentasse.

A questão da aprendizagem profissional chega à contratação e ao design de produtos

Cargos de início de carreira muitas vezes combinam entrega com prática supervisionada. A IA muda esse acordo quando um candidato consegue mostrar um recurso final impressionante sem demonstrar como raciocinou para criá-lo. Empregadores poderiam pedir que candidatos expliquem e modifiquem um pequeno trecho de trabalho, em vez de tratar um repositório bem acabado como prova de habilidade independente. Essa é uma resposta de contratação proposta, não uma evidência de tendência atual. O teste deve avaliar as habilidades realmente necessárias para o cargo, não exigir que todos trabalhem sem ferramentas.

Produtos de programação enfrentam uma escolha relacionada. Um assistente pode otimizar para dar uma resposta rápida ou facilitar a inspeção de pressupostos, permitir perguntas conceituais e testar uma alteração antes de revelar a solução. Os padrões de interação observados no estudo fazem valer a pena experimentar o segundo tipo de design, embora não demonstrem que uma interface específica ensine melhor. Para empregadores, a pergunta correspondente na hora de comprar é se a ferramenta ajuda a equipe a aprender a revisar e alterar o resultado, não apenas quanto código ela gera.

O teste curto não pode prever quem se tornará especialista em cinco anos. Ele mostra por que uma implementação aceita é um substituto fraco para evidências de compreensão em uma tarefa desconhecida. Equipes que querem automação e uma próxima geração competente precisam abrir espaço para a prática e verificar o que as pessoas conseguem fazer quando a resposta muda.