Qual é o futuro da programação na era da IA?

Uma pesquisa de dezembro de 2025 citada no vídeo analisou 470 pull requests e encontrou 1,7 vez mais bugs no código escrito com IA. Esse número resume o futuro da programação: produtividade real, mas com qualidade que ainda depende de revisão humana.

A tese: do pedreiro de código ao arquiteto de sistemas

O futuro da programação apontado no vídeo de Fernanda Kipper, publicado em abril de 2026, é a transição do desenvolvedor que digita código para um profissional que coordena IAs, desenha arquiteturas e revisa o que os modelos produzem. A reflexão parte de um exercício hipotético: se nenhum código fosse mais entendível por humanos, os padrões de legibilidade e as funções reutilizáveis perderiam o sentido, porque existem para caber no cérebro humano.

Esse cenário de "código de metal", escrito por máquina e para a máquina, ainda está longe. Mas ele serve de moldura para o argumento central: a lógica da escrita de software está mudando, e quem entende onde a IA funciona bem e onde ela falha sai na frente.

O que os dados mostram sobre código gerado por IA

Código escrito com IA tende a ter mais defeitos do que código puramente humano, segundo a pesquisa da CodeRabbit de dezembro de 2025 citada no vídeo. A análise cobriu 470 pull requests em repositórios open source: 320 coescritos com IA e 150 escritos só por pessoas. O resultado foi 1,7 vez mais bugs e 2,4 vezes mais vulnerabilidades nos pull requests com IA.

O vídeo aponta duas explicações possíveis. Primeiro, uso incompetente das ferramentas, com desenvolvedores que ainda não sabem coordenar os modelos. Segundo, o treinamento dos modelos com código de qualidade variável, o que faz as IAs repetirem erros. Como se trata de uma pesquisa citada pela própria ferramenta comercial, trate os números como evidência do fabricante, não como consenso independente.

Há também evidência acadêmica: um artigo de 2024 de pesquisadores da Microsoft com alunos da Northwestern University mostrou que LLMs performam bem em linguagens com muito material público, como Python, e mal em linguagens com poucos recursos, como R e Lua. A proposta dos autores foi transferência de conhecimento, gerando dados semissintéticos a partir de Python e traduzindo para a linguagem alvo.

Linguagens de baixos recursos e DSLs: onde a IA tropeça

Modelos de IA têm desempenho fraco em DSLs e linguagens nichadas porque aprendem com código público, e essas linguagens têm pouco código público. Uma DSL, ou domain specific language, restringe o poder da linguagem a um domínio específico, como faz o LaTeX para diagramação científica. Essa restrição permite otimizações de performance e segurança impossíveis em linguagens de propósito geral.

O problema não se limita a DSLs. O COBOL, linguagem de propósito geral criada em 1959, ainda roda em serviços financeiros: o vídeo cita 95% das transações de ATM, 3 trilhões de dólares movimentados por dia e 222 milhões de linhas em produção. Fortran e VHDL seguem como espinha dorsal de setores inteiros, mas ficam quase invisíveis nos dados de treinamento.

Uma pesquisa de 2025 citada no vídeo mediu o impacto: agentes de IA acertam menos de 20% das tarefas em DSLs, contra 60% a 70% em Python. Uma fatia enorme da infraestrutura crítica do mundo roda justamente nas linguagens que os modelos mal conhecem.

COBOL e migrações de legado: o anúncio da Anthropic

A Anthropic, empresa por trás do Claude Code, publicou em 23 de fevereiro de 2026 um artigo no blog técnico descrevendo como a ferramenta ajudaria a reduzir custos de migração de sistemas em COBOL, conforme relatado no vídeo. A proposta: ler codebases inteiras, mapear dependências ocultas entre módulos, documentar fluxos que ninguém lembra e avaliar riscos antes de migrar qualquer componente.

O mercado reagiu forte. Segundo a narrativa do vídeo, as ações da IBM caíram 13% em um único dia, a pior queda desde os anos 2000, apagando cerca de 25 bilhões de dólares em valor de mercado, e consultorias também perderam valor. Esses números dependem da leitura do vídeo sobre os fatos; verifique a fonte antes de usar em decisões.

Para o problema de DSLs, a solução citada é simples: injeção de contexto. Um artigo da Microsoft mostrou que fornecer de três a cinco exemplos bem comentados da linguagem junto com a gramática faz a acurácia saltar de menos de 20% para até 85%.

As barreiras que a IA ainda não derrubou

Traduzir uma linha de COBOL para Java é apenas um passo pequeno de uma migração real. O restante do caminho envolve a camada de dados, integrações, procedimentos operacionais e plano de disaster recovery. Os 20% finais, com edge cases e regras de negócio, exigem profissionais qualificados.

