O fim da programação como a conhecemos

Adaptação e tradução do artigo original de Tim O’Reilly, de 04 de fevereiro de 2025, publicado em https://www.oreilly.com/radar/the-end-of-programming-as-we-know-it/

Há muita conversa na mídia de que os desenvolvedores de software logo perderão seus empregos para a IA. Eu não acredito nisso.

Não é o fim da programação. É o fim da programação como a conhecemos hoje . Isso não é novidade. Os primeiros programadores conectaram circuitos físicos para executar cada cálculo. Eles foram sucedidos por programadores escrevendo instruções de máquina como código binário para serem inseridas um bit de cada vez, acionando interruptores na frente de um computador. A programação em linguagem assembly então pôs fim a isso. Ela permite que um programador use uma linguagem semelhante à humana para dizer ao computador para mover dados para locais na memória e executar cálculos neles. Então, o desenvolvimento de linguagens compiladas de nível ainda mais alto, como Fortran, COBOL e seus sucessores C, C++ e Java, significou que a maioria dos programadores não escrevia mais código assembly. Em vez disso, eles podiam expressar seus desejos ao computador usando abstrações de nível mais alto.

Com o tempo, as linguagens interpretadas, que são muito mais fáceis de depurar, se tornaram a norma.

BASIC, um dos primeiros a fazer sucesso, foi visto inicialmente como um brinquedo, mas logo provou ser a onda do futuro. A programação se tornou acessível a crianças e empreendedores de garagem, não apenas ao sacerdócio de back office em grandes empresas e agências governamentais.

Os sistemas operacionais de consumo também foram uma grande parte da história. Nos primeiros dias do computador pessoal, todo fabricante de computadores precisava de engenheiros de software que pudessem escrever drivers de baixo nível que realizassem o trabalho de leitura e gravação em placas de memória, discos rígidos e periféricos como modems e impressoras. O Windows pôs fim a isso. Ele não teve sucesso apenas porque forneceu uma interface gráfica de usuário que tornou muito mais fácil para indivíduos não treinados usarem computadores. Ele também forneceu o que Marc Andreessen, cuja empresa Netscape estava prestes a ser atropelada pela Microsoft, desdenhosamente (e erroneamente) chamou de "apenas um saco de drivers". Esse saco de drivers, liderado pelas APIs Win32, significava que os programadores não precisavam mais escrever código de baixo nível para controlar a máquina. Esse trabalho foi efetivamente encapsulado no sistema operacional. Windows e macOS, e para dispositivos móveis, iOS e Android, significam que hoje, a maioria dos programadores não precisa mais saber muito do que as gerações anteriores de programadores sabiam.

Havia mais programadores, não menos

Mas isso estava longe do fim da programação. Havia mais programadores do que nunca. Usuários na casa das centenas de milhões consumiam os frutos de sua criatividade. Em uma demonstração clássica de elasticidade da demanda , como o software era mais fácil de criar, seu preço caiu, permitindo que os desenvolvedores criassem soluções pelas quais mais pessoas estavam dispostas a pagar.

A web era outro "fim da programação". De repente, a interface do usuário era composta de documentos legíveis por humanos, exibidos em um navegador com links que, por sua vez, podiam chamar programas em servidores remotos. Qualquer um poderia construir um "aplicativo" simples com habilidade mínima de programação. "Sem código" se tornou uma palavra da moda. Logo, todos precisavam de um site. Ferramentas como o WordPress tornaram possível que não programadores criassem esses sites sem codificação. No entanto, à medida que a tecnologia cresceu em capacidade, sites de sucesso se tornaram cada vez mais complexos. Houve uma separação crescente entre programação "frontend" e "backend". Novas linguagens de programação interpretadas como Python e JavaScript se tornaram dominantes. Dispositivos móveis adicionaram um novo frontend onipresente, exigindo novas habilidades. E mais uma vez, a complexidade estava escondida atrás de frameworks, bibliotecas de funções e APIs que isolavam os programadores de ter que saber tanto sobre a funcionalidade de baixo nível que era essencial para eles aprenderem apenas alguns anos antes.

