Programar Já Não É Suficiente? O Que os Desenvolvedores Precisam de Aprender na Era da Inteligência Artificial
Descubra o que é o AI Stack, como a IA está a transformar o desenvolvimento de software e quais as competências que os programadores precisam de aprender.
Introdução: a programação está a mudar
Durante muitos anos, aprender uma linguagem de programação, dominar as suas principais bibliotecas e desenvolver aplicações funcionais eram passos fundamentais para construir uma carreira como programador. Essa realidade continua a ser válida, mas o contexto está a mudar.
Atualmente, as ferramentas de inteligência artificial conseguem gerar código, criar interfaces, desenvolver funcionalidades e até construir aplicações inteiras a partir de instruções escritas em linguagem natural. Aquilo que antes exigia horas de trabalho pode, em determinadas situações, ser realizado em poucos minutos.
Esta evolução levanta uma questão importante: se a inteligência artificial consegue escrever código, qual será o verdadeiro valor de um programador no futuro?
Recentemente, assisti a um vídeo intitulado Coding Isn't Enough Anymore — Learn the AI Stack, no qual o autor defende que os programadores precisam de ir além da escrita tradicional de código e aprender a trabalhar com o conjunto de tecnologias, ferramentas e práticas que constituem o chamado AI Stack.
A ideia merece atenção. No entanto, acredito que precisa de ser analisada com algum cuidado. A inteligência artificial está a mudar o desenvolvimento de software, mas isso não significa que aprender a programar tenha perdido importância. Pelo contrário, compreender os fundamentos pode tornar-se ainda mais importante num mundo em que produzir código está cada vez mais acessível.
Neste artigo, vou explorar os principais conceitos apresentados no vídeo e partilhar a minha perspetiva sobre aquilo que os programadores, especialmente os iniciantes, devem aprender para se prepararem para os próximos anos.
1. O que é o AI Stack?
O termo AI Stack pode ser entendido como o conjunto de modelos de inteligência artificial, ferramentas, componentes e processos utilizados para construir aplicações e automatizar tarefas com recurso à IA.
Não existe uma única definição universal deste conjunto de tecnologias. A sua composição depende do tipo de aplicação, dos modelos utilizados e dos problemas que se pretende resolver.
Contudo, podemos organizar os principais elementos em seis áreas:
- Modelos de inteligência artificial.
- Utilização eficiente dos modelos.
- Ferramentas que envolvem e complementam os modelos.
- Orquestração de processos.
- Agentes de inteligência artificial.
- Boas práticas de engenharia de software, segurança e arquitetura.
Estas áreas estão relacionadas. Conhecer um modelo não significa necessariamente saber construir uma aplicação útil com ele. Da mesma forma, saber utilizar uma ferramenta de IA não significa compreender como integrá-la num sistema de software fiável.
O verdadeiro desafio está em combinar estes componentes para resolver problemas reais.
2. Aprender sobre os modelos de inteligência artificial
O primeiro elemento é compreender os próprios modelos.
Atualmente, existem diferentes tipos de modelos, com capacidades, custos, limitações e requisitos distintos.
Podemos considerar três categorias gerais.
Modelos de fronteira (frontier models)
São modelos de IA de ponta, geralmente disponibilizados através de serviços comerciais ou APIs. Podem oferecer capacidades avançadas de raciocínio, programação, análise de documentos e compreensão de diferentes tipos de informação.
Modelos locais (local models)
São modelos que podem ser executados na infraestrutura do próprio utilizador ou da organização, dependendo dos requisitos de hardware e do modelo escolhido.
Podem ser úteis quando existe necessidade de maior controlo sobre os dados, funcionamento local ou redução da dependência de serviços externos. No entanto, os custos de hardware, o desempenho e a manutenção também precisam de ser considerados.
Modelos especializados
São modelos desenvolvidos ou adaptados para tarefas específicas, como reconhecimento de fala, geração de imagens, classificação de documentos ou outras atividades delimitadas.
Um programador não precisa de treinar o seu próprio modelo para começar a trabalhar com inteligência artificial. Porém, deve compreender o suficiente para escolher uma solução adequada ao problema que pretende resolver.
Por exemplo, imagine que estamos a desenvolver uma aplicação em Django para analisar documentos.
Poderíamos utilizar uma API de um modelo avançado para interpretar documentos complexos. Para uma tarefa simples de classificação, um modelo mais pequeno ou uma abordagem tradicional de programação poderia ser suficiente.
