Ferramentas· atualizado em · 4 min de leitura· Redação Invision

Programar com IA exige pensar como arquiteto de sistemas, defende pesquisador

Relato na Nature mostra por que saber arquitetar código continua essencial na era da IA: código modular, organização de dados e proteção de informações…

Resumo: Um pesquisador de Cambridge relata na Nature que, mesmo com LLMs escrevendo código em segundos, aprender a programar segue necessário — mas o foco mudou da sintaxe para a arquitetura de sistemas. A notícia importa agora porque times de desenvolvimento já delegam pipelines inteiros a agentes de IA e precisam de práticas que evitem retrabalho, vazamento de dados e código impossível de depurar.

Pontos-chave

  • Pesquisador da University of Cambridge defende que aprender a programar continua essencial, mas o foco passa da sintaxe para a arquitetura de sistemas.
  • Funções modulares e de propósito único são mais fáceis de depurar do que scripts monolíticos gerados por IA.
  • Separar dados brutos em pasta somente leitura evita que código gerado sobrescreva arquivos primários.
  • Enviar dados fictícios com a mesma estrutura da tabela real impede que informações sensíveis cheguem a LLMs públicos.
Nesta matéria

Por que a IA não elimina a necessidade de aprender a programar#

O texto é um relato pessoal de Jacques Cornwell, doutorando em patologia na University of Cambridge, no Reino Unido, publicado na seção de carreiras da Nature. Ele descreve como a chegada de grandes modelos de linguagem (LLMs) e de agentes autônomos de IA mudou sua relação com a programação científica.

Segundo o autor, a barreira de entrada para quem vem da bancada era alta: horas diante de um cursor piscando, fóruns cheios de jargão e caça a uma vírgula perdida. Com a IA, pipelines computacionais complexos passam a sair em segundos.

Ainda assim, a resposta dele à pergunta 'precisamos aprender a programar?' é um 'sim' categórico. O que muda é o objetivo do aprendizado: em vez de decorar gramática e sintaxe, o cientista precisa aprender a orientar a IA e a avaliar criticamente o que ela produz.

O que significa pensar como arquiteto de sistemas#

Cornwell argumenta que pesquisadores em início de carreira estão assumindo funções antes reservadas a engenheiros de software seniores: supervisionar, criticar e refinar o trabalho gerado por outros — no caso, por um assistente automatizado.

Na prática, ele diz não precisar memorizar a sintaxe exata de um algoritmo de clusterização hierárquica ou de uma tabela dinâmica com a biblioteca pandas, do Python. Basta saber que esses métodos existem, como funcionam em linhas gerais e quando aplicá-los.

Assim, o papel do desenvolvedor se desloca para a direção do sistema: escolher abordagens robustas e reproduzíveis sem se perder em detalhes sintáticos.

Por que scripts monolíticos falham com código gerado por IA#

A tentação, segundo o autor, é pedir um 'milagre': um único script que lê os dados brutos, limpa, roda as estatísticas e entrega uma figura formatada para publicação. Ele testou e classifica essa abordagem como frágil.

Scripts monolíticos são difíceis de depurar. Se uma variável muda ou se o modelo alucina um passo no meio da análise, toda a estrutura desmorona e sobra uma parede de código para garimpar.

A alternativa adotada foi a programação modular: funções pequenas e de propósito único, como uma para ingerir e formatar os dados, outra para normalizar valores e uma terceira para gerar a visualização. Cada bloco pode ser isolado, questionado e corrigido sem comprometer o restante do pipeline.

  • Funções pequenas e de propósito único são mais fáceis de testar e corrigir.
  • Blocos modulares podem ser reaproveitados em outros projetos, formando uma biblioteca pessoal de ferramentas confiáveis.
  • Um erro localizado não derruba a análise inteira, ao contrário do que ocorre em scripts monolíticos.

