A Camada que Ensina: compressão, abstração e a formação do julgamento em engenharia de software

Resumo

Descobrimos o fogo batendo pedras e hoje o obtemos com um isqueiro, sem que a capacidade perdida faça falta. Este artigo examina o que muda quando a abstração passa da execução da tarefa para a formulação da solução, e sustenta que compressão é abstração e que abstração aplicada ao fundamento degrada o aprendizado. Ele trata primeiro de formação e empregabilidade, contestando a premissa de que o letramento em IA, como hoje é ensinado, resolve a entrada dos juniores no mercado, e situa o argumento na literatura de processo de trabalho sobre desqualificação, distinguindo aqueles mecanismos deste. A evidência mostra ganho de desempenho com perda de compreensão, embora a hipótese de que o dano se concentre em quem sabe menos permaneça sem o termo de interação que a decidiria. A conclusão sobre juniores não depende dessa hipótese, porque a assimetria está na posição de estoque, em que quem já se formou perde vantagem e quem ainda não se formou não chega. Para não repetir uma previsão que a história da computação já viu falhar, o artigo propõe como critério operacional de fundamento a camada mínima cujo desconhecimento impede diagnosticar a falha do nível imediatamente acima. Sustenta então que o engenheiro sênior de hoje é valioso em parte por ter sido formado sem IA, que esse estoque não se repõe sozinho, e que daí decorre a regra de tratar a IA como ferramenta e não como metodologia, ressalvando que delegar método é aposta sobre um estoque decrescente, não ruína anunciada.

Palavras-chave— Formação de engenheiros, aprendizagem e automação, desqualificação, conhecimento tácito, assistência de IA, formação do julgamento.

1. Introdução

Um adulto médio, hoje, não consegue fazer fogo. Ele consegue “obter” fogo em menos de um segundo, com um isqueiro que custa o valor de um café, e a diferença entre obter e fazer não lhe custa nada no dia a dia. A capacidade de produzir fogo por atrito, por dezenas de milhares de anos a fronteira entre sobreviver e não sobreviver, virou passatempo de sobrevivencialista sem que ninguém lamente a perda.

A troca foi boa por duas razões que costumam passar despercebidas. A primeira é que a capacidade abstraída deixou de ser necessária para julgar o resultado, já que não é preciso saber fazer fogo para saber que a comida queimou. A segunda é que a compressão foi local, porque enquanto o fogo virava isqueiro outras esferas da vida continuavam exigindo aprendizado de primeira mão, e a espécie continuou aprendendo, só que outras coisas.

A pergunta deste artigo é o que acontece quando essas duas condições deixam de valer ao mesmo tempo, quando a camada abstraída passa a ser justamente aquela de que se precisa para julgar o que a abstração produziu e a compressão deixa de ser local, passando a ocorrer em quase todas as esferas de uma vez, inclusive naquelas em que a espécie compensava o que perdia em outra.

A primeira condição já falha, e é dela que o argumento depende; a segunda é conjectura, tratada como tal na Seção 3.6 e mantida fora do caminho crítico, porque nenhuma das conclusões sobre engenharia de software exige que a compressão seja simultânea. A engenharia de software é onde a primeira falha fica visível primeiro, por ser o domínio de adoção mais rápida e de medição mais densa, a ponto de concentrar mais da metade do uso empresarial de ferramentas de IA enquanto outras profissões ainda aparecem com um dígito [1].

A tese. Compressão é abstração, no sentido de que toda tecnologia que comprime o tempo de uma atividade abstrai o caminho que produzia o conhecimento sobre ela. Isso é benigno enquanto o caminho abstraído não é o fundamento sobre o qual se julga o resultado; quando é, a compressão degrada a formação, e degrada em silêncio, porque os indicadores de entrega melhoram no mesmo período em que a capacidade de julgar se deteriora.

Formação e empregabilidade. A resposta da indústria ao colapso da contratação júnior é o letramento em IA, entendido como fluência de operação. Sustento que essa fluência não repõe formação no fundamento, e que exposição precoce e irrestrita à assistência produz desempenho sem compreensão.

Engenharia de software. O diferencial do engenheiro sênior costuma ser descrito como conhecimento de domínio, que importa mas não explica tudo, porque o sênior de 2026 entende a camada que o agente abstrai por ter sido formado antes da assistência. O estoque atual de senioridade é, nesse sentido, artefato histórico e não recurso renovável, e a consequência prática é uma regra de desenho organizacional, a de usar IA como ferramenta e não como metodologia.

Dirijo uma empresa de engenharia, ensino em uma escola superior de Computação e já argumentei, em outro lugar, que o esforço que consolida o conhecimento é exatamente aquilo que nenhuma ferramenta entrega pronto. A tese de que a formação humana continua sendo o recurso escasso favorece as duas posições que ocupo, e como declarar esse interesse não corrige o problema, apliquei ao texto o teste de procurar, para cada afirmação central, a evidência que me custaria algo. As Seções 3.4, 3.5, 4.2 e 5.2 existem por causa dele, e cada uma reduz o alcance de uma afirmação que eu preferiria manter inteira.

2. Nota de método e de escopo

Trata-se de trabalho de síntese e argumentação, sem estudo primário, cuja contribuição à literatura citada está na articulação de um mecanismo, a abstração do fundamento, que liga achados de psicologia da aprendizagem, de fatores humanos, de economia do trabalho e de engenharia de software que hoje circulam separados.

Às fontes foram aplicadas três regras. A primeira foi rastrear toda afirmação numérica até a fonte primária e reportar o escopo real do achado, não a versão resumida que circula. A segunda foi identificar preprints e relatórios de fornecedor como tais no corpo do texto, porque um argumento sobre rigor epistêmico não pode ser construído com material tratado como mais sólido do que é. Pela terceira, as evidências que contrariam a tese recebem seção própria em vez de nota de rodapé, e são duas na literatura de aprendizagem (Seção 4.3) e uma na literatura de estratégia (Seção 9).

A aplicação da primeira regra mostrou que várias das estatísticas mais citadas em material executivo sobre IA e engenharia [2] não sobrevivem à conferência, menos por má-fé do que por citação em cadeia, em que cada elo cita o anterior e ninguém volta à fonte. O Recurso Online 1 lista as oito afirmações que rastreei, com o que a fonte primária de fato sustenta. O mesmo tratamento vale para as fontes de que dependo aqui, e a lista de referências ao final está completa para que o leitor possa aplicá-lo.

Como a tese central fala de horizonte de anos e a base empírica disponível mede sessões e meses, ela tem estatuto de hipótese fundamentada, com os limites de escopo declarados na Seção 12.

3. Compressão é abstração

3.1. O que a compressão retira

Chamo de compressão qualquer tecnologia que reduz o tempo entre a intenção e o resultado, e de abstração o que ela faz com o caminho, porque os passos intermediários continuam existindo, apenas escondidos. O isqueiro encapsulou o atrito em um mecanismo que o usuário não precisa entender, sem torná-lo desnecessário.

A afirmação de que não existe algoritmo de compressão para a experiência [3] costuma ser lida como elogio da vivência, mas diz algo mais forte sobre o que não comprime. Informação e procedimento comprimem; a experiência não, porque é o resíduo de um processo vivido, e resíduo não se transmite. Quando a tecnologia comprime o processo, deixa de se formar justamente o resíduo que importava.

A psicologia da aprendizagem trata esse resíduo como variável, por três caminhos. Slamecka e Graf mostraram que o item produzido pelo próprio sujeito é retido melhor do que o mesmo item apenas lido [4]. Sweller localizou o mecanismo na carga cognitiva: construir os esquemas que distinguem o especialista do novato consome a mesma capacidade que resolver o problema exige, e por isso resolver e aprender competem entre si [5]. Bjork e Bjork mostraram que condições que pioram o desempenho durante a prática melhoram a retenção e a transferência depois [6], [7]. Nos três, o atrito aparece como parte do mecanismo de aprender, o que é incômodo para qualquer ferramenta de produtividade aplicada a um aprendiz.

Uma distinção de vocabulário evita confusão adiante, porque a palavra “julgamento” carrega três sentidos nesta discussão. O primeiro sentido é cognitivo e designa a capacidade de avaliar se uma saída está certa; é essa a capacidade que considero em risco. O segundo é econômico, e opõe julgamento a inteligência para classificar tarefas por grau de codificabilidade; é esse o sentido usado na Seção 7.2. O terceiro é organizacional, e nomeia a decisão de método e de arquitetura de que trata a Seção 10. Os três se tocam sem ser intercambiáveis, e onde aparecer apenas julgamento, sem qualificação, trata-se do primeiro.

A pesquisa em educação já tem nome e tradição de instrumento para esse primeiro sentido. Tai e colegas o chamam de julgamento avaliativo, a capacidade de decidir sobre a qualidade do próprio trabalho e do trabalho alheio, e o tratam como algo que um currículo pode desenvolver deliberadamente em vez de deixar como resíduo da experiência [8]. Bearman e Ajjawi avançam na direção que o caso presente exige ao argumentar que, diante de sistemas cujo interior não pode ser inspecionado, a resposta pedagógica não é tornar a caixa transparente, e sim ensinar o estudante a trabalhar com ela, o que exige justamente os padrões de qualidade que o julgamento avaliativo fornece [9]. A diferença entre a prescrição deles e a minha está na origem do padrão. A pedagogia deles supõe um aprendiz capaz de adquirir padrões enquanto trabalha com a caixa; eu sustento que os padrões de formulação, em software, foram adquiridos por ter formulado, e é essa aquisição que o assistente agora executa. Qualquer que seja a resposta certa, o construto é mensurável, e isso remove uma desculpa para não medir.

3.2. Por que esta compressão é diferente das anteriores

A objeção óbvia é a do isqueiro. A humanidade sempre abstraiu, sempre houve quem lamentasse e quem lamentou quase sempre estava errado, já que nem a calculadora destruiu a matemática, nem o compilador a programação, nem a IDE o engenheiro, e falta explicar por que agora seria diferente.

A diferença está na camada que cada tecnologia abstraiu. A calculadora retirou a execução aritmética e deixou intacta a formulação do problema, assim como o compilador retirou a tradução para instruções sem tocar no desenho do algoritmo e a IDE retirou a recuperação de sintaxe deixando ao programador a decisão do que escrever. O assistente generativo retira a decomposição, a escolha de abordagem e a primeira versão inteira, e devolve ao humano apenas a aceitação ou a rejeição do resultado (Figura 1).

Figura 1. O que cada compressão alcança. As tecnologias anteriores pararam abaixo da formulação. O assistente generativo a alcança, e devolve ao humano apenas a camada que depende dela.