A escolha deve depender das necessidades da aplicação, e não apenas da popularidade de uma ferramenta.
A minha opinião: não é necessário conhecer todos os modelos existentes. É mais importante compreender as suas capacidades, limitações, custos e casos de utilização.
3. Saber utilizar os modelos de forma eficiente
Conhecer um modelo é diferente de saber utilizá-lo bem.
Uma aplicação pode integrar um modelo de IA e, ainda assim, apresentar resultados inconsistentes, custos elevados ou tempos de resposta excessivos.
Por isso, os programadores precisam de aprender a formular instruções, fornecer contexto relevante, estruturar entradas e avaliar os resultados produzidos.
Também precisam de compreender conceitos como:
- Engenharia de prompts (prompt engineering).
- Tokens e limites de contexto.
- Chamadas a APIs.
- Saídas estruturadas, incluindo JSON.
- Tratamento de erros e limites de utilização.
- Avaliação da qualidade das respostas.
- Custos, latência e gestão de pedidos.
Considere um assistente virtual que responde a perguntas sobre um curso de Python.
Uma abordagem pouco eficiente seria enviar todo o conteúdo do curso ao modelo em cada pergunta, independentemente do assunto.
Uma abordagem melhor poderia identificar primeiro a aula relevante e enviar apenas o contexto necessário para produzir a resposta.
Em aplicações mais avançadas, técnicas como geração aumentada por recuperação (RAG) permitem pesquisar informação numa base de conhecimento e fornecer os resultados relevantes ao modelo.
O objetivo não é simplesmente fazer a IA responder. É construir um sistema que responda com qualidade, consistência e custos controlados.
4. Compreender as ferramentas que envolvem os modelos
No vídeo, o autor utiliza o conceito de harnesses para descrever as ferramentas e os mecanismos que envolvem os modelos e permitem utilizá-los em tarefas concretas.
É importante distinguir o modelo da infraestrutura que permite trabalhar com ele.
O modelo fornece determinadas capacidades. As ferramentas à sua volta podem gerir o contexto, disponibilizar funções, organizar ficheiros, executar comandos, aplicar instruções e verificar resultados.
Dependendo da ferramenta, esse conjunto pode incluir:
- Prompts e instruções de sistema.
- Ficheiros de configuração e de instruções.
- Ferramentas de execução de código.
- Acesso a ficheiros e bases de dados.
- Integrações com APIs externas.
- Mecanismos de validação e verificação.
- Permissões e limites de segurança.
Imagine que utilizamos um assistente de programação para desenvolver uma aplicação Django.
O modelo pode sugerir código, mas a ferramenta envolvente pode permitir-lhe consultar os ficheiros do projeto, executar testes, identificar erros e propor alterações.
Essa capacidade é muito diferente de receber apenas um bloco de código numa conversa.
No entanto, há uma ressalva: as ferramentas não tornam automaticamente o resultado correto. As alterações precisam de ser avaliadas, os testes precisam de passar e os comportamentos inesperados precisam de ser investigados.
É aqui que a experiência de desenvolvimento continua a ter valor.
5. Orquestração: fazer os componentes trabalharem em conjunto
A orquestração consiste em organizar a sequência de operações, ferramentas e modelos necessários para concluir uma tarefa.
Em vez de depender de uma única chamada a um modelo, uma aplicação pode executar várias etapas, encaminhar informação e decidir o que deve acontecer a seguir.
Imaginemos uma aplicação que recebe uma fatura e precisa de extrair informação para uma base de dados.
O processo poderia funcionar assim:
- Receber e validar o documento.
- Extrair o texto da fatura.
- Enviar o conteúdo relevante para um modelo de IA.
- Obter os dados estruturados, como a data, o fornecedor e o valor.
- Validar os campos e aplicar regras de negócio.
- Guardar os dados na base de dados.
- Apresentar o resultado ao utilizador.
Cada etapa tem uma responsabilidade específica.
Algumas operações podem ser realizadas por código convencional, outras por ferramentas especializadas e outras por modelos de IA.
Esta separação permite controlar melhor os erros e compreender onde o processo falhou.
Ferramentas de automação e orquestração podem ajudar a construir estes fluxos. Em projetos mais complexos, também é possível implementar a lógica diretamente em Python.
O ponto essencial é perceber que uma aplicação baseada em IA não é apenas um modelo a responder a perguntas; é um sistema cujos componentes precisam de trabalhar em conjunto.
