Do código à orquestração: o que a IA exige da formação de engenheiros de software

Durante décadas, aprender a programar significou, em boa medida, aprender a lembrar: sintaxes, bibliotecas, padrões de erro e os caminhos para corrigi-los. Para Ismail Ben Ayed, professor do departamento de engenharia de sistemas da ETS, em Montreal, é justamente essa camada do ofício que a inteligência artificial está absorvendo. Em entrevista ao La Presse, ele sustenta que o engenheiro de software não desaparece, mas muda de função: deixa de escrever cada instrução e passa a coordenar agentes automáticos encarregados do trabalho repetitivo.¹

A tese tem apelo e tem lastro histórico. Os dados acumulados desde o lançamento do ChatGPT, no fim de 2022, porém, desenham uma transição mais irregular do que o argumento sugere, sobretudo para quem está entrando na profissão. E é nesse ponto, a porta de entrada, que a discussão deixa de ser apenas sobre mercado de trabalho e passa a ser sobre educação.

Da memória à orquestração

O professor descreve o modelo atual de desenvolvimento como uma estrutura em que um arquiteto de software, ele próprio engenheiro, coordena dezenas de colegas que escrevem instruções e caçam erros. No cenário que projeta, um único arquiteto poderia comandar vários agentes automáticos, que montariam blocos de software para compor sistemas mais complexos. A competência central deixaria de ser a memorização e passaria a ser a orquestração.¹

Ben Ayed define a IA como uma forma muito avançada de memória, comparável a um disco rígido gigantesco e sofisticado, capaz de reter volumes de informação inalcançáveis para qualquer pessoa. Daí sua conclusão de que o espaço humano é o da criação, já que um modelo, na sua leitura, não consegue produzir aquilo que nunca encontrou nos dados de treinamento.¹

Se a tese estiver certa, a consequência para o ensino é direta. Currículos construídos sobre a repetição de sintaxe perdem peso. Ganham peso o desenho de sistemas, a decomposição de problemas, a avaliação crítica do que a máquina entrega e, como o próprio professor ressalta, a compreensão de como as ferramentas funcionam por dentro.

O paradoxo da eficiência e seus limites

Para afastar a ideia de que haverá menos engenheiros, Ben Ayed recorre a um padrão conhecido: quando algo fica mais eficiente e mais barato, seu uso tende a crescer. Ele compara a troca de cartas pelo correio com a explosão de mensagens na internet, e a escavação feita com pás com as máquinas que permitiram fundações mais profundas e prédios mais altos.¹

Economistas conhecem esse fenômeno como paradoxo de Jevons, em referência a William Stanley Jevons, que observou em 1865 que motores a vapor mais eficientes haviam aumentado, e não reduzido, o consumo de carvão na Grã-Bretanha. Aplicado ao software, o raciocínio prevê que código mais barato significa mais software sendo produzido, e não menos gente produzindo.

O paradoxo, no entanto, descreve volumes agregados. Ele não diz quem ocupa os novos postos, quanto tempo leva a transição nem quem arca com o custo de quem fica no meio do caminho. É exatamente aí que os dados recentes merecem atenção.

O que os dados mostram até agora

O levantamento mais citado sobre o tema vem do Stanford Digital Economy Lab. Os economistas Erik Brynjolfsson, Bharat Chandar e Ruyu Chen analisaram registros de folha de pagamento da ADP, que cobrem milhões de trabalhadores nos Estados Unidos. Na versão revisada do estudo, intitulado Canaries in the Coal Mine?, trabalhadores de 22 a 25 anos nas ocupações mais expostas à IA tiveram queda relativa de 16% no emprego, já controlados efeitos específicos das empresas. Entre desenvolvedores de software dessa faixa etária, o recuo chegou a quase 20% em relação ao pico do fim de 2022, enquanto profissionais mais velhos nas mesmas funções mantiveram ou ampliaram seus postos.²

Em nota publicada em fevereiro de 2026, os autores acrescentaram uma ressalva relevante: com controles mais rigorosos, a relação entre exposição à IA e queda de emprego se torna estatisticamente significativa apenas a partir de 2024, e a alta dos juros não explica a retração específica das contratações de entrada nessas ocupações.² Brynjolfsson atribui a diferença entre gerações ao conhecimento tácito: o profissional experiente acumula macetes aprendidos na prática que nunca foram escritos em lugar nenhum e, por isso, não estão nos dados de treinamento.

Um segundo estudo complica a narrativa da produtividade automática. Em um ensaio clínico randomizado conduzido pela organização METR no primeiro semestre de 2025, 16 desenvolvedores experientes resolveram 246 tarefas reais em grandes projetos de código aberto que conheciam bem. Com ferramentas de IA liberadas, levaram em média 19% mais tempo, embora tivessem previsto ganhar velocidade e, mesmo ao final, acreditassem ter sido mais rápidos.³ A própria METR pondera que o resultado vale para ferramentas do início de 2025 e para um contexto específico, de bases de código maduras e padrões de qualidade elevados, e que ganhos maiores são esperados em projetos menores ou com profissionais menos experientes.