Trata-se de uma diferença de natureza e não de grau, porque as compressões anteriores abstraíram execução e preservaram formulação, enquanto o assistente generativo abstrai a formulação e devolve ao humano apenas o julgamento, quando era a formulação que produzia a capacidade de julgar. O laço se fecha sobre si mesmo, já que julgar bem a saída exige ter feito o percurso que a saída dispensa.

Bainbridge descreveu essa estrutura quatro décadas atrás como ironia da automação. Quanto mais avançado o sistema automático, mais crítica se torna a contribuição do operador humano nas anomalias, e é justamente a automação que retira dele a prática pela qual manteria a competência de intervir [10]. Parasuraman e Manzey acrescentaram o mecanismo atencional que sustenta a aceitação acrítica da recomendação da máquina [11], e Carr generalizou o efeito para o trabalho do conhecimento [12]. A diferença em relação a esse quadro é de ordem temporal, porque Bainbridge [10] descrevia operadores que já sabiam operar e foram perdendo a prática, e o caso presente é o de aprendizes que nunca a terão.

3.3. O que a literatura de processo de trabalho já estabeleceu

A afirmação de que a tecnologia retira o caminho pelo qual a habilidade se forma tem cinquenta anos. Braverman sustentou que a separação entre concepção e execução não era subproduto da mecanização, e sim seu propósito, já que a gerência captura o conhecimento do trabalhador, o codifica em procedimento e em máquina, e devolve ao trabalhador uma tarefa despida de discricionariedade [13], e é daí que vem o vocabulário da desqualificação. Em relação ao caso presente há duas diferenças. A primeira é de agência, porque a separação de Braverman é imposta de cima, contra o interesse do trabalhador, e resistida, enquanto a compressão aqui descrita é adotada de baixo, ferramenta a ferramenta, pela própria pessoa cuja formação ela interrompe, e chega como um favor. A segunda é de direção, já que em Braverman o produto do trabalhador não melhora enquanto a discricionariedade cai, e aqui o produto melhora de imediato, o que torna a perda difícil de ver e difícil de argumentar. A revisão de Attewell sobre a controvérsia corrige a tese no ponto necessário ao mostrar que o argumento da desqualificação generalizou demais, porque o mesmo período qualificou outras ocupações, e que o nível de análise escolhido entre tarefa, posto e ocupação decidia a resposta [14]. O episódio do “offshoring” da Seção 5.2 aplica essa correção à minha própria afirmação.

Os estudos de campo de Zuboff [15] são o análogo histórico mais próximo. Onde o trabalho passou a ser mediado por símbolos numa tela, os operadores perderam a habilidade centrada na ação que vinha de manusear o material diretamente, e o que precisou substituí-la foi uma habilidade intelectiva construída pela interpretação da representação. Dois achados dela se transferem ao caso presente. O primeiro é que o resultado foi decisão de projeto e não propriedade da máquina, já que o desenvolvimento da nova habilidade pelos operadores dependia de lhes ser dado acesso ao dado subjacente e tempo para interpretá-lo, e o braço com salvaguardas de Bastani et al. impõe a mesma conclusão a este artigo (Seção 4.3). O segundo é que os operadores que haviam tocado a planta à mão antes da conversão liam a tela de um modo que seus sucessores não conseguiam, e esse é o argumento de estoque da Seção 8 aparecendo numa fábrica quatro décadas antes.

Collins fornece a metade epistêmica ao mostrar que conhecimento tácito não é uma coisa só e que a parte que ele chama de conhecimento tácito coletivo é adquirida por socialização numa prática, coisa que a instrução não faz [16]. Com Evans, ele separa a expertise interacional, a capacidade de falar a língua de um domínio sem poder contribuir para ele, da expertise contributiva, que exige ter praticado [17]. Quando o letramento em IA é ensinado como fluência de operação, ele produz expertise interacional numa prática que o estudante nunca executou, convincente tanto para ele quanto para o entrevistador, e a distinção de Collins e Evans dá à objeção da Seção 5.3 termos mais fortes do que os que eu tinha.

A contribuição possível diante dessa linhagem é estreita. O mecanismo de Braverman é organizacional, o de Zuboff é a mediação do trabalho pela representação e o de Collins é epistêmico, e nenhum dos três descreve uma ferramenta que executa o próprio passo de formulação e devolve um artefato completo e plausível, deixando ao humano apenas a aceitação ou a rejeição. Eles também não colocam a questão de estoque e fluxo da Seção 8, que pergunta não se o trabalhador atual perde habilidade, mas se o próximo pode chegar a ser produzido, uma vez que as tarefas pelas quais os novatos entravam são as primeiras que a ferramenta absorve.

3.4. O precedente que este argumento precisa enfrentar

Argumentos como este já foram feitos antes, por quem tinha autoridade técnica superior à minha, e falharam.

Em junho de 1975, no manuscrito EWD498, Dijkstra escreveu que é praticamente impossível ensinar boa programação a estudantes previamente expostos ao BASIC, porque, como potenciais programadores, estariam mentalmente mutilados além de qualquer esperança de regeneração [18]. Backus, no histórico do FORTRAN, registra que em 1954 o ceticismo quanto à programação automática era generalizado, e que a comunidade não acreditava que um sistema pudesse produzir código eficiente, porque eficiência era julgamento humano e julgamento humano não se automatizava [19]. Ensmenger documenta o ciclo completo dessas tentativas e das reações a elas [20].

Aqueles argumentos tinham a mesma estrutura que o meu, segundo a qual a abstração afasta o profissional do fundamento e por isso destrói a formação do julgamento, e as duas previsões eram falsificáveis e falharam.

Falta ao meu argumento, como faltava ao de Dijkstra, um critério de fundamento independente da camada em que quem escreve foi formado, e sem ele a tese diz apenas que a geração seguinte sabe menos daquilo que a minha aprendeu, coisa que toda geração diz.

Proponho o seguinte critério, verificável:

“Fundamento é a camada mínima cujo desconhecimento impede diagnosticar a falha do nível imediatamente acima.”

O critério deixa coisas para trás sem nostalgia. Microcódigo e alocação manual de registradores saíram do fundamento porque quase nenhuma falha corrente exige descer até eles, enquanto semântica de concorrência permaneceu, porque uma classe grande de falhas de produção só é diagnosticável por quem a entende, e custo computacional permaneceu pelo mesmo teste.

Aplicado ao caso presente, o critério diz onde está o risco, porque a falha característica de um sistema construído com assistência é de formulação, e não de sintaxe nem de tradução. Ela aparece como solução plausível para o problema errado, como estrutura que funciona no caso demonstrado e quebra no vizinho, ou como decisão de arquitetura que ninguém tomou explicitamente.

A afirmação é verificável, e a análise da Apiiro sobre cerca de 62 mil repositórios corporativos oferece a primeira medida dela. Comparando código com e sem assistência, os erros de sintaxe caem 76% e os bugs de lógica caem 60%, enquanto as falhas de desenho arquitetural sobem 153% e os caminhos de escalonamento de privilégio sobem 322% [21]. Na leitura qualitativa dos autores, quem usa assistência tende a falhas de nível de desenho, e quem não usa tende a erros de lógica, de modo que o defeito mudou de camada sem diminuir, e mudou na direção que o critério prevê. Por ser análise de fornecedor com metodologia publicada apenas em parte, ela vale como primeira medida, ainda sem estatuto de achado estabelecido.

Diagnosticar falhas de formulação exige justamente a camada que a assistência absorve. Diferentemente do BASIC, que abstraía uma camada cujo desconhecimento não impedia diagnosticar o nível acima, o assistente abstrai a camada que o próprio diagnóstico exige.

Duas propriedades do critério o limitam. A primeira é que ele é indexado à distribuição corrente de modos de falha, e essa distribuição é, ela própria, produzida em parte pelas ferramentas em uso. Microcódigo saiu do fundamento porque as falhas correntes raramente exigem descer até ele, e se os assistentes deixassem de produzir falhas de formulação o critério reclassificaria a formulação do mesmo modo. Isso é virtude para descartar nostalgia e limitação para prever, porque o critério diz qual é o fundamento agora sem prever qual será. A segunda propriedade diz respeito à evidência, já que o apoio ao critério aplicado é, no momento, uma análise de fornecedor com metodologia publicada apenas em parte. Um teste adequado compararia classes de defeito entre projetos pareados, com a assistência como condição atribuída e não observada, e com os defeitos classificados às cegas quanto a essa condição. Enquanto esse teste não existir, o critério é uma proposta com uma medida a favor.

O argumento pode estar errado, e a forma de mostrar que está é exibir uma classe relevante de falhas de sistemas assistidos que seja diagnosticável sem a camada de formulação.

3.5. A capacidade é do indivíduo ou do sistema?

Quando digo que não haverá quem julgue, trato a capacidade de julgar como propriedade internalizada em pessoas. Uma tradição consolidada nega essa premissa.

Wegner formalizou o sistema de memória transativa, no qual o conhecimento do grupo é a memória de cada um somada a um diretório de quem sabe o quê, de modo que ninguém precisa saber tudo para o sistema saber tudo [22]. Hutchins mostrou, em campo, que a posição de um navio é calculada por um sistema sociotécnico do qual nenhum navegador executa ou compreende a totalidade, e que a memória das velocidades de referência é propriedade do cockpit e não dos pilotos [23]. Hollan, Hutchins e Kirsh estenderam o programa para o desenho de sistemas interativos [24].

Nesse ponto o isqueiro da abertura funciona contra mim. Ninguém sabe fazer fogo, e mesmo assim a capacidade da sociedade de controlar fogo subiu, institucionalizada em corpos de bombeiros, normas de construção e engenharia de incêndio; a capacidade migrou do indivíduo para o sistema, e o sistema é melhor do que qualquer indivíduo era.

A pergunta correta passa a ser se a capacidade pode ser institucionalizada, mais do que se a capacidade individual cai, e aqui há uma diferença que me parece decisiva entre o assistente generativo e os artefatos que a literatura de cognição distribuída estudou. O sextante, a lista de verificação de decolagem e o compilador são determinísticos e auditáveis, e a capacidade que eles carregam pode ser inspecionada, versionada, ensinada e corrigida por quem os opera, mesmo sem que essa pessoa a reconstrua do zero. O modelo generativo não tem essas propriedades, porque sua saída varia entre execuções, sua justificativa é produzida depois da decisão e o erro não é localizável no artefato.