6. Agentes de inteligência artificial: autonomia com limites
Outro conceito destacado no vídeo é o dos agentes de IA.
Embora existam diferentes definições, um agente pode ser entendido como um sistema que utiliza um modelo para interpretar um objetivo, escolher ações, recorrer a ferramentas e executar etapas até alcançar determinado resultado ou encontrar uma condição de paragem.
Por exemplo, um agente integrado num sistema de apoio ao cliente poderia:
- Consultar a documentação de um produto.
- Procurar uma encomenda numa base de dados.
- Verificar as condições de uma política de devoluções.
- Preparar uma resposta para o cliente.
- Encaminhar o caso para um funcionário quando necessário.
A diferença entre um simples chatbot e um agente está, em grande medida, na capacidade de realizar ações através de ferramentas e de gerir um processo com várias etapas.
Mas é importante não confundir autonomia com fiabilidade.
Um agente pode escolher a ferramenta errada, interpretar mal uma instrução ou produzir uma ação inesperada. Quanto maior for o seu acesso a sistemas importantes, maior será a necessidade de estabelecer limites.
Por isso, os agentes devem ser desenvolvidos com permissões adequadas, validação de resultados, registos de atividade e mecanismos de intervenção humana quando necessário.
Uma aplicação não precisa de utilizar agentes para tudo. Se uma sequência fixa de funções resolver o problema de forma mais simples e previsível, essa pode ser a melhor solução.
A escolha deve ser técnica, não uma tentativa de adicionar IA a todas as funcionalidades.
7. Os fundamentos da programação continuam a ser indispensáveis
Esta é, para mim, a parte mais importante de toda a discussão.
O vídeo defende que os programadores devem compreender o pensamento sistémico, a segurança, os padrões de desenho de software, a separação de responsabilidades e os princípios da programação orientada a objetos.
Concordo com essa perspetiva.
Contudo, acrescentaria que estes conhecimentos não são importantes apenas para quem trabalha com IA. São fundamentos da engenharia de software que continuam a ser necessários para construir aplicações de qualidade.
Lógica de programação
Antes de escolher uma linguagem ou uma ferramenta, é necessário aprender a resolver problemas.
Como dividir um problema grande em partes menores? Como representar as suas regras? Como tratar situações inesperadas? Como verificar se uma solução produz o resultado correto?
Estas perguntas continuam a ser relevantes, independentemente de quem escreve o código.
Estruturas de dados e algoritmos
Listas, dicionários, conjuntos, filas, árvores, pesquisa e ordenação são exemplos de conceitos que ajudam a compreender como a informação pode ser organizada e processada.
Nem todos os programadores precisam de dominar imediatamente algoritmos avançados, mas devem compreender os conceitos fundamentais e saber quando determinadas abordagens são adequadas.
Programação orientada a objetos
A programação orientada a objetos ajuda a organizar aplicações através de classes, objetos e responsabilidades bem definidas.
Em Python, compreender classes, métodos, composição e encapsulamento pode facilitar o desenvolvimento de sistemas maiores.
A IA pode gerar uma classe. Mas saber se essa classe deve existir, qual deve ser a sua responsabilidade e como deve interagir com os restantes componentes é uma questão de conceção de software.
Separação de responsabilidades
Uma aplicação bem organizada evita concentrar toda a lógica num único local.
Por exemplo, num projeto Django, podemos distinguir as responsabilidades dos modelos, das views, dos formulários, dos serviços e dos templates, de acordo com as necessidades do projeto.
O padrão MVC, mencionado no vídeo, é uma forma conhecida de separar responsabilidades entre modelo, apresentação e controlo. O Django utiliza uma organização frequentemente descrita como MVT (Model-View-Template), relacionada com essas mesmas ideias, mas com uma nomenclatura e distribuição de responsabilidades próprias.
A separação de responsabilidades facilita a manutenção, os testes e a evolução de uma aplicação, incluindo quando parte do código é gerada com auxílio de IA.
Bases de dados e APIs
Saber trabalhar com SQL, compreender relações entre tabelas, validar dados e integrar serviços através de APIs continua a ser essencial.
A inteligência artificial pode ajudar a escrever consultas SQL ou criar uma integração, mas não elimina a necessidade de compreender os dados, os requisitos e os riscos envolvidos.
Testes e depuração
Um programa que parece funcionar num exemplo não está necessariamente correto.