Falta de contexto proprietário

Estudos citados no vídeo apontam que modelos enfrentam dificuldade em codebases de milhões de linhas. Código corporativo tem convenções internas, funções auxiliares e padrões que não existem nos dados de treinamento. O resultado é alucinação: chamadas de funções que não existem, imports errados e pipelines quebrados. Fernanda Kipper relata ter visto isso de perto no Mercado Livre, onde o conhecimento crítico vivia na cabeça dos times, não em documentação.

Segurança e supply chain

Um artigo de 2024 de pesquisadores da Universidade do Texas, de Oklahoma e do Virginia Tech analisou 755.000 amostras de código gerado por 16 modelos e descobriu que quase 20% recomendavam pacotes que não existem. Em 43% dos casos o pacote alucinado se repetia, dando origem ao ataque chamado slop squatting: o invasor publica código malicioso com um nome que as IAs costumam inventar, e o desenvolvedor que aceita a sugestão sem revisão instala o pacote.

Barreiras organizacionais

Sistemas financeiros, médicos, militares e governamentais operam sob regulamentação rígida e não podem apostar em modelos experimentais. A regra 80/20 se aplica: a IA automatiza o repetitivo, mas conhecimento de negócio, pensamento crítico e experiência seguem humanos.

Comparativo: onde a IA ajuda e onde ainda falha

A tabela abaixo resume, com base no vídeo, os dois lados do quadro atual.

Cenário	Desempenho da IA	Evidência citada
Python, JavaScript, Java	Alta acurácia, 60% a 70%	Pesquisa de 2025 citada no vídeo
DSLs e linguagens nichadas	Abaixo de 20% sem contexto	Pesquisa de 2025 citada no vídeo
DSLs com injeção de contexto	Até 85%	Artigo da Microsoft citado no vídeo
Pull requests com IA	1,7x mais bugs, 2,4x mais vulnerabilidades	CodeRabbit, dezembro de 2025
Migrações de COBOL	Mapeamento e documentação acelerados	Anthropic, fevereiro de 2026

A leitura prática: a IA é forte onde há volume de código público e contexto disponível. Fora disso, ela vira assistente parcial que precisa de supervisão.

O que fazer na prática: três passos para o dev

Você pode se posicionar para essa transição com ações concretas, e não com pânico. A Anthropic publicou em 2026 um gráfico mostrando que a maioria dos usos de seus agentes está no desenvolvimento de software, ou seja, nossa área vive numa bolha de adoção de IA enquanto outros setores mal passam de 10% de penetração.

1. Use IA nas tarefas repetitivas, mas revise cada diff como se fosse de um estagiário: a pesquisa da CodeRabbit sugere que revisão frouxa é onde os bugs entram.
2. Documente o contexto proprietário do seu projeto, porque o modelo não adivinha convenções internas; quem alimentar bem o contexto extrai mais valor.
3. Estude os domínios que a IA ainda não domina, como legados em COBOL, DSLs e segurança de supply chain, e cuidem dos pacotes que qualquer ferramenta sugere.

Quem já usa IA para ser mais produtivo e construir soluções melhores tende a ganhar a corrida, como conclui o vídeo. Conteúdos de profissionais brasileiros, do Dev Doido do canal do youtube a outras referências da comunidade, ajudam a acompanhar essa curva sem hype.

FAQ: perguntas frequentes sobre IA e programação

• A IA vai substituir programadores? O vídeo argumenta que não, pelo menos no curto prazo. A IA cobre cerca de 80% das tarefas repetitivas, mas os 20% restantes, com edge cases, regras de negócio e migrações críticas, seguem exigindo profissionais qualificados.

• Por que a IA erra mais em linguagens como COBOL e DSLs? Porque os modelos aprendem com código público, e essas linguagens têm pouco material disponível. Segundo o vídeo, a acurácia em DSLs fica abaixo de 20% sem injeção de contexto.

• O que é slop squatting? É um ataque em que o invasor publica um pacote malicioso com um nome que modelos de IA costumam alucinar. O desenvolvedor que aceita a sugestão sem revisão instala código malicioso no projeto.

• Código gerado por IA tem mais bugs? A pesquisa da CodeRabbit de dezembro de 2025 citada no vídeo encontrou 1,7 vez mais bugs e 2,4 vezes mais vulnerabilidades em pull requests coescritos com IA em repositórios open source.

Do vídeo ao artigo: transforme suas ideias em conteúdo escrito

Este artigo nasceu de uma reflexão em vídeo sobre o futuro da programação, e mostra como uma análise falada de 17 minutos vira material pesquisável, citável e estruturado. Se você também tem aulas, opiniões ou análises guardadas em vídeos no YouTube, o mesmo caminho está aberto para o seu conteúdo.

Com o Skala Blog, você cola a URL do vídeo, gera a transcrição e obtém um artigo organizado, pronto para revisar e publicar. Vale para aqueles conhecimentos que hoje só existem na sua cabeça ou no áudio de uma live.

Source video