A questão não se fecha aí, e a Seção 11.2 descreve a tentativa de devolver o agente à categoria dos artefatos institucionalizáveis, tornando determinística e auditável a camada que decide o que ele pode fazer. Essa camada resolve a permissão, tornando auditável o que o agente tem direito de executar, mas não diz se a saída dele está certa. A metade da objeção que trata de segurança tem resposta construída; a que trata de julgamento depende de avaliação contínua de qualidade em produção, a peça menos madura da pilha. Enquanto ela não existir com o mesmo rigor, a analogia com o sextante vale apenas para a metade da objeção que não me preocupa.

3.6. A objeção da escala

A segunda condição que tornava benigna a troca do isqueiro era a localidade: perde-se a capacidade de fazer fogo e ganha-se tempo para aprender outra coisa, de modo que a soma social do aprendizado se desloca em vez de cair. Essa é a premissa implícita em quase todo argumento otimista sobre IA e trabalho, e ela é razoável enquanto a compressão é local, mas se esvai quando a compressão é simultânea. Se a mesma tecnologia abstrai a formulação da solução em programação, em escrita e em diagnóstico ao mesmo tempo, e em todas as faixas de formação, não sobra a esfera de compensação onde o aprendizado de primeira mão continuaria acontecendo. O deslocamento pressupõe um lugar para onde deslocar, e a generalidade do modelo põe em questão a disponibilidade desse lugar, mais do que a capacidade de adaptação humana.

Não localizei evidência empírica sobre efeito agregado de compressão simultânea em múltiplos domínios, pela razão simples de que o fenômeno tem três anos. A hipótese fica como conjectura, repetida como tal na Seção 12, e o que a evidência disponível sustenta é o efeito em domínio.

4. O que a evidência de aprendizagem sustenta

4.1. O padrão que se repete

Cinco estudos independentes, com populações, tarefas e métodos diferentes, encontram o mesmo padrão: a assistência melhora o produto e piora a formação (Tabela 1).

Tabela 1. Evidência experimental sobre assistência de IA e aprendizagem.

Dois deles dizem algo além do número. Prather et al. [27] observam efeito desigual, com ganho para quem já tem esquema formado e agravamento das dificuldades metacognitivas de quem não tem; a Seção 4.2 volta a esse ponto, porque é observação de laboratório e a evidência de campo aponta para o outro lado. Bastani et al. [25] trazem a evidência causal mais forte disponível, com a particularidade de que o dano só aparece quando a muleta é retirada; enquanto o assistente está presente, o indicador de desempenho registra o problema com o sinal invertido, o que é mais grave do que escondê-lo.

Kosmyna e colegas reportam conectividade cerebral mais fraca e menor apropriação do próprio texto no grupo que escreveu com assistente [30], o que sugere um mecanismo sem estabelecê-lo, já que se trata de preprint com dezoito participantes na sessão crítica, respondido por comentário técnico sobre poder estatístico, reprodutibilidade e transparência de reporte [31].

4.2. O gradiente que a literatura mede não é o gradiente de que a tese precisa

A formulação tentadora seria dizer que o dano da assistência se concentra em quem tem menos conhecimento prévio, porque ligaria diretamente o efeito de aprendizagem ao colapso da contratação júnior. Hoje essa formulação é insustentável, e toda a evidência de heterogeneidade por nível de habilidade aponta na direção contrária (Tabela 2).

Tabela 2. Estudos que estimam efeito por nível de habilidade ou senioridade.

Somados, são mais de onze mil sujeitos, e em todos os estudos o sinal é o mesmo, com ganho maior para quem sabe menos.

Desse resultado se tiram duas leituras. A preguiçosa conclui que a preocupação com formação está refutada, o que não procede, porque esses estudos medem produtividade e a pergunta é sobre aprendizagem, e nada impede que a assistência aumente mais o produto do júnior e reduza mais a aprendizagem dele. Há inclusive um mecanismo plausível para isso, o mesmo da Seção 3, pelo qual quanto maior a distância entre o que a pessoa sabe e o que a ferramenta entrega, maior o ganho imediato e maior a porção do percurso que ela não percorre.

A outra leitura reconhece que o termo de interação entre conhecimento prévio e aprendizagem nunca foi estimado, o que verifiquei nas duas meta-análises disponíveis. Maier et al. agregam 23 estudos e 27 tamanhos de efeito, e encontram efeito positivo e significativo sobre produtividade, g = 0,33 com intervalo de [0,09; 0,58], contra efeito indistinguível de zero sobre aprendizagem, g = 0,14 com intervalo de [−0,18; 0,47] [37]. Alanazi et al. agregam 35 estudos controlados e chegam ao mesmo formato, com desempenho em 0,86 e compreensão em 0,16, p = 0,41 [38]. Nenhuma das duas reporta moderação por conhecimento prévio, e Alanazi et al. registram essa ausência como limitação declarada.

O estado da evidência sobre aprendizagem é, portanto, de efeito médio nulo com heterogeneidade alta, e não de efeito negativo. Isso é compatível com dano concentrado em um subgrupo e ganho em outro, como proponho, e é igualmente compatível com ausência de efeito, de modo que decidir entre as duas hipóteses depende de uma estimativa que ninguém produziu.

A evidência sustenta que a assistência dissocia desempenho de compreensão, e isso está medido em populações específicas [25], [26], [28], mas não sustenta que o dano seja maior para quem sabe menos, o que permanece hipótese, e a lacuna que a testaria está identificada acima.

A conclusão sobre juniores não depende de o dano ser maior neles, apenas de duas coisas, a saber, que a assistência dissocie desempenho de compreensão, o que vale para qualquer nível, e que o júnior seja quem ainda precisa formar. A assimetria vem, portanto, da posição de estoque, já que um sênior que degrada perde parte de uma vantagem que já tem, enquanto um júnior que não forma não chega à posição de onde se degradaria. Se o efeito for uniforme, a conclusão se mantém e muda apenas o alvo do alerta, que passa a incluir a erosão dos que já estão formados. Se o efeito for progressivo, como a evidência de produtividade sugere, o júnior entrega mais e continua não formando, o que agrava o problema, porque torna a entrega dele um indicador ainda pior da capacidade que ele está construindo.

4.3. Duas tensões que a tese precisa enfrentar

A primeira é o efeito de reversão por expertise. Kalyuga e colegas mostraram que andaimes instrucionais que ajudam o novato perdem eficácia e chegam a prejudicar o aprendiz avançado [39]. Lido de forma apressada, o achado contradiz a tese, porque, se o suporte ajuda o novato, não haveria motivo para temer a assistência. A leitura correta é a inversa, já que o efeito de reversão estabelece que o nível ótimo de suporte é função do conhecimento prévio, e o assistente generativo não modula, aplicando suporte máximo, indiferenciado e sob demanda a quem tem conhecimento prévio nulo. Além disso, o suporte que ele oferece não é um exemplo trabalhado, que expõe o percurso, mas uma solução pronta, que o dispensa.

A segunda vem do próprio Bastani et al. O tutor com salvaguardas, que se recusa a entregar a resposta e conduz o aluno, produz ganho de desempenho maior que a interface livre “e” preserva o aprendizado [25]. Isso enfraquece qualquer versão determinista da tese, porque o que degrada a formação não é a IA, e sim a IA desenhada para entregar resultado em vez de conduzir percurso. A prescrição é de desenho, e dela tratam as Seções 6 e 10.

5. O mercado e a falácia do letramento

5.1. Duas curvas em direções opostas

Em vez de encolher ou crescer como um todo, o mercado de trabalho em tecnologia está se dividindo por senioridade (Tabela 3).

Tabela 3. Indicadores de mercado: as duas direções simultâneas. As fontes diferem em rigor, e incluem relatórios de fornecedor, uma reportagem e um artigo de opinião; o escopo e a ressalva de cada linha estão na coluna do meio.

O período dessas séries coincide com a correção de contratações pós-pandemia e com juros altos, e nenhum dos trabalhos isola completamente o efeito da IA do efeito do ciclo. Hosseini Maasoum e Lichtinger chegam mais perto, ao comparar empresas adotantes com não adotantes, e ainda assim medem adoção por “proxy” [42]. Atribuir toda a queda à IA vai além do dado, mas o formato da divisão está sustentado, e nele a variável que separa as duas trajetórias é a senioridade.

5.2. O caso de controle mais próximo que temos

A divisão por senioridade tem precedente em um experimento natural que já rodamos. Entre 2000 e 2015 o Ocidente transferiu para fora exatamente a camada de trabalho júnior de tecnologia, e o argumento da época repetia quase palavra por palavra o de hoje, segundo o qual sem trabalho de entrada ninguém aprende e a senioridade seca.

Tambe e Hitt documentaram o deslocamento com cerca de meio milhão de trabalhadores, mostrando que firmas com centros próprios no exterior passaram a empregar 8% menos da força doméstica em ocupações comercializáveis porque deixaram de contratar, sem recorrer a demissões [47]. Vardi, revendo a força-tarefa da ACM cinco anos depois, não encontrou evidência de impacto mensurável sobre o emprego agregado de tecnologia nos países desenvolvidos [48]. O precedente dos caixas bancários tem a mesma forma, com menos caixas por agência, mais agências e a tarefa remanescente mudando de conteúdo e ficando mais valiosa [49].

Não encontrei estudo que meça o efeito daquele deslocamento sobre a formação de sêniores nas empresas que o fizeram. A ausência de literatura sobre um colapso é evidência fraca de que ele não ocorreu, mas quinze anos sem crise visível de senioridade são um dado que qualquer tese como a minha precisa explicar.

Minha explicação é que, no “offshoring”, o trabalho de entrada continuou sendo executado por seres humanos que se formavam ao executá-lo; a esteira mudou de país sem parar, e o efeito sobre a produção mundial de sêniores foi de realocação geográfica. Para que a analogia não valha, essa diferença precisa ser verdadeira, e ela é falsificável: se o trabalho de entrada absorvido por agentes reaparecer, em outro lugar, como trabalho humano formativo, então estamos diante de outro episódio de realocação e não de interrupção.

A comparação também reformula a questão de quem tem a formação em jogo. O “offshoring” levou o trabalho de entrada para a Índia, o Brasil, as Filipinas e outros lugares, e levou com ele os degraus formativos; a senioridade que cresceu ali é hoje parte da oferta mundial. Se os agentes absorverem esse trabalho, a perda recai primeiro sobre os lugares que vinham recebendo-o, e sobre mercados com menos capacidade de subsidiar formação internamente, o que altera quem paga primeiro sem mudar o mecanismo. As séries de emprego usadas aqui são dos Estados Unidos e da Europa porque é lá que a medição existe, o que é limitação de evidência e não escolha de escopo.