Os testes permitem verificar comportamentos esperados e prevenir regressões. A depuração ajuda a identificar a origem de problemas. A revisão de código permite avaliar a clareza, a segurança e a manutenção da solução.
Estas competências tornam-se particularmente importantes quando o código é produzido rapidamente.
Quanto mais fácil for gerar código, maior será a importância de verificar aquilo que foi gerado.
8. O verdadeiro valor de um programador está a mudar?
Na minha perspetiva, sim, mas não da forma simplista que algumas discussões sobre IA sugerem.
Durante muito tempo, escrever código foi uma parte central e bastante visível do trabalho de um programador. Atualmente, determinadas tarefas de escrita de código podem ser aceleradas através de assistentes de IA.
Isso não significa que todo o desenvolvimento de software se tenha tornado simples ou que qualquer pessoa consiga construir aplicações profissionais apenas através de prompts.
Uma aplicação real precisa de responder a requisitos, proteger dados, lidar com falhas, funcionar em diferentes condições e continuar a ser mantida ao longo do tempo.
Gerar uma funcionalidade é apenas uma parte do trabalho.
O programador precisa de compreender o problema, escolher uma arquitetura, definir as regras de negócio, avaliar as alternativas e garantir que o resultado funciona de forma adequada.
É possível gerar uma aplicação que funciona numa demonstração e, ainda assim, contém falhas de segurança, problemas de desempenho ou uma estrutura difícil de manter.
Por isso, acredito que o valor profissional tende a deslocar-se progressivamente da simples produção de código para uma combinação de capacidades:
- Compreender problemas e transformá-los em soluções.
- Projetar sistemas e definir responsabilidades.
- Utilizar ferramentas de IA com critério.
- Avaliar código e resultados.
- Garantir segurança, fiabilidade e manutenção.
- Comunicar com utilizadores e compreender as suas necessidades.
A capacidade de escrever código continua a importar. O que muda é a forma como essa capacidade se integra no restante processo de desenvolvimento.
9. Será que os iniciantes devem começar diretamente pela inteligência artificial?
Não recomendo que um iniciante abandone os fundamentos para tentar aprender todas as ferramentas de IA disponíveis.
É tentador utilizar uma ferramenta que gera uma aplicação completa e sentir que estamos a progredir rapidamente. No entanto, se não compreendermos o código produzido, podemos ficar dependentes da ferramenta para resolver cada novo problema.
Quando surge um erro, torna-se difícil identificar a causa. Quando é necessário acrescentar uma funcionalidade, podemos não saber onde alterar o código. E quando a ferramenta produz uma solução incorreta, podemos não ter conhecimentos suficientes para reconhecer o problema.
A minha recomendação é diferente: aprender programação e utilizar IA como instrumento de aprendizagem e desenvolvimento.
Se estiveres a aprender Python, por exemplo, começa por compreender variáveis, condições, ciclos, funções, estruturas de dados e tratamento de erros.
Depois, desenvolve pequenos projetos:
- Uma calculadora.
- Um jogo de adivinhação.
- Uma aplicação de tarefas.
- Um sistema de gestão de contactos.
- Uma aplicação CRUD com Python e SQLite.
- Uma aplicação web com Django.
Estes projetos podem parecer simples, mas obrigam-te a lidar com problemas reais de programação.
Ao mesmo tempo, podes utilizar IA para explicar erros, sugerir melhorias, gerar testes ou comparar diferentes abordagens.
O importante é não aceitar automaticamente tudo o que a ferramenta produz.
Antes de integrar uma solução no teu projeto, procura compreender como funciona, porque foi escolhida e quais são as suas limitações.
A IA deve ajudar-te a desenvolver autonomia, não substituir a necessidade de aprender.
10. Um percurso de aprendizagem para os próximos anos
Se estivesse a organizar um plano de aprendizagem para alguém que deseja tornar-se um programador preparado para trabalhar com IA, seguiria uma progressão semelhante à seguinte.
Fase 1 — Fundamentos da programação
Aprender uma linguagem, como Python, e desenvolver capacidade para resolver problemas sem depender constantemente de ferramentas de geração automática de código.
Objetivos: lógica de programação, estruturas de dados, funções, módulos, tratamento de erros e testes básicos.
Fase 2 — Desenvolvimento de software
Aprender a construir aplicações completas e a organizar código de forma sustentável.
Objetivos: programação orientada a objetos, Git, SQL, APIs, testes automatizados, arquitetura e segurança básica.