A percepção da categoria acompanha essa ambivalência. Na pesquisa anual do Stack Overflow de 2025, 84% dos desenvolvedores disseram usar ou planejar usar ferramentas de IA, mas 46% afirmaram não confiar na precisão dos resultados, ante 31% no ano anterior. A principal frustração, citada por 66%, foram respostas quase certas, mas não totalmente; 45% disseram que depurar código gerado por IA consome mais tempo.⁴

Lidos em conjunto, os três levantamentos apontam na mesma direção: a IA barateia a produção de código e encarece o julgamento sobre ele. A competência escassa deixa de ser lembrar e passa a ser verificar. O problema é que a capacidade de verificar depende da mesma experiência prática que a automação das tarefas de entrada ameaça suprimir.

“A criatividade continua do lado humano.”

Ismail Ben Ayed, professor da ETS, ao La Presse

O Brasil entre o déficit e a porta de entrada

No Brasil, o debate sobre formação em tecnologia foi pautado na última década pela ideia de escassez. Estudo da Brasscom divulgado em dezembro de 2021 projetou demanda de 797 mil profissionais de TIC entre 2021 e 2025, diante de cerca de 53 mil formados por ano para uma necessidade anual estimada em 159 mil. O déficit projetado era de 106 mil profissionais por ano, ou 530 mil em cinco anos.⁶ A projeção, vale registrar, foi feita antes da popularização da IA generativa e não capta a mudança no perfil da demanda que veio depois.

A resposta do mercado à escassez veio em grande parte por formações rápidas. Dados da Brasscom divulgados pela imprensa indicam que, entre 2019 e 2023, os cursos de curta duração na área cresceram 587%, contra 21,5% da formação técnica.⁶ Boa parte desses programas prepara profissionais justamente para as vagas de entrada, o segmento que os dados americanos apontam como o mais exposto à automação. Não existe no Brasil, até aqui, estudo equivalente ao de Stanford com dados de folha de pagamento, o que recomenda cautela na extrapolação. Mas o risco de desalinhamento é evidente: o país pode estar formando em escala para uma porta que se estreita.

Na educação básica, o calendário coincide com o debate. O complemento à BNCC conhecido como BNCC Computação, aprovado pelo Conselho Nacional de Educação em 2022, organiza o ensino em três eixos: pensamento computacional, mundo digital e cultura digital. As redes tiveram 2025 para atualizar seus currículos, e a implementação é obrigatória a partir deste ano letivo de 2026.⁷ A norma se articula com a Política Nacional de Educação Digital, instituída pela Lei 14.533, de 2023.⁸

O gargalo apontado por pesquisadores é a formação docente. Em artigo apresentado no Workshop sobre Educação em Computação de 2026, da Sociedade Brasileira de Computação, a professora Carla Delgado, da UFRJ, argumenta que a implementação depende de capacitar em computação os professores da educação básica, e lembra que o desenho do documento é anterior à popularização das ferramentas de IA generativa.⁹

Há, nesse cenário, uma oportunidade pouco explorada. O eixo de pensamento computacional, centrado em decomposição de problemas, abstração e construção de algoritmos, corresponde quase ponto por ponto ao que Ben Ayed chama de orquestração. Nada nele depende de decorar a sintaxe de uma linguagem específica. O risco oposto é transformar a BNCC Computação em treinamento de ferramentas, ensinando a operar o aplicativo da vez, conteúdo que envelhece antes de o aluno concluir o ensino médio.

O que a formação precisa priorizar

Se a função do engenheiro migra da escrita para a coordenação e a verificação, algumas competências ganham centralidade em todos os níveis de ensino. A primeira é a capacidade de decompor e especificar problemas: um agente automático executa bem uma tarefa bem descrita e falha de modo imprevisível diante de uma tarefa ambígua. A segunda é a leitura crítica de código, incluindo testes, revisão e identificação de falhas de segurança, já que o resultado “quase certo” é hoje a principal queixa da própria categoria.

A terceira é a manutenção dos fundamentos. Estruturas de dados, arquitetura de sistemas e princípios de segurança não perdem valor com a IA; são eles que permitem julgar se a solução proposta pela máquina é adequada. Compreender como as ferramentas funcionam, ponto destacado pelo próprio Ben Ayed, também passa por conhecer suas limitações estatísticas. A quarta é o conhecimento do domínio: saúde, finanças, logística ou educação. Quem entende o problema real define melhor o critério de sucesso, e é esse critério que nenhum sistema estabelece sozinho.

O problema do aprendiz

Resta a questão mais difícil. Por décadas, o desenvolvedor júnior aprendeu fazendo justamente as tarefas que hoje são automatizadas: pequenas correções, funcionalidades simples, manutenção de código alheio. Se essas tarefas deixam de existir como porta de entrada, universidades, escolas técnicas e empresas precisarão recriar de forma deliberada o espaço de prática que antes surgia naturalmente. Projetos com código legado real, revisão sistemática do código produzido por IA e programas de residência técnica são caminhos possíveis, e nenhum deles se resolve com cursos mais curtos.

A pergunta que a entrevista de Montreal coloca não é, portanto, se haverá menos engenheiros. É se os sistemas de ensino conseguirão formar profissionais capazes de julgar o que as máquinas produzem, num momento em que a experiência que sustentava esse julgamento ficou mais difícil de adquirir. Essa é uma questão de política educacional antes de ser uma questão de mercado.