Big data, serviços web e computação em nuvem estabeleceram um tipo de “ sistema operacional de internet ”. Serviços como Apple Pay, Google Pay e Stripe tornaram possível fazer tarefas empresariais antes difíceis e de alto risco, como receber pagamentos com conhecimento mínimo de programação. Todos os tipos de funcionalidade profunda e poderosa foram disponibilizados por meio de APIs simples. No entanto, essa explosão de sites da internet e os protocolos de rede e APIs que os conectam acabaram criando a necessidade de mais programadores.

Os programadores não estavam mais construindo artefatos de software estáticos atualizados a cada dois anos, mas continuamente desenvolvendo, integrando e mantendo serviços de longa duração. Ainda mais importante, muito do trabalho nesses vastos serviços, como Google Search, Google Maps, Gmail, Amazon, Facebook e Twitter, era automatizado em grande escala. Os programas eram projetados e construídos por humanos, não por IA, mas muito do trabalho em si era feito por predecessores de propósito especial para as IAs de propósito geral de hoje. Os trabalhadores que fazem a maior parte do trabalho pesado nessas empresas já são programas. Os programadores humanos são seus gerentes . Agora, há centenas de milhares de programadores fazendo esse tipo de trabalho de supervisão. Eles já estão vivendo em um mundo onde o trabalho é criar e gerenciar colegas de trabalho digitais.

“Google, Facebook, Amazon ou uma série de startups mais recentes do Vale do Silício… empregam dezenas de milhares de trabalhadores. Se você pensa com uma mentalidade de fábrica do século XX, esses trabalhadores passam seus dias moendo produtos, assim como seus antepassados ​​industriais, só que hoje, eles estão produzindo software em vez de bens físicos. Se, em vez disso, você recuar e ver essas empresas com uma mentalidade do século XXI, você percebe que uma grande parte do trabalho dessas empresas – entregando resultados de pesquisa, notícias e informações, atualizações de status de redes sociais e produtos relevantes para compra – é feito por programas de software e algoritmos. Esses são os verdadeiros trabalhadores, e os programadores que os criam são seus gerentes.” —Tim O'Reilly, “ Managing the Bots That Are Managing the Business ,” MIT Sloan Management Review , 21 de maio de 2016.

Em cada uma dessas ondas, habilidades antigas se tornaram obsoletas — ainda úteis, mas não mais essenciais — e novas se tornaram a chave para o sucesso. Ainda há alguns programadores que escrevem compiladores, milhares que escrevem frameworks JavaScript populares e bibliotecas Python, mas dezenas de milhões que escrevem aplicativos web e móveis e o software de backend que os habilita. Bilhões de usuários consomem o que produzem.

Será que desta vez será diferente?

De repente, porém, é aparentemente possível para um não programador simplesmente falar com um LLM ou agente de software especializado em inglês simples (ou na linguagem humana de sua escolha) e obter um protótipo útil em Python (ou na linguagem de programação de sua escolha). Há até uma nova palavra da moda para isso: CHOP, ou “programação orientada a bate-papo ”. A ascensão de modelos de raciocínio avançado está começando a demonstrar IA que pode gerar até mesmo programas complexos com um prompt de alto nível explicando a tarefa a ser realizada. Como resultado, há muitas pessoas dizendo “desta vez é diferente”, que a IA substituirá completamente a maioria dos programadores humanos e, de fato, a maioria dos trabalhadores do conhecimento. Eles dizem que enfrentamos uma onda de desemprego humano generalizado.

Eu ainda não compro isso . Quando há um avanço que coloca poder de computação avançado nas mãos de um grupo muito maior de pessoas, sim, pessoas comuns podem fazer coisas que antes eram domínio de especialistas altamente treinados. Mas esse mesmo avanço também permite novos tipos de serviços e demanda por esses serviços. Ele cria novas fontes de magia profunda que apenas alguns entendem.

A mágica que está chegando agora é a mais poderosa até agora. E isso significa que estamos começando um profundo período de exploração e criatividade, tentando entender como fazer essa mágica funcionar e derivar novas vantagens de seu poder. Desenvolvedores inteligentes que adotam a tecnologia serão requisitados porque podem fazer muito mais, focando na criatividade de nível mais alto que agrega valor.

Aprender fazendo

A IA não substituirá os programadores, mas transformará seus empregos. Eventualmente, muito do que os programadores fazem hoje pode ser tão obsoleto (para todos, exceto para programadores de sistemas embarcados) quanto a antiga habilidade de depuração com um osciloscópio. O programador mestre e observador de tecnologia presciente Steve Yegge observa que não são os programadores juniores e de nível médio que serão substituídos, mas aqueles que se apegam ao passado em vez de abraçar as novas ferramentas e paradigmas de programação. Aqueles que adquirem ou inventam as novas habilidades estarão em alta demanda. Os desenvolvedores juniores que dominam as ferramentas da IA ​​serão capazes de superar os programadores seniores que não o fazem. Yegge chama isso de " A Morte do Desenvolvedor Teimoso ".

Minhas ideias são moldadas não apenas por meus mais de 40 anos de experiência na indústria de computadores e pelas observações de desenvolvedores como Yegge, mas também pelo trabalho do historiador econômico James Bessen , que estudou como a primeira Revolução Industrial ocorreu nas fábricas têxteis de Lowell, Massachusetts, no início dos anos 1800. À medida que artesãos qualificados eram substituídos por máquinas operadas por mão de obra "não qualificada", os salários humanos eram de fato deprimidos. Mas Bessen notou algo peculiar ao comparar os registros salariais dos trabalhadores nas novas fábricas industriais com os dos antigos artesãos domésticos. Levava quase o mesmo tempo para um artesão aprendiz atingir o salário integral de um jornaleiro qualificado quanto para um dos novos trabalhadores de fábrica não qualificados de nível básico atingir o salário integral e a produtividade. Os trabalhadores em ambos os regimes eram, na verdade, trabalhadores qualificados. Mas eles tinham diferentes tipos de habilidades.

Havia duas grandes razões, Bessen descobriu, pelas quais os salários permaneceram estáveis ​​ou deprimidos durante a maior parte dos primeiros 50 anos da Revolução Industrial antes de decolar e levar a um aumento generalizado da prosperidade. A primeira foi que os donos das fábricas acumularam os benefícios da nova produtividade em vez de compartilhá-la com os trabalhadores. Mas a segunda foi que os maiores ganhos de produtividade levaram décadas para chegar porque o conhecimento de como melhor usar a nova tecnologia ainda não estava amplamente disperso. Levou décadas para os inventores tornarem as máquinas mais robustas, para aqueles que as usavam criarem novos tipos de fluxos de trabalho para torná-los mais eficazes, para criar novos tipos de produtos que pudessem ser feitos com elas, para uma gama mais ampla de empresas adotar as novas tecnologias e para os trabalhadores adquirirem as habilidades necessárias para tirar proveito delas . Os trabalhadores precisavam de novas habilidades não apenas para usar as máquinas, mas para consertá-las, melhorá-las, inventar o futuro que elas implicavam, mas ainda não haviam tornado totalmente possível. Tudo isso acontece por meio de um processo que Bessen chama de "aprender fazendo".

Não é suficiente que alguns indivíduos estejam à frente da curva na adoção de novas habilidades. Bessen explica que “o que importa para uma fábrica, uma indústria e para a sociedade em geral não é quanto tempo leva para treinar um trabalhador individual, mas o que é preciso para criar uma força de trabalho estável e treinada” ( Learning by Doing , 36). Hoje, toda empresa que será tocada por essa revolução (ou seja, toda empresa) precisa colocar a mão na massa. Precisamos de uma força de trabalho alfabetizada em IA. O que é programação, afinal, senão a maneira como os humanos fazem os computadores fazerem o que queremos? O fato de que a “programação” está se aproximando cada vez mais da linguagem humana, que nossas máquinas podem nos entender em vez de termos que falar com elas em sua língua nativa de 0s e 1s, ou algum pidgin de linguagem de programação especializada, deve ser motivo de comemoração.

As pessoas criarão, usarão e refinarão mais programas, e novas indústrias nascerão para gerenciar e construir sobre o que criamos. Lições da história nos dizem que quando a automação torna mais barato e fácil entregar produtos que as pessoas querem ou precisam, aumentos na demanda frequentemente levam a aumentos no emprego . É somente quando a demanda é satisfeita que o emprego começa a cair. Estamos longe desse ponto quando se trata de programação.

Não é de surpreender que o professor da Wharton School e evangelista de IA Ethan Mollick também seja fã do trabalho de Bessen. É por isso que ele argumenta de forma tão convincente para "sempre trazer a IA para a mesa", para envolvê-la em todos os aspectos do seu trabalho e para explorar "a borda irregular" do que funciona e do que não funciona. É também por isso que ele incentiva as empresas a usar a IA para capacitar seus trabalhadores, não para substituí-los. Há muito o que aprender sobre como aplicar a nova tecnologia. A melhor fonte de P&D aplicada das empresas são as explorações das pessoas que você tem, pois elas usam a IA para resolver seus problemas e buscar novas oportunidades.

O que a programação vai mudar

Sam Schillace, um dos vice-CTOs da Microsoft, concordou com minha análise. Em uma conversa recente, ele me disse: “Estamos no meio da invenção de um novo paradigma de programação em torno de sistemas de IA. Quando passamos do desktop para a era da internet, tudo na pilha mudou, embora todos os níveis da pilha fossem os mesmos. Ainda temos linguagens, mas elas foram de compiladas para interpretadas. Ainda temos equipes, mas elas foram de cascata para Agile para CI/CD. Ainda temos bancos de dados, mas elas foram de ACID para NoSQL. Fomos de um usuário, um aplicativo, um thread, para multidistribuído, seja o que for. Estamos fazendo a mesma coisa com IA agora.”

Aqui estão algumas das tecnologias que estão sendo montadas em uma nova pilha de IA. E isso nem inclui a infinidade de modelos de IA, suas APIs e sua infraestrutura de nuvem. E já está desatualizado!

 

Mas a explosão de novas ferramentas, frameworks e práticas é apenas o começo de como a programação está mudando. Um problema, Schillace observou, é que os modelos não têm memória da mesma forma que os humanos têm memória. Mesmo com grandes janelas de contexto, eles lutam para fazer o que ele chama de "metacognição". Como resultado, ele vê a necessidade de os humanos ainda fornecerem uma grande parte do contexto em que seus codesenvolvedores de IA operam.

 

Schillace expandiu essa ideia em uma publicação recente . “Modelos de linguagem grande (LLMs) e outros sistemas de IA estão tentando automatizar o pensamento”, ele escreveu. “Os paralelos com a automação do movimento durante a revolução industrial são impressionantes. Hoje, a automação ainda é rudimentar: estamos fazendo o equivalente cognitivo de bombear água e martelar — tarefas básicas como sumarização, reconhecimento de padrões e geração de texto. Ainda não descobrimos como construir motores robustos para essa nova fonte de energia — ainda nem chegamos ao estágio de locomotiva da IA.”