Fase 3 — Utilização de modelos de IA
Compreender como integrar modelos em aplicações através de APIs e como avaliar a qualidade dos seus resultados.
Objetivos: prompts, gestão de contexto, saídas estruturadas, custos, tratamento de erros e validação.
Fase 4 — Construção de aplicações com IA
Desenvolver projetos que combinem lógica convencional, bases de dados e modelos de inteligência artificial.
Objetivos: pesquisa em documentos, RAG, integração de ferramentas e fluxos de trabalho com várias etapas.
Fase 5 — Sistemas avançados e agentes
Depois de compreender os elementos anteriores, explorar orquestração, agentes, permissões, monitorização e estratégias de avaliação.
Objetivos: construir sistemas mais complexos, controlar as ações dos agentes e garantir que os resultados podem ser verificados.
Esta sequência não é uma regra absoluta. É possível explorar IA desde o início. O que recomendo é que a aprendizagem de novas ferramentas não aconteça à custa dos conhecimentos necessários para as utilizar corretamente.
Também não é necessário aprender todas estas áreas de uma só vez. Um bom projeto pode ensinar várias competências em simultâneo.
11. A oportunidade está na aprendizagem contínua, não na corrida às ferramentas
Um dos conselhos finais do vídeo é que devemos concentrar-nos no processo de aprendizagem e manter a consistência.
Concordo com essa ideia, com uma ressalva: aprender uma ferramenta nova todos os dias não é necessariamente sinónimo de progresso.
O ecossistema de IA está a evoluir rapidamente. Ferramentas populares hoje podem ser substituídas amanhã. Se a nossa aprendizagem se limitar a memorizar interfaces, comandos e nomes de produtos, corremos o risco de investir demasiado tempo em conhecimentos pouco duradouros.
Por isso, devemos procurar compreender os princípios que continuam a ser úteis quando as ferramentas mudam.
Aprender a integrar APIs é mais duradouro do que decorar apenas os passos de uma integração específica. Compreender segurança é mais importante do que confiar cegamente nas configurações de uma ferramenta. Saber testar software é mais valioso do que presumir que um modelo produz sempre código correto.
Também acredito que desenvolver projetos é uma das melhores formas de aprender.
Em vez de estudar dezenas de ferramentas superficialmente, escolhe um problema, constrói uma solução, identifica as suas limitações e melhora-a progressivamente.
A aprendizagem torna-se mais concreta quando existe um resultado que podes testar, explicar e apresentar.
12. A minha conclusão: não precisas de competir com a IA a escrever código
A principal mensagem que retiro deste vídeo é que os programadores precisam de ampliar as suas competências para além da escrita tradicional de código.
Acredito que aprender a trabalhar com modelos, ferramentas, agentes e sistemas de IA pode abrir oportunidades importantes. Mas não considero correto interpretar esta mudança como o fim da programação tradicional.
Pelo contrário, os fundamentos da programação continuam a ser uma das melhores formas de preparar alguém para trabalhar com tecnologias que ainda estão a evoluir.
Um programador que compreende lógica, estruturas de dados, bases de dados, arquitetura, segurança e testes está mais bem preparado para avaliar aquilo que a IA produz e para transformar capacidades isoladas em aplicações úteis.
Por outro lado, ignorar a inteligência artificial também não parece uma estratégia sensata. Estas ferramentas já podem acelerar determinadas tarefas e alterar a forma como equipas desenvolvem software.
O caminho mais equilibrado é aprender os fundamentos e, progressivamente, incorporar as ferramentas de IA no nosso trabalho.
Não precisamos de dominar todas as tecnologias do mercado. Precisamos de aprender a identificar problemas, escolher ferramentas adequadas, compreender as soluções que construímos e continuar a evoluir.
No final, a diferença não estará apenas em quem consegue escrever mais código ou produzir uma aplicação mais rapidamente. Estará também em quem consegue compreender o problema, tomar boas decisões técnicas e construir uma solução que funcione de forma fiável.
A inteligência artificial pode ajudar-te a escrever código. Mas é o teu conhecimento que te permite decidir que código deve ser escrito, como deve funcionar e se a solução realmente resolve o problema.
Por isso, se estás a aprender programação, não abandones os fundamentos. E se já és programador, não ignores a IA.
Aprende a combinar as duas coisas.
Compreenda. Construa. Cresça.
🎯 Teste o seu conhecimento
Responda ao quiz interativo sobre este tópico e veja a sua pontuação.
Fazer o Quiz