An AI industry of more than $1 trillion that can’t ship any functional production code Uma indústria de IA de mais de US$ 1 trilhão que não pode enviar nenhum código de produção funcional Se você está preocupado com o chamado apocalipse da IA que todos estão ansiosos, considere isso: depois de queimar centenas de bilhões, ainda não podemos enviar código confiável com os brinquedos de IA que fomos vendidos. e) o (Veja aqui para mais detalhes sobre a explosão da bolha de IA Conte as promessas do CEO. Agora conte a confusão: um surto exponencial de código de lixo, impulsionado pelo (não, não “alucinações”, isso é marketing, não ciência) que ninguém realmente resolveu. same four errors Então vamos passar por exemplos reais e verificáveis, para que você possa localizá-los instantaneamente em seu próprio código gerado pela IA. Eles são realmente tão decisivos? Embarcações abertas São quatro erros. Google vai sair São quatro erros. Antropologia desvendada São quatro erros. Microsofto Virais Em tudo – Nenhuma surpresa lá, certo? GPT-5 Gemini 2.5 Claude Sonnet 4.5 Copilot 
 
 E dentro de dias, as histórias se acumulam: código de spaghetti confuso, buracos de segurança frescos e a mesma linha triste – o código de IA parece inteligente, se comporta estúpido e ainda precisa de humanos para limpar a bagunça. E dentro de dias, as histórias se acumulam: código de spaghetti confuso, buracos de segurança frescos e a mesma linha triste – o código de IA parece inteligente, se comporta estúpido e ainda precisa de humanos para limpar a bagunça. Os números são dolorosamente chocantes 
 
 
 
 
 O desemprego a curto prazo aumentou cerca de 100% em comparação com 2021. Desenvolvedores que usam IA escrevem 40% mais vulnerabilidades de segurança Desenvolvedores experientes são 19% mais lentos com ferramentas de IA Engenheiros de um grupo selecionado de empresas significativas rejeitam cerca de 70% das sugestões de código de IA. Rosa em torno de 100% Rosa em torno de 100% 40% mais vulnerabilidades de segurança 40% mais vulnerabilidades de segurança 19% mais lento 19% mais lento Com as ferramentas Rejeita cerca de 70% Rejeita cerca de 70% Muitas empresas estavam apostando tudo na promessa de “10x produtividade”, uma impossibilidade matemática que está agora prestes a criar uma crise ao contrário de qualquer coisa que a indústria de software já viu. Não estamos construindo o futuro mais rápido, estamos construindo Em escala sem precedentes, com confiança sem precedentes e cegueira sem precedentes para a catástrofe que estamos criando. Here’s what’s really happening: tomorrow’s minus two trillion dollars of code Deixe-me mostrar exatamente como esses estão transformando a base de código global em um desastre insustentável. E se você é um engenheiro de software, prepare-se, em breve sua caixa de entrada estará cheia de e-mails frenéticos de empresas implorando equipes de engenharia completas para resgatar suas bases de código quebradas. Four Horsemen of Bad Code Sim, você verá por que as empresas em breve serão Depois de tomar o beijo da da fantasia. desperately rehiring the same human programmers they replaced “Não precisaremos de programadores daqui a alguns meses” “Não precisaremos de programadores daqui a alguns meses” Os quatro cavaleiros montados em toneladas de código de lixo Como mencionado, os quatro erros que você vê no gráfico acima agora atormentam a maioria do código gerado pela IA. As empresas estão corrigindo-os a toda velocidade, mas o desastre está apenas sendo adiado. Mais cedo ou mais tarde, eles terão que admitir a verdade - o código da IA terá que ser tratado para o que realmente é: Não a automação. autocomplete on steroids Para entender a escala do desastre que esses erros são desencadeantes, precisamos classificá-los em duas categorias. Todos sabem que os dois últimos , nascido da mecânica da própria IA, daquelas de que ninguém está falando. , uma palavra-chave inventada para marketing, não engenharia. classic statistical errors new cognitive errors “Halucinações” Os dois erros clássicos todos sabem Type II Errors : The “Obvious” Mistakes A coisa simples deu errado.O linter rolou os olhos. What it means (in code): # AI generates (wrong parameter use; forgot to apply discount)
def calculate_discount(price, customer_id, discount_rate):
    return price * discount_rate  # Oops—no discount applied

# Should have been
def calculate_discount(price, customer_id, discount_rate):
    return price * (1 - discount_rate)  # Apply the discount properly
 Outros exemplos frequentemente vistos em código gerado por IA incluem: 
 
 
 
 
 