Organização de arquivos: da bagunça ao padrão de projeto#

Como a IA reduziu o esforço de escrever código, Cornwell passou a gerar scripts e versões mais rápido do que conseguia organizar. Os diretórios viraram um amontoado de arquivos com nomes como analysis_final_v3_really_final.py.

Em um dos projetos, ele conta ter sobrescrito acidentalmente os arquivos de dados brutos — havia backup, mas o susto foi suficiente para mudar o processo.

A solução veio com frameworks de organização de projetos de ciência de dados, como o Cookiecutter Data Science, citado no artigo. A estrutura separa rigidamente dados brutos, scripts de análise e saídas, com a pasta de dados primários em modo somente leitura.

  • Dados brutos em uma pasta somente leitura, sem risco de sobrescrita por scripts gerados.
  • Scripts de análise em outro diretório, isolados das entradas originais.
  • Saídas em uma terceira pasta, o que facilita auditoria e reprodução dos resultados.

Como proteger dados sensíveis ao usar LLMs públicos#

O autor alerta para vulnerabilidades éticas e regulatórias ao integrar IA a fluxos científicos. Modelos públicos frequentemente são treinados com as entradas dos usuários, então dados sensíveis de pacientes enviados a um LLM em nuvem poderiam, em tese, reaparecer para outro usuário.

A prática que ele adotou é fornecer apenas dados fictícios: cabeçalhos de colunas, tipos esperados (inteiros, strings, números de ponto flutuante) e dimensões da tabela, sem nenhum valor real.

Com esse conjunto fictício estruturalmente idêntico ao original, ele pede que o modelo escreva, teste e depure o código. Depois, copia o script para o ambiente local seguro e o executa com os dados protegidos. O modelo nunca vê a informação sensível.

O que isso muda para quem usa IA#

Para quem desenvolve com IA, o relato reforça que a qualidade do resultado depende menos do modelo escolhido e mais de como o trabalho é estruturado: funções pequenas, diretórios previsíveis e dados sensíveis fora do prompt.

Também sugere que a revisão crítica vira a habilidade central. Quem apenas aceita o código gerado assume o risco de erros silenciosos e alucinações em etapas intermediárias.

A Invision, API multimodelo da Dream Vision, permite acessar vários modelos com uma única chave, o que ajuda a testar diferentes abordagens sem trocar de integração. Modelos e preços disponíveis devem ser conferidos diretamente na plataforma.

Perguntas frequentes

Ainda preciso aprender a programar na era da IA?

Sim, segundo o relato publicado na Nature. O que muda é o foco: em vez de decorar sintaxe, o profissional precisa entender quais métodos existem, como funcionam e quando usá-los, além de saber supervisionar e corrigir o código gerado pela IA.

O que é pensar como arquiteto de sistemas ao usar IA para código?

É orientar a IA para soluções robustas e reproduzíveis sem se perder em detalhes sintáticos. Na prática, significa planejar a estrutura do pipeline, dividir o código em blocos pequenos e avaliar criticamente cada saída antes de integrá-la ao projeto.

Por que evitar scripts monolíticos gerados por IA?

Porque são difíceis de depurar. Se uma variável muda ou o modelo alucina um passo, todo o script quebra. Com funções modulares, é possível isolar, testar e corrigir apenas o bloco com problema e reaproveitar os demais em outros projetos.

Como usar LLMs sem expor dados sensíveis?

O autor recomenda criar dados fictícios com os mesmos cabeçalhos, tipos e dimensões da tabela real. A IA escreve e testa o código com esses dados falsos; depois, o script é copiado para um ambiente local seguro e executado apenas com os dados verdadeiros.

O que é o Cookiecutter Data Science?

É um framework de organização de projetos de ciência de dados citado no artigo. Ele separa dados brutos em pasta somente leitura, scripts de análise e saídas, reduzindo o risco de que um script gerado por IA sobrescreva os dados primários.

programaçãoia generativallmsciência de dadosboas práticas

Fonte original: In the AI era, coding means thinking like a systems architect (Nature). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.