O episódio mostra também, e isso pesa contra as proposições deste artigo, que, se a esteira é agregada, quem forma paga sozinho um custo cujo benefício vaza para o mercado inteiro, e a firma que não forma contrata pronto de quem formou. O “offshoring” é o caso histórico de firmas fazendo essa conta corretamente, uma a uma, até que a conta agregada mudasse, e como as proposições da Seção 6 são todas da firma individual, precisam responder por que ela pagaria.

Enquanto a senioridade era abundante, comprar saía mais barato que formar e a conta do caronista fechava; num mercado em que a vaga sênior fica aberta por meses e o prêmio salarial sobe (Tabela 3), formar dentro passa a competir com comprar fora, e a razão para pagar é, assim, econômica antes de moral. Essa razão responde só em parte, porque depende de a escassez persistir e porque o retorno de uma formação demora mais que quase todo plano de negócio. O resto é problema de coordenação, historicamente resolvido fora da firma, por acreditação e regra setorial, e sem esse desenho as proposições abaixo dependem de firmas dispostas a pagar por um bem que não capturam inteiro.

5.3. Por que o letramento não é a resposta

A resposta corrente tem duas partes, e ambas soam sensatas. A primeira é manter a contratação de juniores, que Matt Garman formulou ao chamar a substituição de juniores por IA de “a coisa mais burra que já ouvi”, porque sem eles não haverá, em dez anos, ninguém que tenha aprendido nada [50]. Concordo com essa conclusão, e minha divergência está na segunda parte, que quer o júnior letrado em IA e faz do letramento na ferramenta o que o torna empregável.

Essa segunda parte confunde duas competências, por três razões.

Letramento é competência de operação, formação é competência de julgamento. Saber orquestrar um agente, escrever um bom “prompt” e encadear ferramentas é habilidade real e ensinável, e é, por construção, habilidade sobre a camada abstrata. Ela não produz o esquema que permite avaliar se a saída está certa, e por isso o desempenho na tarefa sobe enquanto a compreensão desce (Seção 4), quando é da compreensão que a organização precisará daqui a cinco anos.

O letramento é a habilidade com a menor meia-vida do conjunto. As interfaces, os modelos e os padrões de orquestração de 2026 não serão os de 2029. O fundamento tem meia-vida de décadas, e inclui estrutura de dados, custo computacional, semântica de concorrência e modelagem de domínio. Formar o jovem prioritariamente naquilo que expira mais rápido é uma escolha de alocação difícil de defender, mesmo em termos puramente econômicos.

O letramento não resolve o problema que pretende resolver. O argumento diz que o júnior letrado volta a ser contratável porque produz como um pleno, e a evidência da Seção 4.2 sustenta que ele de fato produz, mas a empresa estaria comprando capacidade presente obtida por meio da ferramenta, e essa ela obteria também dando a mesma ferramenta a alguém que já tem julgamento. O que sustentaria a contratação do júnior seria a diferença de preço entre as duas opções, diferença que encolhe conforme a ferramenta melhora.

Como a Seção 4.3 concede que o desenho da assistência muda o resultado, rejeitar o letramento inteiro seria incoerente, e a objeção se dirige ao letramento raso, entendido como fluência de operação: escrever bons “prompts”, encadear ferramentas, conhecer as interfaces do ano. Pelo que examinei, é isso que ensinam, em sua maior parte, os cursos curtos, as trilhas corporativas de requalificação e as certificações de plataforma, mas trata-se de observação e não de medida, porque não existe análise de conteúdo de currículos de letramento em IA contra a distinção aqui proposta, e só ela decidiria se o alvo é tão comum quanto afirmo. Essa incerteza não alcança a meia-vida curta da fluência de operação nem o fato de que ela não produz julgamento.

O letramento que resolveria o problema é outra coisa, e a literatura já indica sua forma. Shen e Tamkin identificam seis padrões de interação com o assistente, e três deles preservam o aprendizado mesmo com a ferramenta disponível, porque mantêm o aprendiz cognitivamente engajado no percurso [28]. Ensinar esses três padrões é ensinar metacognição sobre o uso da ferramenta, e não operação da ferramenta, o que pede um currículo diferente, com avaliação diferente, como o que a Seção 6 propõe. A objeção atinge, portanto, apenas o letramento que confunde fluência com formação.

5.4. A periferia legítima está sendo desmontada

Lave e Wenger chamaram de participação periférica legítima o mecanismo pelo qual um ofício se reproduz: o novato entra por tarefas reais de baixo risco e migra ao centro à medida que a comunidade lhe confia mais [51]. É descrição de como comunidades de prática transmitem o que sabem, inclusive o que não articulam em manual [52], [53]. Dreyfus chega ao mesmo lugar por outro caminho, ao mostrar que o expert deixa de operar por regras explícitas justamente porque acumulou casos concretos [54].

A periferia é o mecanismo, e é exatamente a primeira camada que a assistência absorve, a do “CRUD” simples, do teste que faltava, do “bug” pequeno e da correção óbvia, de modo que absorvê-la é o primeiro efeito da assistência.

Daí decorre que continuar contratando juniores é necessário e insuficiente, porque contratar o júnior e colocá-lo para operar o agente preserva o posto e destrói a trajetória. Para chegar a essa conclusão basta a dissociação entre desempenho e compreensão, sem a hipótese recusada na Seção 4.2, já que o que interrompe a trajetória é a perda da periferia, e não um dano seletivo aos mais novos. O que precisa ser preservado são tarefas reais, consequentes e de baixa abstração pelas quais o novato entra. Allen tem a formulação simples do mecanismo humano por trás disso, escrita a propósito de outra transformação, segundo a qual humanos aprendem de outros humanos observando, perguntando e repetindo [3], e a organização precisa decidir o que sobrou para o novato observar, perguntar e repetir.

5.5. A periferia também está sendo comprada de fora

Há um segundo movimento, discutido na literatura de investimento e não na de formação. Bek argumenta que a próxima geração de empresas de IA venderá resultados ao cliente final em vez de ferramentas ao profissional, capturando orçamentos de serviços cerca de seis vezes maiores que os de software [1]. A cunha de entrada é o trabalho já terceirizado, de alto volume e baixo julgamento, cujo orçamento já existe e cuja substituição não exige reorganização interna.

Lida da perspectiva da formação, essa lista de alvos coincide, em quase todas as profissões, com as tarefas pelas quais o júnior entrava: o NDA padrão para o advogado em início de carreira, a codificação de procedimento em faturamento hospitalar, a triagem de topo de funil em recrutamento. A tese de Bek [1] não trata disso e não precisa tratar, mas descreve, do lado da oferta de capital, o mesmo fenômeno que descrevi do lado da formação, com a periferia sendo removida por dois vetores, um interno pela adoção de assistentes e outro externo pela substituição do fornecedor que a executava.

Por isso o mesmo fato carrega valências opostas, e o que o argumento de investimento lê como escassez estrutural de profissionais a profissão lê como depleção do estoque de quem sabe julgar [1].

6. Proposições para a formação

As proposições abaixo decorrem do que foi argumentado, e são formuladas para serem testáveis, ou ao menos falsificáveis na prática de quem as adotar.

P1. Baixa abstração deliberada no início da trajetória. O currículo e o primeiro ano de carreira devem conter um núcleo explicitamente sem assistência, definido por objetivo de formação: construir a estrutura de dados, depurar sem sugestão, ler código alheio sem resumo automático. A proibição vale apenas para esse núcleo, reservado como espaço em que o atrito é o próprio objetivo [7]. P1 carrega a condição de contorno exposta na Seção 8: se a baixa abstração apenas selecionou os sêniores atuais, sem formá-los, reintroduzir atrito também só filtra, e filtra com viés conhecido. Quem adotar P1 deve, por isso, medir abandono junto com o desempenho de quem ficou.

P2. Assistência com salvaguardas, não assistência livre. O achado da Seção 4.3 é operacionalizável: instituições de ensino e empresas que dão ferramentas a iniciantes deveriam configurar o modo tutor como padrão, e não como opção [25].

P3. Avaliar por reconstrução e transferência, não por entrega. Se o indicador de entrega melhora enquanto a formação piora, ele deixou de ser indicador de formação. A avaliação por reconstrução mede o que a entrega passou a esconder, e se faz pedindo ao aprendiz que explique, que modifique sob restrição nova, ou que depure uma versão corrompida do próprio artefato.

P4. Preservar a periferia legítima como política de engenharia. Cabe à organização decidir quais tarefas reais permanecem humanas por razão formativa, e sustentar essa decisão como investimento explícito, com custo declarado, porque uma decisão nomeada como investimento sobrevive melhor ao próximo trimestre ruim do que uma nomeada como generosidade. A Seção 5.2 expõe o limite desta proposição: parte do retorno vaza para o mercado, e a firma que a adota isoladamente subsidia as que não adotam. Ela se justifica pelo custo de comprar senioridade num mercado escasso, e não se justifica se esse mercado voltar a ser folgado.

P5. Tratar a formação como responsabilidade da empresa, e não apenas da escola. A tese de que o time que você tem é o time de que você precisa foi formulada por Allen a propósito da transição para a nuvem [55], [56]: a capacidade é construída dentro, e não comprada pronta. Agora, porém, não basta treinar na ferramenta nova, porque o fundamento antigo também precisa ser protegido.

7. O que a IA comprime na economia do software

7.1. Difícil de fazer não é mais difícil de copiar

Vantagens competitivas em software costumavam se dividir em duas famílias, as difíceis de fazer e as difíceis de obter (Figura 2). A compressão ataca a primeira e deixa a segunda, porque comprime o tempo de fazer coisas e não o tempo de as coisas acontecerem: anos de operação seguem levando anos, e um processo regulatório não acelera porque o requerente escreve código mais rápido. Complexidade de engenharia deixou, portanto, de ser fosso, e se o concorrente reproduz em semanas o que custou dois anos, o que restou de defensável não está no código.

Figura 2. A compressão reduz o tempo de fazer, não o tempo de acontecer. O que sobra de defensável está na faixa inferior, e a Seção 7.2 qualifica essa afirmação.

7.2. O prêmio não está no software

A razão de seis para um entre os orçamentos de serviços e de software, apresentada na Seção 5.5, reorganiza esta discussão: quem vende ferramenta disputa o menor dos dois orçamentos, e a próxima empresa de um trilhão de dólares seria uma empresa de software disfarçada de empresa de serviços [1].

