A ascensão e a queda dos programadores

Neste momento, um engenheiro com salário de seis dígitos está esperando.

Seu agente está redigindo uma resposta no Slack a uma mensagem escrita pelo agente de um colega, sobre um ticket que nenhum dos dois leu.

Ele vai enviar o rascunho sem ler. Depois vai pegar um café e rolar o X até o próximo prompt terminar.

Se você vive de escrever software, conhece essa pessoa. Talvez nesta semana tenha sido você.

Do outro lado da cidade, alguém com os mesmos modelos e o mesmo notebook lançou um produto na terça e recebeu dinheiro de desconhecidos na quarta.

Mesmas ferramentas. Anos opostos.

Ao final, você deve conseguir perceber para que lado está indo e por que a linha divisória não está onde a maioria a coloca.

Os problemas que pagavam o aluguel

Por vinte anos, a maior parte do trabalho de programação foi superficial de um jeito muito específico. Construir o aplicativo CRUD. Conectar o login. Integrar o Stripe. Escrever o scraper, o painel administrativo, o endpoint que leva JSON daqui para lá. Repetir o exercício médio do LeetCode que dá acesso ao emprego onde você faz tudo isso.

Esses problemas eram difíceis o bastante para exigir um profissional e fáceis o bastante para serem aprendidos em um livro.

A segunda metade foi o que os matou.

Pesquisadores de Stanford, trabalhando com dados de folha de pagamento da ADP, encontraram uma diferença.

O emprego de pessoas entre 22 e 25 anos nas ocupações mais expostas à IA está 19% abaixo de onde estaria se tivesse acompanhado seus pares menos expostos. Trabalhadores experientes não apresentam essa diferença.

A divisão segue uma linha. Empregos baseados em conhecimento codificado, aquele escrito em livros e documentação, estão encolhendo. Empregos baseados em conhecimento tácito, aquele que só vem da prática e dos erros, estão crescendo.

Um modelo é feito de texto.

Tudo que foi escrito, ele já sabe.

Os problemas superficiais não ficaram mais difíceis. Ficaram gratuitos.

Os desempregados não pioraram. A escada perdeu um degrau.

Recém-formados em ciência da computação enfrentam 7% de desemprego, contra 4,2% de todos os recém-formados, segundo o Fed de Nova York. Isso empata computação com artes cênicas.

A história fácil é que são preguiçosos, ou que leem respostas do ChatGPT em uma segunda tela durante a entrevista por Zoom. Alguns fazem isso. É um dos motivos pelos quais as empresas estão trazendo as entrevistas de volta ao escritório.

Os dados de Stanford contam uma história menos confortável. A queda vem principalmente de empresas que não contratam jovens, não de demissões.

Os problemas superficiais nunca foram apenas o trabalho. Eram o treinamento.

Os juniores aprendiam as partes profundas fazendo as superficiais mil vezes, ao lado de alguém que já sabia.

Agora o agente faz isso mil vezes, e ninguém aprende nada.

Os empregados também não estão ganhando

Desenvolvedores disseram à BairesDev que a IA agora economiza 13 horas por semana de programação, contra 7 um ano antes. Depois disseram para onde foram as horas. Dois em cada três passam mais tempo revisando código gerado por IA. Metade passa mais tempo depurando problemas que a IA introduziu.

O tempo economizado nunca voltou para eles.

Foi gasto lendo o que a máquina escreveu.

Não é só código. Stanford e BetterUp descobriram que 40% dos trabalhadores de escritório americanos haviam recebido “workslop” no mês anterior: produção de IA que parece pronta, mas não está. Cada peça levou cerca de duas horas para ser corrigida.

O engenheiro na máquina de café é onde isso termina.

Seu agente escreve. O agente do colega responde. Duas pessoas com salários de seis dígitos atuam como roteadores entre eles.

Ninguém está pensando. Todo mundo está ocupado.

Isso não é um emprego sendo automatizado. É um emprego sendo esvaziado enquanto o salário continua igual.

A ideia média

A saída óbvia é pedir demissão e construir alguma coisa. Muita gente tenta. Abre um chat e digita: me dê dez ideias de SaaS que eu possa construir com IA.

O modelo obedece. Entrega as mesmas dez ideias que entregou a todos os outros que perguntaram naquela semana. Uma camada de IA para faturas. Um rastreador de hábitos. Um chatbot para dentistas.

Um modelo é a média da internet.

Peça uma ideia e receba a ideia média, já construída pelas cem pessoas que perguntaram antes de você.

Construí um agente cuja única tarefa é encontrar ideias de negócios para mim. Na última execução, encontrou três, e sua própria equipe de contestação matou as três. Até agora, é muito melhor em matar ideias do que em encontrá-las.

Esse é o trabalho para o qual serve. A ideia em si precisa vir de algo que você sabe e que não está escrito em lugar nenhum.

Os que ascenderam

Simon Willison, que constrói ferramentas de código aberto sozinho, disse ao Business Insider que agentes de programação tornaram seu trabalho “muito mais gratificante”. Agora assume projetos que antes exigiam uma pequena equipe.

Sua explicação: “Usar bem agentes de programação é uma habilidade profunda”, que exige tanto experiência real de engenharia quanto experiência com os agentes, “e eu tenho as duas”.

A Stripe analisou as cem maiores empresas de IA em sua plataforma. A empresa mediana chegou a US$ 1 milhão de receita anualizada em 11,5 meses. Quatro meses mais rápido que as empresas de SaaS mais velozes da geração anterior.

Elas não gastaram as horas economizadas revisando mais código.

Gastaram um nível acima. Em um cliente. Em bom gosto. Em distribuição. Em problemas que não cabem em um prompt, porque ninguém os escreveu ainda.

Quando resolver um problema se torna gratuito, o valor se desloca para o problema ao lado.

Quem entrega se moveu. Os intermediários ficaram no problema antigo, recebendo para vê-lo se resolver sozinho.

Ascender ou cair

A programação não está morrendo. Sua versão superficial está.

Para muitos de nós, a versão superficial era o trabalho inteiro.

A queda é entregar o trabalho ao agente e não ficar com nenhuma parte do julgamento.

A ascensão é usar o agente para eliminar os problemas fáceis e alcançar os difíceis. O cliente. O mercado. Aquilo que só você viu.

Então, da próxima vez que seu agente terminar uma tarefa, pergunte a si mesmo:

O que sobrou que só você poderia ter feito?

O que sobra é a parte que nunca foi escrita.

O cliente com quem você realmente conversou. O erro que reconhece porque cometeu o anterior. A ideia que um agente consegue contestar, mas ainda não consegue inventar.

Se a tarefa termina e não sobra nada que você tenha decidido, você não recuperou as horas.

Você se tornou a pessoa na máquina de café.