 

Até mesmo o estágio locomotor foi em grande parte uma expansão da força bruta que os humanos eram capazes de usar ao mover objetos físicos. O próximo avanço essencial foi um aumento nos meios de controle sobre esse poder. Schillace pergunta: "E se a engenharia de software tradicional não for totalmente relevante aqui? E se a construção de IA exigir práticas e sistemas de controle fundamentalmente diferentes? Estamos tentando criar novos tipos de pensamento (nosso análogo ao movimento): sistemas de nível superior, metacognitivos e adaptativos que podem fazer mais do que repetir padrões pré-concebidos. Para usá-los efetivamente, precisaremos inventar maneiras inteiramente novas de trabalhar, novas disciplinas. Assim como os desafios da energia a vapor inicial deram origem à metalurgia, os desafios da IA ​​forçarão o surgimento de novas ciências de cognição, confiabilidade e escalabilidade — campos que ainda não existem totalmente."

 

O desafio de implementar tecnologias de IA nos negócios

Bret Taylor, ex-co-CEO da Salesforce, ex-diretor de tecnologia da Meta e, há muito tempo, líder da equipe que criou o Google Maps, agora é o CEO da desenvolvedora de agentes de IA Sierra , uma empresa no centro do desenvolvimento e implantação de tecnologia de IA em empresas. Em uma conversa recente, Bret me disse que acredita que o agente de IA de uma empresa se tornará sua principal interface digital, tão significativo quanto seu site, tão significativo quanto seu aplicativo móvel, talvez até mais. O agente de IA de uma empresa terá que codificar todas as suas principais políticas e processos de negócios. Isso é algo que a IA pode eventualmente ser capaz de fazer por conta própria, mas hoje, a Sierra tem que designar a cada um de seus clientes uma equipe de engenharia para ajudar com a implementação .

 

“Essa última milha de pegar uma plataforma bacana e um monte de seus processos de negócios e manifestar um agente é realmente muito difícil de fazer”, explicou Bret. “Há uma nova função surgindo agora que chamamos de engenheiro de agente , um desenvolvedor de software que se parece um pouco com um desenvolvedor web frontend. Esse é um arquétipo que é o mais comum em software. Se você é um desenvolvedor React, pode aprender a fazer agentes de IA. Que maneira maravilhosa de requalificar e tornar suas habilidades relevantes.”

 

Quem vai querer passar por uma árvore telefônica de atendimento ao cliente quando poderia estar falando com um agente de IA que pode realmente resolver seu problema? Mas acertar esses agentes será um verdadeiro desafio. Não é a programação que é tão difícil. É entender profundamente os processos de negócios e pensar como a nova capacidade pode transformá-los para aproveitar as novas capacidades. Um agente que simplesmente reproduz processos de negócios existentes será tão embaraçoso quanto uma página da web ou aplicativo móvel que simplesmente recria um formulário em papel. (E sim, eles ainda existem!)

 

Addy Osmani, chefe de experiência do usuário do Google Chrome, chama isso de problema dos 70% : “Embora os engenheiros relatem estar dramaticamente mais produtivos com IA, o software real que usamos diariamente não parece estar ficando visivelmente melhor.” Ele observa que não programadores trabalhando com ferramentas de geração de código de IA podem fazer uma ótima demonstração ou resolver um problema simples, mas ficam presos nos últimos 30% de um programa complexo porque não sabem o suficiente para depurar o código e guiar a IA para a solução correta. Enquanto isso:

Quando você observa um engenheiro sênior trabalhando com ferramentas de IA como Cursor ou Copilot, parece mágica. Eles podem criar recursos inteiros em minutos, completos com testes e documentação. Mas observe com cuidado, e você notará algo crucial: eles não estão apenas aceitando o que a IA sugere... Eles estão aplicando anos de sabedoria de engenharia arduamente conquistada para moldar e restringir a saída da IA. A IA está acelerando sua implementação, mas sua expertise é o que mantém o código sustentável. Engenheiros juniores geralmente perdem essas etapas cruciais. Eles aceitam a saída da IA ​​mais prontamente, levando ao que eu chamo de "código de castelo de cartas" - parece completo, mas desmorona sob pressão do mundo real.