Bek prevê onde isso acontece primeiro com uma distinção que interessa a quem projeta organizações. Nas tarefas de “inteligência”, a resposta decorre de regras, códigos e padrões conhecidos; nas de “julgamento”, depende de decidir o que deve ser feito. Na formulação dele, escrever código é majoritariamente inteligência, e saber o que construir em seguida é julgamento [1]. Quanto maior a razão de inteligência em uma profissão, mais cedo o modelo de venda de resultado vence o de venda de ferramenta.

Daí decorrem duas consequências, e a primeira enfraquece o que escrevi na Seção 7.1, porque, se o dado proprietário é o fosso difícil de obter, e se a maneira de acumulá-lo é executar o trabalho de serviço que já é terceirizado, então a posição de quem gera o dado pode ser comprada mesmo que o tempo que o dado leva para existir não possa ser comprimido. A segunda atinge a premissa central e tem seção própria.

7.3. O gargalo mudou de lugar

A adoção está medida: 88% das organizações usam IA em alguma função de negócio [57] e 90% dos desenvolvedores a usam, com mais de 80% percebendo ganho de produtividade [58], [59]. Mais informativa que a adoção, porém, é a contradição interna, já que a confiança na precisão das saídas caiu de 40% para 29% em um ano [60] e 30% declaram pouca ou nenhuma confiança no código gerado [58]. Quando quase todos usam uma tecnologia em que poucos confiam, o trabalho que ela deveria eliminar se desloca para a verificação.

Do lado do resultado empresarial, o relatório do MIT NANDA reporta que 95% dos pilotos de IA generativa não produzem impacto mensurável em resultado [61]. Trata-se de preprint, cuja metodologia foi tão criticada quanto o número foi citado, mas mesmo com desconto generoso a distância entre adoção e impacto é grande demais para ser atribuída à capacidade do modelo.

O deslocamento é mensurável e converge em fontes independentes, a começar pelo indivíduo. O ensaio controlado de Becker e colegas na METR contraria todas as previsões que o precederam, inclusive a dos participantes. Desenvolvedores “open-source” experientes, em bases que conheciam bem, levaram 19% mais tempo para concluir tarefas com IA, e estimaram ao final ter ficado cerca de 20% mais rápidos [62]. A amostra de 16 desenvolvedores e 246 tarefas é pequena e não generaliza, e por isso o interesse está menos no tamanho do efeito que no sinal do erro de percepção, já que ganho percebido e ganho medido apontam para lados opostos e decisões de reestruturação estão sendo tomadas com base no primeiro.

No artefato, a revisão ficou mais cara. Sobre 470 “pull requests” reais, PRs com coautoria de IA apresentam 10,83 problemas contra 6,45 dos humanos, com até 2,74 vezes mais problemas de segurança e 40% mais achados críticos [63]. Em cerca de 62 mil repositórios corporativos, observa-se três a quatro vezes mais código produzido e dez vezes mais problemas de segurança, com aumento de 322% em caminhos de escalonamento de privilégio [21]. Os dois estudos têm metodologias distintas e não devem ser fundidos em um número só, embora essa fusão já circule (Recurso Online 1).

Na jornada de trabalho, a composição mudou. Vella e Blincoe acompanharam engenheiros profissionais em dois momentos separados por seis meses e encontraram 82% relatando passar menos tempo escrevendo código, com deslocamento estatisticamente significativo de criação para verificação, e com a proporção que relata piora na experiência de desenvolvimento quase dobrando, de 14% para 27% [64]. Embora seja preprint e meça percepções autorreportadas, o resultado converge com o achado de Lee e colegas de que o esforço crítico se desloca de produzir para verificar [29].

Para a organização, se a geração acelerou e a verificação não, contratar mais capacidade de geração não resolve, porque a restrição está agora do outro lado.

8. O sênior de hoje é um artefato histórico

A explicação corrente para o valor do engenheiro sênior na era da IA é o conhecimento de domínio, já que ele entende o cliente, a regulação e a nuance do produto, e isso a IA não comprime. A explicação está certa, mas incompleta, como mostra empiricamente o fato de profissionais com domínio profundo e sem formação em engenharia terem produzido, com assistência, artefatos que competem com os de desenvolvedores profissionais. Um advogado e um cardiologista figuraram entre os primeiros colocados de um hackathon com treze mil inscritos, para citar o caso mais bem documentado [65]. Se domínio bastasse para explicar o valor do sênior, aquele resultado não seria possível.

A literatura profissional tem uma resposta melhor que domínio, e ainda assim incompleta. Ela descreve uma convergência de perfis: o especialista se alarga porque a IA absorve suas tarefas estreitas de execução, e o generalista se aprofunda porque ganha ferramentas de qualidade de especialista [66], [67], [68], [69]. Sanfilippo observa que quem controla as ideias do software está em posição diferente de quem controla apenas o código [70], e Ng dá a versão econômica: como construir ficou rápido, mais tempo é gasto decidindo o que construir [71].

Figura 3. A convergência de perfis, como a literatura profissional a descreve, e o que ela deixa de fora.

Esses autores descrevem corretamente o que o profissional valioso faz (Figura 3), mas nenhum explica como essa capacidade chegou a existir, e é dessa resposta que depende quem precisa produzir o próximo.

O que distingue o engenheiro sênior de 2026 é histórico, porque ele foi formado antes da assistência, quando escreveu a implementação difícil, depurou sem sugestão, leu código alheio sem resumo, apanhou de concorrência e viu o sistema cair sem entender por quê até entender. Essa trajetória produziu esquemas sobre a camada que o agente hoje abstrai, e com eles ele julga uma saída não determinística. Ao revisar o código do agente, ele pouco o compara com o que teria escrito; o que faz é reconhecer, na saída, padrões de falha que só se reconhece tendo estado embaixo da abstração.

Três consequências decorrem.

A primeira é que o estoque não se repõe sozinho, e a razão é de posição e não de intensidade, conforme a Seção 4.2. Enquanto a organização opera com ele, tudo funciona, e os ganhos de produtividade dos times sêniores com agentes são reais. O problema é temporal, e a afirmação tem forma quantitativa mesmo onde os números faltam. O estoque é o número de engenheiros capazes de julgar formulação, drenado por aposentadoria, por saída da engenharia e por obsolescência de contexto, e não disputo nenhum desses fatores. A reposição vem de juniores que entram e se formam, e resulta do produto da taxa de contratação para trabalho consequente pela fração dos contratados que forma julgamento ao executá-lo. A primeira taxa está caindo, como mostra a Seção 5, e a segunda ninguém mede, embora eu sustente que a assistência a reduz enquanto aumenta a produção. Qualquer dos três termos pode estar errado. Uma empresa que contrata como antes, e cujos juniores se formam como antes, não está exposta a este argumento; uma empresa que corta a contratação de entrada e entrega um assistente aos juniores que restam está exposta duas vezes, e suas métricas de entrega não vão mostrar isso.

A segunda é que o mérito do sênior é, em parte, sorte de época, e o meu também, porque fui formado com fundamento por falta de alternativa e não por ter escolhido bem. Para a política de formação, a consequência é deslocar a questão da virtude individual para o desenho de sistema. Se o que produziu a competência foi a ausência de atalho, e o atalho agora existe e é gratuito, a única forma de reproduzir a competência é reintroduzir deliberadamente a restrição que antes vinha de graça.

A terceira é uma incerteza que não sei resolver com o que existe hoje e que muda a prescrição conforme a resposta. Eu disse que o sênior foi “formado” pela baixa abstração, mas os dados são igualmente compatíveis com a hipótese de que ele foi “selecionado” por ela, caso em que quem não atravessou a barreira saiu da profissão e o que observamos seria o resíduo de um filtro em vez do produto de uma formação.

As duas histórias produzem exatamente as mesmas observações e recomendam intervenções opostas. Se o mecanismo é formação, reintroduzir atrito forma gente; se é seleção, apenas filtra, e filtra com viés conhecido, porque a tolerância a atrito se distribui de forma desigual e correlaciona com origem, tempo disponível e rede de apoio. Nesse segundo caso, a proposição P1 da Seção 6 deixa de produzir mais julgamento e passa a produzir menos gente, vinda de onde já vinha pouca.

Essa é uma condição de contorno explícita da proposição, e o desenho que distinguiria as duas hipóteses é o da Seção 13, acrescido da exigência de medir abandono junto com o desempenho de quem ficou.

9. E se a fronteira se mover?

O julgamento seria o resíduo humano durável, aquilo que sobra quando a execução é absorvida, e Bek nega essa premissa ao afirmar que “o julgamento de hoje virará a inteligência de amanhã” [1]. Se ele estiver certo, esta prescrição tem prazo de validade e protege a última posição antes de ela também cair.

O argumento dele para o deslocamento da fronteira é específico e não depende de promessa de capacidade futura do modelo. À medida que sistemas de IA executam trabalho de inteligência dentro de uma profissão, acumulam dados proprietários sobre como as decisões daquela profissão são tomadas, e é essa acumulação que converte julgamento em inteligência, por um mecanismo de aquisição de dados do tipo que tem histórico de funcionar. Aceito o mecanismo e discordo da conclusão em três pontos, todos verificáveis contra o próprio argumento dele.

O primeiro é que o mecanismo é parasitário do que consome, porque a fronteira se desloca enquanto o sistema observa julgamento humano sendo exercido, e se a profissão para de formar quem exerce julgamento, a fonte do dado seca antes que a conversão se complete. O argumento de Bek [1] supõe implicitamente um estoque contínuo de julgamento humano observável, e as duas teses colidem exatamente aí, porque descrevi essa mesma suposição como em risco.

O segundo é que o mecanismo funciona onde há um padrão a extrair, o que é diferente de haver uma decisão a tomar. As categorias que ele elege como prioritárias, como codificação de faturamento hospitalar e emissão de contratos padronizados, são casos em que a decisão já era regida por regra e em que o julgamento humano entrava como custo de transação sem envolver escolha, razão pela qual a queda delas era previsível antes da IA generativa.

O terceiro é temporal e tem consequência direta para quem decide, porque mesmo que a conversão aconteça, ela acontece por profissão, ao longo de anos, e depende de dados que precisam ser gerados antes de serem aprendidos. A janela em que a organização opera com estoque decrescente de julgamento humano e conversão incompleta coincide com o horizonte de cinco a dez anos em discussão aqui, e nela a tese [1], se correta, adia o problema e o transfere para quem tiver os dados, sem eliminá-lo.

Ele me convence, porém, na distinção entre inteligência e julgamento, mais operacional do que a que eu vinha usando, e a Seção 10 a incorpora como critério de delegação.