 Gerenciamento de erros perdidos (blocos de tentativa / captura) Operadores incorretos (usando = em vez de == em condições) Erros off-by-one em loops Nomes de método errados (string.contains() no Python em vez de no operador) um longo etc. Type II Errors (Logic/Causal): Wrong Business Logic, Perfect Syntax Corre perfeitamente; faz a coisa errada; ou, para dizer mais vividamente, chega É encantador. What it means (in code): right on time… at the wrong station. Caso a ponto – e você pode escalar isso para o seu próprio negócio: a IA notou que 80% dos usuários premium em seus dados de treinamento viviam em grandes cidades, então concluiu erroneamente que determinação . city location shipping rates # AI generates (correlation != causation)
def determine_shipping_cost(user):
    # AI saw premium users often live in cities with free shipping
    if user.is_premium:
        return 0  # Free shipping for premium
    elif user.city in ['New York', 'Los Angeles']:
        return 0  # AI incorrectly learned cities get free shipping
    else:
        return 9.99

# Should have been based on actual business rules
def determine_shipping_cost(user, order_total):
    if order_total > 50 or user.is_premium:
        return 0
    return 9.99
 Os novos dois erros cognitivos ninguém fala sobre Os próximos dois erros são de natureza cognitiva. Você não os encontrará em livros de texto de probabilidade clássicos. Eles parecem ser nativos de sistemas de IA, emergindo de como modelos modernos comprimem significado e colam conceitos juntos durante o treinamento e geração. Eles falham de maneiras diferentes: um como das representações, o outro como Como as memórias são tratadas e lembradas. entanglement collisions Type III Errors (Spaghetti/Entanglement): When Everything Gets Tangled Esta é a primeira verdadeira bagunça cognitiva. partes separadas do sistema acabam coladas juntas: ajuste um e-mail e os pagamentos quebram; mudança de auth e logging freaks.Nada funciona isoladamente, então cada pequena correção se transforma em um tour completo da base de código.É o que acontece quando a IA mistura representações e deixa você com uma bola gigante de spaghetti arquitetônico. # AI generates - everything tangled together
def process_user_action(user, action_type, data):
    # User validation, logging, auth, payment, and email ALL mixed
    if not user.is_authenticated:
        log_event("auth_failed", user.id)
        send_email(user.email, "Login attempt failed")
        return False
    
    if action_type == "purchase":
        # Purchase logic mixed with user verification
        if user.email_verified and user.age > 18:
            payment = process_payment(data['amount'])
            log_event("purchase", user.id, payment.id)
            update_inventory(data['item_id'])
            send_email(user.email, "Purchase confirmed")
            update_user_points(user, data['amount'] * 10)
            check_fraud(payment)  # Why is fraud check AFTER payment?
            return payment
    
    elif action_type == "login":
        # Login mixed with analytics and recommendations
        update_last_login(user)
        log_event("login", user.id)
        recommendations = get_recommendations(user)  # Why here?
        send_email(user.email, "Welcome back!")  # Email on EVERY login?
        return {"success": True, "recommendations": recommendations}
 Summing up, you can’t: 
 
 
 
 
 Alterar a lógica do e-mail sem afetar pagamentos Alterar a autenticação sem quebrar o logging Atualizar o fluxo de compra sem tocar na verificação do usuário Testar qualquer componente em isolamento Esse erro explica o Isso deve ser totalmente Porque é simplesmente insustentável. 100% increase in code rewritten within 2 weeks Reescrito em duas semanas Type IV Errors (Memory / Collision Cascades): Unrelated behaviors share the same “address” Este é o segundo e mais fatal erro cognitivo.Como mencionado, você não vai encontrá-lo em livros de probabilidade, mas é, na verdade, escondido em seu código gerado pela IA. 
 
 A imagem simples deste erro: dois casacos em um peg; um cai quando você pega o outro. A imagem simples deste erro: dois casacos em um peg; um cai quando você pega o outro. Ele aparece quando as representações comprimidas colocam idéias diferentes muito próximas umas das outras. No tempo de execução, lembrar um silenciosamente acorda o outro. Você redefine uma senha, e as tags de limpeza da conta ao lado. Você exporta dados, e um pagamento errado é executado. Nada parece quebrado em isolamento, mas os efeitos colaterais continuam a ressurgir porque o modelo armazenou vizinhos na mesma gaveta mental. # AI generates — password reset collides with account cleanup
def reset_password(user_email):
    user = find_user(email=user_email)
    if user:
        token = generate_reset_token()
        send_reset_email(user.email, token)
        
