Gwen Davis considera que, à medida que o uso de agentes de inteligência artificial se amplia, o valor dos desenvolvedores passará cada vez mais da escrita de cada linha de código para a orientação das ferramentas, a revisão de seus resultados e a tomada de decisões técnicas. O artigo propõe três práticas: gerenciar agentes, não aceitar a primeira resposta e investir o tempo economizado na resolução de problemas mais amplos.
O trabalho dos desenvolvedores está mudando à medida que as ferramentas de inteligência artificial passam de ajudar na escrita de código a executar partes maiores das tarefas de programação. Segundo Gwen Davis, escrever código por si só já não é suficiente; ganham importância a definição do problema, o fornecimento do contexto adequado, a avaliação dos resultados e a explicação das compensações técnicas antes da adoção da solução.
1. Orientar a inteligência artificial em vez de apenas usá-la
O artigo explica que a execução em um ambiente baseado em inteligência artificial começa com a definição clara do trabalho, seguida pela distribuição das tarefas e pela revisão dos resultados. Em uma tarefa para adicionar um fluxo de autenticação, por exemplo, um agente pode cuidar da implementação, enquanto outro prepara a documentação e um terceiro prepara o conjunto de testes.
Isso não elimina a responsabilidade do desenvolvedor pelo resultado final. A mudança prática é que o desenvolvedor passa menos tempo implementando manualmente cada parte e mais tempo definindo o que é necessário, coordenando os resultados dos agentes e decidindo o que está adequado para revisão ou lançamento. Davis conclui que aprender a orientar agentes de inteligência artificial se tornou uma habilidade prática independente.
2. Não confie na primeira resposta sem revisá-la
As ferramentas podem produzir uma solução que parece convincente em segundos, mas que pode conter falhas que não aparecem em uma leitura rápida. O artigo usa como exemplo uma consulta SQL que retorna o pedido mais recente de cada cliente; a solução pode deixar de lidar com registros de data e hora idênticos, não sugerir um índice adequado ou apresentar desempenho degradado com tabelas grandes.
Davis propõe usar um segundo modelo para criticar o trabalho do primeiro e, em seguida, aplicar o julgamento de engenharia às duas respostas. Ela observa que os modelos diferem em seus pontos fortes e pontos cegos e menciona que o agente Rubber Duck integrado ao GitHub Copilot usa um segundo modelo para criticar planos, código e testes. A revisão humana, porém, continua necessária; a ideia não é substituir o julgamento humano, mas acrescentar uma perspectiva crítica antes de prosseguir.
3. Usar o tempo economizado para resolver problemas maiores
Quando a inteligência artificial assume uma parcela maior da implementação, o desenvolvedor pode direcionar o tempo disponível para compreender as necessidades dos clientes, avaliar as compensações arquitetônicas, projetar sistemas e tomar decisões que a ferramenta não pode tomar em seu lugar.
Em um exemplo relacionado à adição do modo escuro, a inteligência artificial pode implementar as alterações, gerar os testes e atualizar a documentação. Já a lista do desenvolvedor inclui verificar o problema enfrentado pelos clientes, revisar as compensações arquitetônicas, avaliar a acessibilidade, definir métricas de sucesso e aprovar a solução.
O que muda na prática?
A mensagem principal não é que a habilidade de programar tenha perdido seu valor, mas que o escopo da responsabilidade está se ampliando. O desenvolvedor continua responsável pela qualidade do resultado, mas precisa combinar a capacidade de orientar as ferramentas com a capacidade de identificar seus erros e relacionar a implementação ao verdadeiro objetivo do projeto. O artigo apresenta orientações práticas gerais, mas não define métricas para medir o impacto dessas práticas nem os limites das tarefas que deveriam ser delegadas aos agentes; por isso, as decisões de aplicação continuam relacionadas à natureza do projeto e ao nível de risco.