10. IA como ferramenta, não como metodologia

10.1. A distinção

A prescrição depende de separar ferramenta de metodologia, distinção que costuma ser tratada como retórica e tem consequência operacional. Metodologia é o que decide como o trabalho é organizado, como o problema é decomposto e como as decisões são tomadas e revisadas, enquanto ferramenta é o que executa dentro de um método já decidido. A mesma tecnologia pode ocupar os dois lugares, e a diferença entre eles não aparece no curto prazo, só no horizonte em que a organização precisa formar quem decide (Tabela 4).

Tabela 4. A mesma tecnologia em dois lugares distintos do sistema de trabalho.

A segunda coluna funciona enquanto durar o estoque descrito na Seção 8, e depende dele para funcionar. Ao contrário do que supõe a discussão pública, o risco não decorre de termos deixado de treinar juniores em IA, e sim de eles não terem sido expostos à baixa abstração do fundamento, o que os deixa fora da posição de ocupar a primeira coluna quando os atuais ocupantes saírem.

Arriscado, nesse caso, não quer dizer inviável, porque duas saídas permanecem abertas e ambas foram levantadas aqui. A capacidade pode ser institucionalizada em avaliação contínua e política executável, como discute a Seção 3.5, ou a fronteira entre inteligência e julgamento pode se deslocar a ponto de a primeira coluna encolher, como sustenta a Seção 9. Estabelecido está apenas que a segunda coluna consome um estoque cuja taxa de reposição está caindo e que nenhuma das duas saídas está demonstrada, de modo que operar assim é uma aposta, e quem a faz deveria saber em que está apostando.

A distinção entre inteligência e julgamento [1] dá o critério de corte dessa regra, e o critério se aplica à tarefa, independentemente da confiança que se tenha no modelo. Tarefa cuja resposta decorre de regra conhecida é candidata legítima à delegação, porque delegá-la não transfere método, ao passo que a tarefa cuja resposta depende de decidir o que deve ser feito não o é, mesmo quando o modelo produz saída plausível, porque aí a delegação move a metodologia para dentro do modelo.

10.2. O que a distinção implica na prática

A especificação e a arquitetura permanecem humanas e escritas, não por desconfiança do modelo, mas porque são o artefato que preserva o percurso de decisão, e é o percurso que forma quem vem depois e que permite auditar o que foi feito. O agente opera dentro de um envelope declarado, com escopo, permissões e critérios de aceitação definidos antes da execução e verificados fora do laço de inferência (Figura 5, Seção 11.2).

Disso decorrem duas alocações. A revisão passa a ser atividade de primeira classe, com dono e com orçamento, porque se o gargalo migrou para a verificação (Seção 7.3), tratar revisão como despesa residual é otimizar o lado errado da restrição, e a aceitação de saída assistida em produção passa a exigir aval de quem tem fundamento, em reconhecimento de que a competência de julgar é hoje o recurso escasso.

11. Estrutura e governança

11.1. Quem constrói, quem opera, quem sustenta

A separação entre uma engenharia que constrói e uma operação que roda já era um antipadrão antes da IA: um time tomar decisões técnicas críticas e, quando algo dá errado, acordar outro time para consertar não é compatível com propriedade [72].

Agentes tornam a separação insustentável, e não apenas indesejável, porque o comportamento de um agente é não determinístico e depurá-lo exige entender o “prompt” de sistema, a janela de contexto, a qualidade da recuperação e a cadeia de raciocínio, enquanto uma operação organizada para reiniciar serviços e abrir chamados enxerga apenas o sintoma. O teste que serve de diagnóstico é operacional e consiste em verificar se a equipe de operação consegue ler prompts, rastrear cadeias de raciocínio e avaliar qualidade de recuperação, ou se reinicia serviços e abre chamados.

Para entrega, o formato de célula que funciona é conhecido e consiste num time pequeno de engenheiros experientes com agentes, com propriedade de ponta a ponta sobre um fluxo de trabalho. Nele opera a lei de Conway [73], e é o que Skelton e Pais chamam de time de fluxo com propriedade total [74]. Shipper leva a tendência ao limite ao observar que o time de duas pizzas já ficou grande demais para construir software com agentes [75]. Esse formato exige uma camada de plataforma, porque não se faz propriedade de ponta a ponta com agentes sem infraestrutura que os trate como cidadãos de primeira classe [76].

Figura 4. A célula e a organização não têm o mesmo formato ótimo. A pirâmide invertida descreve bem uma célula de entrega; a ampulheta é a única que também reproduz o insumo de que a célula depende.

Como consequência, mostrada na Figura 4, o formato ótimo da célula não é o formato ótimo da organização, porque uma célula sênior com agentes entrega bem e não forma ninguém, e uma organização feita só de células assim entrega bem por alguns anos e depois não tem de onde tirar quem forma a próxima célula. A ampulheta sustenta as duas coisas porque mantém a base, não como concessão social, mas por ser ela que produz o insumo escasso do modelo, ainda que custe mais no curto prazo e seja a primeira coisa a ser cortada num trimestre ruim.

Sobre onde essa decisão mora, Allen formula que velocidade é uma escolha de executivo [72], e a forma da organização também é, com a diferença de que seus efeitos, ao contrário dos da velocidade, só aparecem depois do mandato de quem a escolheu.

Quando parte do trabalho de inteligência migra para fornecedores que vendem resultado, a organização que compra precisa de menos gente para executar e de mais gente capaz de especificar e verificar, de modo que a pressão recai sobre a mesma competência escassa.

11.2. Governança como infraestrutura

Se o agente opera dentro de um envelope, o envelope precisa ser executável. A convergência entre reguladores e pilhas de produto sugere que o recorte é estrutural: a IMDA de Singapura organiza a governança de IA agêntica em avaliar e limitar riscos antecipadamente, tornar humanos significativamente responsáveis, implementar controles técnicos ao longo do ciclo de vida e habilitar transparência ao usuário final [77], e as obrigações de registro e rastreabilidade do Regulamento (UE) 2024/1689 pedem substancialmente o mesmo [78]. As quatro perguntas e o mecanismo que cada uma exige estão resumidos no Recurso Online 2.

Figura 5. O envelope do agente. A decisão sobre o que pode ser feito é avaliada fora do laço de inferência, no ponto de autorização, e por isso não é alcançável pelo conteúdo que entra no contexto.

A camada que a maioria das implementações não tem é a segunda. Pedir ao sistema que se comporte difere de impedi-lo de agir pela posição em que o controle atua, e não pelo seu conteúdo, e por isso linguagens de autorização com semântica analisável importam mais aqui do que na aplicação convencional [79], [80].

No plano técnico, isso materializa o que a Seção 10 prescreve, com o método fora do modelo, escrito por humanos, verificável e auditável, e o modelo executando dentro dele.

12. Limitações

A tese central é hipótese fundamentada, não achado. Nenhum estudo disponível acompanha uma coorte de desenvolvedores por tempo suficiente para medir formação de julgamento, que é a variável dependente do argumento.

A base é jovem e parcialmente comercial, dos dois lados. Achados relevantes vêm de relatórios de fornecedor com metodologia publicada apenas em parte [21], [63] e de preprints [28], [30], [61], [64]. Isso vale tanto para a evidência que sustenta a tese quanto para a que a contraria, já que a bifurcação do mercado se apoia em relatórios de fornecedor [40], [41] e o achado mais forte sobre formação é preprint [28], e o leitor que descontar uma delas deve, portanto, descontar a outra na mesma proporção.

Há evidência que qualifica a tese e evidência que confronta a premissa. As Seções 4.3 e 9 tratam das duas, e a resposta que dou à segunda, por ser argumentativa e não empírica, permanece aberta.

A tese precisa dizer o que a refutaria. Uma afirmação que prevê consequências fora do horizonte de medição tem o formato de uma proposição que se protege, e por isso declaro três observações que, se ocorrerem, contam contra o argumento:

1. Um termo de interação entre conhecimento prévio e exposição à assistência, estimado com poder adequado sobre medida de transferência, com sinal não negativo.

1. A taxa de promoção a sênior, em organizações de adoção intensa, permanecendo dentro da faixa histórica ao longo de cinco anos, corrigida por ciclo econômico.

1. Ausência de diferença de qualidade de julgamento, em avaliação cega de decisões de arquitetura, entre engenheiros formados antes e depois de 2023, controlando por anos de experiência.

Não há dado brasileiro. Todas as séries de emprego citadas são dos Estados Unidos ou da Europa, e a estrutura do mercado brasileiro, com proporção distinta de terceirização e de exportação de serviços, pode produzir dinâmica diferente, de modo que tratar as curvas europeias como preditivas seria extrapolar.

O argumento da escala não tem evidência agregada. Nenhuma série agregada sustenta o que a Seção 3.6 afirma, e por isso nenhuma outra parte do argumento é tão especulativa quanto ela.

13. Conclusão e agenda

O isqueiro foi uma boa troca porque não era preciso saber fazer fogo para julgar o fogo, e porque a compressão foi local. A troca que estamos fazendo agora não satisfaz nenhuma das duas condições, já que a camada abstraída é a que produzia a competência de julgar e a compressão é simultânea em quase todas as esferas. Sem essas condições, a analogia tranquilizadora de que sempre foi assim e sempre deu certo não sustenta o peso que colocam sobre ela.

Na pessoa e na organização, que ocupam as duas metades do argumento, opera o mesmo mecanismo em escalas diferentes. A assistência entrega ao indivíduo o resultado e lhe retira o percurso, e o indicador melhora enquanto a capacidade piora; na organização, a célula sênior com agentes entrega mais do que jamais entregou enquanto a esteira que produz sêniores é desmontada por decisão trimestral, e em ambos os casos o dano permanece invisível no horizonte em que se mede, embora seja severo no horizonte em que se decide.

A prescrição também é a mesma nas duas escalas, porque nas duas o que se protege é a capacidade de julgar, a primeira a se perder e a última a voltar. Na formação, ela consiste em reintroduzir a restrição que antes vinha de graça, com assistência que conduz e avaliação por reconstrução, sob a condição declarada na Seção 8, segundo a qual a restrição forma se o mecanismo for formação e filtra se for seleção, e o braço com salvaguardas de Bastani et al. pesa a favor da primeira hipótese [25]. Na engenharia, a decisão de método fica do lado humano, com o modelo executando dentro de um envelope verificado fora do laço de inferência.

A objeção da Seção 9 continua de pé, porque, se o julgamento de hoje virar a inteligência de amanhã, esta prescrição protege uma posição temporária. Ainda assim, proteger uma posição temporária difere de não proteger nada pelo tempo que ela compra, e a decisão sobre o que fazer com esse tempo precisa ser tomada dentro dele.