        # From a different flow, yet here we are
        if user.last_login < 30_days_ago:
            user.status = "inactive"
            cleanup_user_data(user)
        
        return token
    return None

# Another function unexpectedly handles payments
def export_user_data(user_id):
    data = get_user_data(user_id)
    
    # Payment processing in a data export—what could go wrong?
    if data.outstanding_balance > 0:
        process_payment(data.outstanding_balance)
    
    return create_export_file(data)
 Real-world echoes (reported in research): 
 
 
 
 
 Funções de pesquisa que modificam registros DB Fluxos de Auth que desencadeiam análises Exibir endpoints que exportam para logs APIs que misturam múltiplas operações não relacionadas O objetivo da correção é claro: dê aos comportamentos espaços de nomes separados e limites explícitos, em seguida, roteie qualquer coisa estadual através de um caminho dedicado que você pode testar por conta própria.Use o aterramento de recuperação, memória de valor-chave e efeitos colaterais "feil-closed" para evitar colisões. 
 
 Sim, eu sei, e também sinto a dor de ter reaproveitado algo que tínhamos feito manualmente mais cedo e melhor. Sim, eu sei, e também sinto a dor de ter reaproveitado algo que tínhamos feito manualmente mais cedo e melhor. Como esses erros afetam o software de produção? O gráfico 3 acima mostra os bugs mais comuns relatados por desenvolvedores em todo o mundo e como eles se alinham com os quatro tipos de erros (três dos quais mais importam na prática). O gráfico 2 acima e o gráfico 4 abaixo mostram o que realmente acontece quando os desenvolvedores trazem assistentes de IA para o fluxo de trabalho. , Tipos I-II erros são capturados principalmente por seres humanos ou ferramentas. Você recebe um golpe de produtividade modesto - tipos esmagados, importações fixadas, a manutenção habitual. bom, mas dificilmente uma revolução. autocomplete on steroids Então venha — spaghettization e colisões semânticas. É quando as rodas saem. conceitos se deslizam através de módulos, responsabilidades se desvanecem, e os ajudantes “inofensivos” começam a disfarçar o significado.O resultado? Código frágil que falha na integração, resiste aos testes e inflama os custos de manutenção.Muitas equipes acabam aprendendo que é mais rápido – e mais seguro – arrancar as peças geradas por IA do que patch-las para sempre. Types III–IV E, claro, você pode ver claramente como o sonho de “10× automação” é enterrado, ele completamente reverteu o ROI e nos lembra que, a partir de 2025, a verdadeira automação de geração de código, e quaisquer ganhos significativos de produtividade para os desenvolvedores humanos, permanecem nada mais do que uma fantasia distante e épica. Então, para resumir: como um desenvolvedor de software, você não precisa entrar em pânico toda vez que algum cartaz de morte atinge um novo óleo de serpente “bandeira de código de IA.” Como o gráfico 4 acima mostra, o único impacto de ROI real é pequeno, e ele só aparece quando você usa IA para as coisas aborrecidas e de baixo risco que são fáceis de difundir, encaixar e rolar. Não a . power-autocomplete robot engineer 
 
 
 
 
 
 Boilerplate / scaffolding: manuseadores CRUD, DTOs, cabos Adesivo de teste: stubs, testes de tabela, dados de fixação Edições mecânicas: refactores repetitivos; renome/move ops Conteúdo leve: docs/comments, regexes, SQL simples, modelos de migração Manutenção doméstica: dicas de formato; config & YAML snippets Aqui está a boa notícia para cada desenvolvedor se sentindo um pouco desesperado: toda a fantasia “10× com AI” já está caindo na produção. para soltar os spaghetti, corrigir a lógica e reconstruir os sistemas que realmente funcionam.Então continue a nivelar suas habilidades.As equipes de limpeza estão se formando, e adivinhe o que, real programmers — lots of them — you’re on the call list. Pós-Nota Os leitores de nossas histórias passadas já sabem que o antídoto existe – Mas, claro, isso significaria desacelerar, redefinir o sistema e admitir que o hype não é pesquisa.Vai demorar anos, sem dúvida, se alguém colocar os freios e começar a fazer mais ciência em silêncio e menos marketing. Uma verdadeira cura matemática para a praga dos quatro erros Uma verdadeira cura matemática para a praga dos quatro erros

Read My Stories

Este áudio é produzido no idioma original da história!

Empresas em breve serão forçadas a recrutar verdadeiros programadores humanos e parar de queimar dinheiro em IA

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Modelo Bitcoin UTXO, alimentando um ecossistema único

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Modelo Bitcoin UTXO, alimentando um ecossistema único

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Toque para ganhar: Telegram pode integrar os próximos 10 bilhões de usuários criptográficos antes de Solana

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps