Escrever um código que funciona por si só já não é prova suficiente de que alguém aprendeu programação, segundo Ardit Sulce, instrutor de Python cujos cursos foram frequentados por mais de 650,000 alunos na Udemy. Com a capacidade das ferramentas de inteligência artificial de produzir grandes partes de aplicativos, o foco passa da escrita de cada linha para a compreensão do que as ferramentas produzem, sua revisão, a detecção de erros e o conhecimento de como os componentes do sistema se conectam.
Essa visão foi apresentada em uma entrevista publicada pelo JetBrains Blog com Sulce, que tem 10 anos de experiência no ensino de programação e possui mestrado em tecnologias geográficas pela University of Münster, na Alemanha. Ele também é fundador e principal desenvolvedor da plataforma ActiveSkill Dev, que utiliza a inteligência artificial como professora particular para o aprendizado de programação e o desenvolvimento de software.
A inteligência artificial mudou mais as perguntas do que eliminou o papel do professor
Sulce afirma que o número de perguntas diárias que recebe dos alunos caiu para entre cinco e 10 vezes menos do que antes da disseminação da inteligência artificial generativa. Quando enfrenta um problema, o aluno pode obter uma resposta imediata em vez de publicar uma pergunta na página de discussão e esperar pelo professor ou pelo assistente de ensino.
Mas as perguntas que permaneceram, segundo sua descrição, tornaram-se maiores e mais dependentes de julgamento: qual caminho seguir? O projeto serve para integrar o portfólio? E como o que o aluno está aprendendo se encaixa no quadro mais amplo? Desse ponto de vista, o papel do curso não se limita a responder a uma pergunta específica, mas consiste em oferecer um percurso estruturado dentro de uma área na qual o iniciante sequer conhece suas perguntas básicas.
As expectativas dos alunos também mudaram. Para eles, um curso de Python que ignore a relação da linguagem com a inteligência artificial parece ultrapassado; eles querem aprender a usar ferramentas para acelerar a escrita de código e criar aplicativos baseados em modelos de linguagem, agentes e automação. Por outro lado, o professor continua sendo importante para determinar o que deve ser aprendido e em que ordem, além de oferecer a motivação e a curiosidade que, segundo Sulce, ainda são difíceis de reproduzir automaticamente pelas ferramentas de inteligência artificial.
Nem todo sofrimento educacional é igual
Sulce diferencia o esforço que constrói compreensão do atrito que desperdiça tempo. Tentar descobrir por que um loop executa uma vez a mais ou acompanhar o fluxo de dados dentro do programa pode fazer parte do aprendizado. Já problemas de instalação de um driver com defeito, um erro de configuração obscuro ou uma aula antiga que já não é compatível com o ambiente atual são obstáculos que podem ser delegados à inteligência artificial sem uma perda educacional evidente.
De acordo com essa regra, o iniciante deve perguntar: resolver esse problema me dará uma compreensão que poderei utilizar mais tarde ou apenas me levará de volta ao ponto de onde parti? Sulce enfatiza que escrever código manualmente continua sendo importante na fase de aprendizado, pois ajuda a construir um modelo mental de variáveis, loops e fluxo de dados. No trabalho profissional, porém, escrever todo o código manualmente pode se tornar menos importante do que revisar o que as ferramentas produzem.
Três habilidades para desenvolvedores no início da carreira
- Ler código que não escreveram: o desenvolvedor deve ler repositórios do GitHub, seus projetos antigos e as saídas dos agentes, além de decidir se o código está correto e continua adequado quando as entradas mudam.
- Expressar com precisão o que é necessário: Sulce considera que uma boa solicitação ao modelo é uma especificação que define o que o código deve fazer e o que não deve fazer, além de como deve se comportar em casos extremos. Isso se aproxima do conceito de requisitos, que frequentemente ficava sob responsabilidade de outra parte.
- Compreensão no nível do sistema: não basta conhecer partes isoladas do código; o desenvolvedor precisa compreender os componentes do aplicativo e a forma como eles se conectam. Essa é a habilidade que o transforma em supervisor da inteligência artificial, em vez de torná-lo dependente de suas saídas.
Isso implica uma mudança na forma de avaliar estudantes e candidatos a empregos. Em vez de simplesmente pedir a construção de um aplicativo, Sulce sugere apresentar um código gerado por inteligência artificial que contenha um problema específico, como um erro nos limites do loop, o engolimento silencioso de exceções ou um comportamento incorreto quando houver uma entrada vazia, e então testar a capacidade da pessoa de detectar e explicar o problema. Também é possível realizar uma sessão de depuração ao vivo para observar como ela restringe o escopo da falha.
Um percurso gradual do código à supervisão
Sulce divide o aprendizado em três etapas: escrever manualmente pequenos programas reais dentro de um ambiente de desenvolvimento integrado; depois, usar a inteligência artificial como professora para explicar o que o aluno não entende durante a transição para projetos maiores; e, por fim, usá-la como colega de trabalho, que escreve partes do código enquanto o aluno as revisa.
Essa progressão pressupõe aumentar gradualmente o tamanho dos projetos: de um script para um aplicativo que utiliza um banco de dados, depois um projeto que lida com usuários, em seguida um serviço publicado e, por fim, um aplicativo que se conecta a uma API. Na prática, o percurso conecta o conhecimento da sintaxe à compreensão dos sistemas, em vez de presumir que a compreensão arquitetural surgirá automaticamente após anos escrevendo código.
A entrevista confirma que aprender dentro de um ambiente de desenvolvimento profissional não é um detalhe meramente formal. Projetos que dependem de inteligência artificial incluem chaves de API em arquivos de ambiente, ambientes virtuais, conflitos de dependências, diferenças entre versões de pacotes e arquivos criados ou modificados pelos agentes. Portanto, a capacidade de executar o projeto, revisar as alterações, corrigir falhas e modificar o código com segurança é o que determina se o aluno realmente supervisiona a ferramenta ou simplesmente aceita o que ela produz.