A pergunta central da agenda é se a assistência degrada a formação de julgamento em horizonte longo, e sob que desenho de tarefa e de ferramenta essa degradação desaparece. O desenho mínimo para respondê-la acompanha uma coorte em início de carreira por vinte e quatro meses ou mais, com braços diferenciados por regime de exposição e medida de transferência conceitual e de depuração em vez de conclusão de tarefa. Ficam abertas outras duas perguntas: existe, na compressão simultânea, esfera de compensação onde o aprendizado de primeira mão siga acontecendo? E, se a fronteira entre inteligência e julgamento de fato se deslocar, o que acontece com o mecanismo que a desloca quando a fonte de julgamento humano observável começa a secar?

Enquanto esses estudos não existirem, cada organização que corta sua base, a minha inclusive, está fazendo o experimento sem grupo de controle e sem registrar o resultado, e foi por estar entre elas que escrevi isto.

Declarações

Financiamento. Este trabalho não recebeu financiamento.

Conflito de interesses. O autor dirige uma empresa de engenharia e ensina em uma escola superior de Computação. A tese de que a formação humana continua sendo o recurso escasso é consistente com as duas posições, o que está declarado na Seção 1 e tratado ali como razão para busca adversarial de fontes, e não como uma revelação que encerra a questão.

Aprovação ética. Não se aplica. O artigo é trabalho de síntese e argumentação e não envolve participantes humanos.

Disponibilidade de dados. Nenhum dado novo foi gerado. Toda afirmação empírica é rastreada a uma fonte primária publicada e listada nas referências; o Recurso Online 1 registra as afirmações em circulação que não puderam ser rastreadas.

Uso de IA generativa. Um modelo de linguagem foi usado para tradução entre português e inglês, edição de texto, formatação de referências e revisão estrutural, e produziu o primeiro rascunho da Seção 3.3, que o autor verificou contra os textos primários e reescreveu. O argumento, a seleção de fontes e as afirmações são do autor. Nenhum texto foi aceito sem verificação contra a fonte citada.

Recurso Online 1 — Higiene da evidência

Ao rastrear as fontes deste artigo, encontrei um padrão que se repete. Várias das estatísticas mais citadas em material executivo sobre IA e engenharia [2] não sobrevivem à conferência. Não por má-fé, mas por citação em cadeia, em que cada elo cita o anterior e ninguém volta à fonte. A tabela abaixo lista as afirmações verificadas diretamente. “Não localizada” não significa falsa. Significa que a afirmação não deve ser usada como base de decisão sem que quem a apresenta forneça a referência.

Tabela 5. Afirmações em circulação e o que a fonte primária sustenta.

Recurso Online 2 — Quatro perguntas de governança e seus mecanismos

A tabela abaixo detalha o recorte de governança discutido na Seção 11: as quatro perguntas a que um envelope executável precisa responder, e o mecanismo que cada uma exige.

Tabela 6. Quatro perguntas de governança e seus mecanismos.

Referências

[1] J. Bek, “Services: The New Software”. Sequoia Capital, março de 2026. Disponível em: https://sequoiacap.com/article/services-the-new-software

[2] Industry executive material, “Executive presentations and reports on artificial intelligence and software engineering”. 2026.

[3] J. Allen, “A 12 Step Program to Get from Zero to Hundreds of AWS-Certified Engineers”. AWS Cloud Enterprise Strategy Blog, julho de 2017. Disponível em: https://aws.amazon.com/blogs/enterprise-strategy/a-12-step-program-to-get-from-zero-to/

[4] N. J. Slamecka e P. Graf, “The Generation Effect: Delineation of a Phenomenon”, Journal of Experimental Psychology: Human Learning and Memory, vol. 4, nº 6, p. 592–604, 1978, doi: 10.1037/0278-7393.4.6.592.

[5] J. Sweller, “Cognitive Load During Problem Solving: Effects on Learning”, Cognitive Science, vol. 12, nº 2, p. 257–285, 1988, doi: 10.1207/s15516709cog1202_4.

[6] R. A. Bjork, “Memory and Metamemory Considerations in the Training of Human Beings”, em Metacognition: Knowing about Knowing, J. Metcalfe e A. P. Shimamura, Orgs., Cambridge, MA: The MIT Press, 1994, p. 185–206. doi: 10.7551/mitpress/4561.003.0011.

[7] R. A. Bjork e E. L. Bjork, “Desirable Difficulties in Theory and Practice”, Journal of Applied Research in Memory and Cognition, vol. 9, nº 4, p. 475–479, 2020, doi: 10.1016/j.jarmac.2020.09.003.

[8] J. Tai, R. Ajjawi, D. Boud, P. Dawson, e E. Panadero, “Developing Evaluative Judgement: Enabling Students to Make Decisions about the Quality of Work”, Higher Education, vol. 76, nº 3, p. 467–481, 2018, doi: 10.1007/s10734-017-0220-3.

[9] M. Bearman e R. Ajjawi, “Learning to Work with the Black Box: Pedagogy for a World with Artificial Intelligence”, British Journal of Educational Technology, vol. 54, nº 5, p. 1160–1173, 2023, doi: 10.1111/bjet.13337.

[10] L. Bainbridge, “Ironies of Automation”, Automatica, vol. 19, nº 6, p. 775–779, 1983, doi: 10.1016/0005-1098(83)90046-890046-8).

[11] R. Parasuraman e D. H. Manzey, “Complacency and Bias in Human Use of Automation: An Attentional Integration”, Human Factors, vol. 52, nº 3, p. 381–410, 2010, doi: 10.1177/0018720810376055.

[12] N. Carr, The Glass Cage: Automation and Us. New York: W. W. Norton, 2014.

[13] H. Braverman, Labor and Monopoly Capital: The Degradation of Work in the Twentieth Century. New York: Monthly Review Press, 1974.

[14] P. Attewell, “The Deskilling Controversy”, Work and Occupations, vol. 14, nº 3, p. 323–346, 1987.

[15] S. Zuboff, In the Age of the Smart Machine: The Future of Work and Power. New York: Basic Books, 1988.

[16] H. Collins, Tacit and Explicit Knowledge. Chicago: University of Chicago Press, 2010.

[17] H. Collins e R. Evans, Rethinking Expertise. Chicago: University of Chicago Press, 2007.

[18] E. W. Dijkstra, “How Do We Tell Truths That Might Hurt?” E. W. Dijkstra Archive, University of Texas at Austin, 1975. Disponível em: https://www.cs.utexas.edu/~EWD/transcriptions/EWD04xx/EWD498.html

[19] J. Backus, “The History of FORTRAN I, II, and III”, ACM SIGPLAN Notices, vol. 13, nº 8, p. 165–180, 1978, doi: 10.1145/960118.808380.

[20] N. L. Ensmenger, The Computer Boys Take Over: Computers, Programmers, and the Politics of Technical Expertise. Cambridge, MA: The MIT Press, 2010. doi: 10.7551/mitpress/9780262050937.001.0001.

[21] I. Nussbaum, “4x Velocity, 10x Vulnerabilities: AI Coding Assistants Are Shipping More Risks”. Apiiro Blog, setembro de 2025. Disponível em: https://apiiro.com/blog/4x-velocity-10x-vulnerabilities-ai-coding-assistants-are-shipping-more-risks/

[22] D. M. Wegner, “Transactive Memory: A Contemporary Analysis of the Group Mind”, em Theories of Group Behavior, New York: Springer, 1987, p. 185–208. doi: 10.1007/978-1-4612-4634-3_9.

[23] E. Hutchins, Cognition in the Wild. Cambridge, MA: The MIT Press, 1995. doi: 10.7551/mitpress/1881.001.0001.

[24] J. Hollan, E. Hutchins, e D. Kirsh, “Distributed Cognition: Toward a New Foundation for Human-Computer Interaction Research”, ACM Transactions on Computer-Human Interaction, vol. 7, nº 2, p. 174–196, 2000, doi: 10.1145/353485.353487.

[25] H. Bastani, O. Bastani, A. Sungu, H. Ge, Ö. Kabakçı, e R. Mariman, “Generative AI Without Guardrails Can Harm Learning: Evidence from High School Mathematics”, Proceedings of the National Academy of Sciences, vol. 122, nº 26, p. e2422633122, 2025, doi: 10.1073/pnas.2422633122.

[26] Y. Fan et al., “Beware of Metacognitive Laziness: Effects of Generative Artificial Intelligence on Learning Motivation, Processes, and Performance”, British Journal of Educational Technology, vol. 56, nº 2, p. 489–530, 2025, doi: 10.1111/bjet.13544.

[27] J. Prather et al., “The Widening Gap: The Benefits and Harms of Generative AI for Novice Programmers”, em Proc. 2024 ACM Conf. on International Computing Education Research (ICER), 2024, p. 469–486. doi: 10.1145/3632620.3671116.

[28] J. H. Shen e A. Tamkin, “How AI Assistance Impacts the Formation of Coding Skills”, Anthropic, jan. 2026. Disponível em: https://www.anthropic.com/research/AI-assistance-coding-skills

[29] H.-P. Lee et al., “The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects from a Survey of Knowledge Workers”, em Proc. 2025 CHI Conf. on Human Factors in Computing Systems, 2025. doi: 10.1145/3706598.3713778.

[30] N. Kosmyna et al., “Your Brain on ChatGPT: Accumulation of Cognitive Debt When Using an AI Assistant for Essay Writing Task”. arXiv:2506.08872, 2025. doi: 10.48550/arXiv.2506.08872.

[31] M. Stankovic, E. Hirche, S. Kollatzsch, e J. N. Doetsch, “Comment on: Your Brain on ChatGPT”. arXiv:2601.00856, 2025. doi: 10.48550/arXiv.2601.00856.

[32] K. Z. Cui, M. Demirer, S. Jaffe, L. Musolff, S. Peng, e T. Salz, “The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers”, Management Science, 2026, doi: 10.1287/mnsc.2025.00535.

[33] E. Brynjolfsson, D. Li, e L. Raymond, “Generative AI at Work”, The Quarterly Journal of Economics, vol. 140, nº 2, p. 889–942, 2025, doi: 10.1093/qje/qjae044.

[34] F. Dell’Acqua et al., “Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality”, Harvard Business School, Working Paper 24-013, 2023. doi: 10.2139/ssrn.4573321.

[35] S. Noy e W. Zhang, “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence”, Science, vol. 381, nº 6654, p. 187–192, 2023, doi: 10.1126/science.adh2586.

[36] S. Peng, E. Kalliamvakou, P. Cihon, e M. Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot”. arXiv:2302.06590, 2023. doi: 10.48550/arXiv.2302.06590.

[37] S. Maier, M. Gunzenhäuser, J. Schweisthal, M. Schneider, e S. Feuerriegel, “A Meta-Analysis of the Effect of Generative AI on Productivity and Learning in Programming”. arXiv:2605.04779, 2026.

[38] M. Alanazi, B. Soh, H. Samra, e A. Li, “The Influence of Artificial Intelligence Tools on Learning Outcomes in Computer Programming: A Systematic Review and Meta-Analysis”, Computers, vol. 14, nº 5, p. 185, 2025, doi: 10.3390/computers14050185.

[39] S. Kalyuga, P. Ayres, P. Chandler, e J. Sweller, “The Expertise Reversal Effect”, Educational Psychologist, vol. 38, nº 1, p. 23–31, 2003, doi: 10.1207/s15326985ep3801_4.

[40] Ravio, “Early Career Hiring Is Down 73%: Why It Is Time to Redesign Entry-Level Roles for the AI Era”. Ravio Blog, julho de 2025. Disponível em: https://ravio.com/blog/early-career-hiring

[41] A. Bantock, “The SignalFire State of Tech Talent Report 2025”, SignalFire, 2025. Disponível em: https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025

[42] S. M. Hosseini Maasoum e G. Lichtinger, “Generative AI as Seniority-Biased Technological Change: Evidence from U.S. Résumé and Job Posting Data”, Harvard University, SSRN Working Paper 5425555, 2025. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555

[43] E. Brynjolfsson, B. Chandar, e R. Chen, “Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence”, Stanford Digital Economy Lab, ago. 2025. Disponível em: https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine

[44] D. Shapero, “AI Has Already Added 1.3 Million Jobs, LinkedIn Data Says”. World Economic Forum, janeiro de 2026. Disponível em: https://www.weforum.org/stories/jobs-and-the-future-of-work/ai-has-already-added-1-3-million-new-jobs-according-to-linkedin-data/

[45] Implicator.ai, “Software Engineering Openings Jump 30% Even as 52,000 Tech Workers Lose Jobs”. Reportagem sobre dados do TrueUp (9.000 empresas), 1º trimestre de 2026, abril de 2026. Disponível em: https://www.implicator.ai/software-engineering-openings-jump-30-even-as-52-000-tech-workers-lose-jobs/

[46] LinkedIn News, “LinkedIn Jobs on the Rise 2026: The 25 Fastest-Growing Roles in the U.S.” janeiro de 2026. Disponível em: https://www.linkedin.com/pulse/linkedin-jobs-rise-2026-25-fastest-growing-roles-us-linkedin-news-dlb1c

[47] P. Tambe e L. M. Hitt, “Now IT’s Personal: Offshoring and the Shifting Skill Composition of the U.S. Information Technology Workforce”, Management Science, vol. 58, nº 4, p. 678–695, 2012, doi: 10.1287/mnsc.1110.1445.

[48] M. Y. Vardi, “Globalization and Offshoring of Software Revisited”, Communications of the ACM, vol. 53, nº 5, p. 5, 2010, doi: 10.1145/1735223.1735224.

[49] J. Bessen, Learning by Doing: The Real Connection between Innovation, Wages, and Wealth. New Haven: Yale University Press, 2015. doi: 10.12987/9780300213645.

[50] S. Sharwood, “AWS CEO Says Using AI to Replace Junior Staff Is the ‘Dumbest Thing I’ve Ever Heard’”. The Register, agosto de 2025. Disponível em: https://www.theregister.com/2025/08/21/aws_ceo_entry_level_jobs_opinion/

[51] J. Lave e E. Wenger, Situated Learning: Legitimate Peripheral Participation. Cambridge: Cambridge University Press, 1991. doi: 10.1017/CBO9780511815355.

[52] J. S. Brown e P. Duguid, “Organizational Learning and Communities-of-Practice: Toward a Unified View of Working, Learning, and Innovation”, Organization Science, vol. 2, nº 1, p. 40–57, 1991, doi: 10.1287/orsc.2.1.40.

[53] M. Polanyi, The Tacit Dimension. Chicago: University of Chicago Press, 2009.

[54] S. E. Dreyfus, “The Five-Stage Model of Adult Skill Acquisition”, Bulletin of Science, Technology and Society, vol. 24, nº 3, p. 177–181, 2004, doi: 10.1177/0270467604264992.

[55] J. Allen, “12 Steps to Get Started With The Cloud”. AWS Cloud Enterprise Strategy Blog, janeiro de 2018. Disponível em: https://aws.amazon.com/blogs/enterprise-strategy/12-steps-to-get-started-with-the-cloud/

[56] J. Allen, “The Future Waits for Nobody: My Capital One Journey to the AWS Cloud”. AWS Cloud Enterprise Strategy Blog, junho de 2017. Disponível em: https://aws.amazon.com/blogs/enterprise-strategy/the-future-waits-for-nobody-my-capital-one-journey-to-the-aws-cloud/

[57] AI Index Steering Committee, “The 2026 AI Index Report, Chapter 4: Economy”, Stanford Institute for Human-Centered Artificial Intelligence, abr. 2026. Disponível em: https://hai.stanford.edu/assets/files/ai_index_report_2026_chapter_4_economy.pdf

[58] DORA e Google Cloud, “2025 DORA Report: State of AI-assisted Software Development”, Google Cloud, set. 2025. Disponível em: https://cloud.google.com/blog/products/ai-machine-learning/announcing-the-2025-dora-report

[59] Stack Overflow, “2025 Stack Overflow Developer Survey: AI”, Stack Overflow, 2025. Disponível em: https://survey.stackoverflow.co/2025/ai

[60] E. May, “Mind the Gap: Closing the AI Trust Gap for Developers”. The Stack Overflow Blog, fevereiro de 2026. Disponível em: https://stackoverflow.blog/2026/02/18/closing-the-developer-ai-trust-gap/

[61] A. Challapally, C. Pease, R. Raskar, e P. Chari, “The GenAI Divide: State of AI in Business 2025”, MIT NANDA, jul. 2025.

[62] J. Becker, N. Rush, B. Barnes, e D. Rein, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity”, METR — Model Evaluation; Threat Research, jul. 2025. Disponível em: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

[63] CodeRabbit, “State of the AI vs. Human Code Generation Report”, CodeRabbit, dez. 2025. Disponível em: https://www.coderabbit.ai/whitepapers/state-of-AI-vs-human-code-generation-report

[64] A. Vella e K. Blincoe, “The Impact of AI Coding Assistants on Software Engineering: A Longitudinal Study”. arXiv:2605.23135, 2026.

[65] Anthropic, “Meet the Winners of Our Built with Opus 4.6 Claude Code Hackathon”. Anthropic (blog), fevereiro de 2026. Disponível em: https://claude.com/blog/meet-the-winners-of-our-built-with-opus-4-6-claude-code-hackathon

[66] U. Joshi, G. Venkatraman, e M. Fowler, “Expert Generalist”. martinfowler.com, julho de 2025. Disponível em: https://martinfowler.com/articles/expert-generalist.html

[67] J. Appelo, “Why Ravens May Rule the Future of Work”. jurgenappelo.com, setembro de 2025. Disponível em: https://jurgenappelo.com/blogs/news/why-ravens-may-rule-the-future-of-work

[68] PwC, “2026 AI Business Predictions”. dezembro de 2025. Disponível em: https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-predictions.html

[69] Amazon Staff, “Five Tech Predictions for 2026 and Beyond, According to Amazon CTO Dr. Werner Vogels”. About Amazon, novembro de 2025. Disponível em: https://www.aboutamazon.com/news/aws/werner-vogels-amazon-cto-predictions-2026

[70] S. Sanfilippo, “Control the Ideas, Not the Code”. antirez.com, julho de 2026. Disponível em: https://antirez.com/news/169

[71] A. Ng, “The Product Management Bottleneck”. The Batch, DeepLearning.AI, issue 349, abril de 2026. Disponível em: https://www.deeplearning.ai/the-batch/issue-349

[72] J. Allen, “Untangling Your Organisational Hairball: Well-Controlled”. AWS Cloud Enterprise Strategy Blog, 2024. Disponível em: https://aws.amazon.com/blogs/enterprise-strategy/untangling-your-organisational-hairball-well-controlled/

[73] M. E. Conway, “How Do Committees Invent?”, Datamation, vol. 14, nº 5, p. 28–31, 1968.

[74] M. Skelton e M. Pais, Team Topologies: Organizing Business and Technology Teams for Fast Flow. Portland, OR: IT Revolution Press, 2019.

[75] D. Shipper, “The Two-Slice Team”. Every, Chain of Thought, fevereiro de 2026. Disponível em: https://every.to/chain-of-thought/the-two-slice-team

[76] L. Galante, “Ten Platform Engineering Predictions for 2026”. PlatformEngineering.org, dezembro de 2025. Disponível em: https://platformengineering.org/blog/10-platform-engineering-predictions-for-2026

[77] Infocomm Media Development Authority, “Model AI Governance Framework for Agentic AI, Version 1.0”, IMDA, Singapore, jan. 2026. Disponível em: https://www.imda.gov.sg/resources/press-releases-factsheets-and-speeches/press-releases/2026/new-model-ai-governance-framework-for-agentic-ai

[78] European Parliament and Council of the European Union, “Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act)”. Official Journal of the European Union, junho de 2024. Disponível em: https://eur-lex.europa.eu/eli/reg/2024/1689/oj

[79] J. W. Cutler et al., “Cedar: A New Language for Expressive, Fast, Safe, and Analyzable Authorization”, Proceedings of the ACM on Programming Languages, vol. 8, nº OOPSLA1, 2024, doi: 10.1145/3649835.

[80] Amazon Web Services, “Amazon Bedrock AgentCore Now Includes Policy (Preview), Evaluations (Preview) and More”. AWS What’s New, dezembro de 2025. Disponível em: https://aws.amazon.com/about-aws/whats-new/2025/12/amazon-bedrock-agentcore-policy-evaluations-preview

[81] J. Magerramov, “Amazon Bedrock Mantle and Developing at the Speed of AI”. AWS Podcast, episode 753, janeiro de 2026.

[82] Cyera Research Labs, “2025 State of AI Data Security Report”, Cyera, set. 2025. Disponível em: https://www.cyera.com/research-labs/2025-state-of-ai-data-security-report

[83] Federal Reserve Bank of New York, “The Labor Market for Recent College Graduates”. Quarterly statistical series, 2025. Disponível em: https://www.newyorkfed.org/research/college-labor-market