A esse respeito, Chip Huyen, autor do novo livro AI Engineering , fez uma observação esclarecedora em um e-mail que me foi enviado:

Não acho que a IA introduza um novo tipo de pensamento. Ela revela o que realmente requer pensamento .

Não importa o quão manual, se uma tarefa só pode ser feita por um punhado dos mais educados, essa tarefa é considerada intelectual. Um exemplo é a escrita, o ato físico de copiar palavras no papel. No passado, quando apenas uma pequena parcela da população era alfabetizada, a escrita era considerada intelectual. As pessoas até se orgulhavam de sua caligrafia. Hoje em dia, a palavra "escrever" não se refere mais a esse ato físico, mas à abstração mais alta de organizar ideias em um formato legível.

Da mesma forma, uma vez que o ato físico de codificação possa ser automatizado, o significado de "programação" mudará para se referir ao ato de organizar ideias em programas executáveis .

Mehran Sahami, o presidente do departamento de CS de Stanford, colocou de forma simples: "A ciência da computação é sobre pensamento sistemático, não sobre escrever código."

Quando agentes de IA começam a falar com agentes…

…a precisão na articulação correta do problema se torna ainda mais importante. Um agente como um frontend corporativo que fornece acesso a todos os processos de negócios de uma empresa estará falando não apenas com os consumidores, mas também com agentes desses consumidores e agentes de outras empresas.

 

Todo esse lado da equação do agente é muito mais especulativo. Ainda não começamos a construir os padrões para cooperação entre agentes de IA independentes! Um artigo recente sobre a necessidade de infraestrutura de agentes observa:

As ferramentas atuais são amplamente insuficientes porque não são projetadas para moldar como os agentes interagem com instituições existentes (por exemplo, sistemas legais e econômicos) ou atores (por exemplo, provedores de serviços digitais, humanos, outros agentes de IA). Por exemplo, técnicas de alinhamento por natureza não garantem às contrapartes que algum humano será responsabilizado quando um usuário instrui um agente a executar uma ação ilegal. Para preencher essa lacuna, propomos o conceito de infraestrutura de agente: sistemas técnicos e protocolos compartilhados externos aos agentes que são projetados para mediar e influenciar suas interações e impactos em seus ambientes. A infraestrutura de agente compreende novas ferramentas e reconfigurações ou extensões de ferramentas existentes. Por exemplo, para facilitar a responsabilização, os protocolos que vinculam usuários a agentes podem se basear em sistemas existentes para autenticação de usuários, como o OpenID. Assim como a Internet depende de infraestrutura como HTTPS, argumentamos que a infraestrutura de agente será similarmente indispensável para ecossistemas de agentes. Identificamos três funções para a infraestrutura de agente: 1) atribuir ações, propriedades e outras informações a agentes específicos, seus usuários ou outros atores; 2) moldar as interações dos agentes; e 3) detectar e remediar ações prejudiciais de agentes.

Há enormes problemas de coordenação e design a serem resolvidos aqui. Mesmo os melhores agentes de IA que podemos imaginar não resolverão problemas complexos de coordenação como este sem direção humana. Há programação suficiente necessária aqui para manter até mesmo programadores assistidos por IA ocupados por pelo menos a próxima década.

Em suma, há um mundo inteiro de novos softwares a serem inventados, e eles não serão inventados somente pela IA, mas por programadores humanos usando a IA como um superpoder. E esses programadores precisam adquirir muitas habilidades novas.

Estamos nos primeiros dias da invenção do futuro

Há muito o que aprender e fazer. Então, sim, sejamos ousados ​​e assumamos que os codevelopers de IA tornam os programadores dez vezes mais produtivos. (Sua milhagem pode variar, dependendo de quão ansiosos seus desenvolvedores estão para aprender novas habilidades.) Mas vamos também estipular que, uma vez que isso aconteça, a "área de superfície programável" de um negócio, das ciências, da nossa infraestrutura construída aumentará em paralelo. Se houver 20x o número de oportunidades para a programação fazer a diferença, ainda precisaremos do dobro desses novos programadores 10x!

As expectativas dos usuários também vão aumentar. Empresas que simplesmente usam a maior produtividade para cortar custos perderão para empresas que investem em aproveitar as novas capacidades para construir melhores serviços .

 

Como observa Simon Willison, um desenvolvedor de software de longa data que está na vanguarda ao mostrar ao mundo como a programação pode ser mais fácil e melhor na era da IA, a IA permite que ele "seja mais ambicioso" com seus projetos.

Aprenda uma lição de outro campo onde as capacidades explodiram: pode levar tanto tempo para renderizar um único quadro de um dos filmes de super-heróis da Marvel de hoje quanto levou para renderizar todo o primeiro filme da Pixar, embora o preço e o desempenho da CPU/GPU tenham se beneficiado da Lei de Moore. Acontece que a indústria cinematográfica não se contentou em entregar animação bruta de baixa resolução mais rápido e mais barato. Os ciclos extras foram para milhares de pequenas melhorias em pele realista, água, nuvens, reflexos e muitos, muitos mais pixels de resolução. A melhoria tecnológica resultou em maior qualidade, não apenas entrega mais barata/rápida. Existem algumas indústrias que se tornaram possíveis pela escolha de valores de produção mais baratos/rápidos em vez de maiores (considere a explosão de vídeos criados por usuários online), então não será nem um nem outro. Mas a qualidade terá seu lugar no mercado. Sempre tem.

Imagine dezenas de milhões de programadores amadores assistidos por IA trabalhando com ferramentas de IA como Replit e Devin ou soluções empresariais como as fornecidas pela Salesforce, Palantir ou Sierra. Qual é a probabilidade de eles tropeçarem em casos de uso que atrairão milhões? Alguns deles se tornarão os empreendedores desta próxima geração de software criada em parceria com IA. Mas muitas de suas ideias serão adotadas, refinadas e dimensionadas por desenvolvedores profissionais existentes.

A jornada do protótipo à produção

Na empresa, a IA tornará muito mais possível que soluções sejam construídas por aqueles mais próximos de qualquer problema. Mas as melhores dessas soluções ainda precisarão percorrer o resto do caminho no que Shyam Sankar, o CTO da Palantir, chamou de “ a jornada do protótipo à produção ”. Sankar observou que o valor da IA ​​para a empresa está “na automação, na autonomia empresarial”. Mas, como ele também destacou, “a automação é limitada por casos extremos”. Ele lembrou as lições de Stanley, o carro autônomo que venceu o DARPA Grand Challenge em 2005: capaz de fazer algo notável, mas exigindo outros 20 anos de desenvolvimento para lidar totalmente com os casos extremos de dirigir em uma cidade.

“O fluxo de trabalho ainda importa”, argumentou Sankar, e o trabalho do programador será entender o que pode ser feito pelo software tradicional, o que pode ser feito pela IA, o que ainda precisa ser feito pelas pessoas e como você encadeia as coisas para realmente realizar o fluxo de trabalho. Ele observa que “uma cadeia de ferramentas que permite capturar feedback e aprender os casos extremos para chegar lá o mais rápido possível é a cadeia de ferramentas vencedora”. No mundo que Sankar prevê, a IA “realmente vai liberar os desenvolvedores para entrarem muito mais no negócio e serem muito mais alavancados no impacto que entregam”. Enquanto isso, os especialistas de primeira linha no assunto se tornarão programadores com a ajuda de assistentes de IA. Não são os programadores que ficarão sem trabalho. Serão as pessoas — em todas as funções — que não se tornarão programadores assistidos por IA. 

Este não é o fim da programação. É o começo de sua mais recente reinvenção..