O fim do programador: 26 previsões que eu te desafio a derrubar

1. O programador que só codifica perde a vaga nas empresas mais maduras em IA

Seu emprego de programador não vai ser destruído pela IA. Vai ser destruído por outro programador que usa IA melhor que você.

Não estou dizendo que CRUD, integrações simples e correções previsíveis somem do mercado em 12 meses — a maioria das empresas tem legado, compliance e inércia que garantem esse trabalho por anos. Estou dizendo que no primeiro quartil de adoção, o perfil que apenas recebe uma tarefa, escreve código e entrega para outra pessoa validar já não justifica uma contratação dedicada. Ele compete com uma fila de agentes — e perde no preço, na velocidade e na disponibilidade.

O “babá de Claude Code, Codex ou Copilot”, que fica copiando, colando, aceitando sugestões e carimbando pull requests, é o primeiro a se tornar redundante: se o trabalho dele é não atrapalhar, ele pode ser removido sem perda. A pergunta da entrevista deixa de ser “você sabe programar?” e passa a ser “você sabe conduzir uma IA até uma entrega correta, segura e útil?”

2. As vagas de júnior tradicional encolhem — e ninguém resolveu o problema que isso cria

As tarefas que historicamente formavam júniors — CRUD, ajustes de tela, scripts, testes básicos, documentação, pequenas correções — são justamente as primeiras que a IA executa bem o suficiente. As vagas de entrada não somem, mas mudam de natureza: o júnior que aprende errando em tarefa simples dá lugar ao operador iniciante de agentes, que precisa saber revisar, testar, questionar, conduzir prompts, interpretar falhas e entender o suficiente do sistema para não aprovar lixo com confiança. E em menor quantidade.

Se o júnior desaparece em 2027, quem será o sênior de 2032?

A indústria pode estar comendo a própria semente. O sênior de hoje aprendeu julgamento técnico escrevendo muito código ruim, corrigindo erro, quebrando produção e sustentando legado. Se essa escada some, ou inventamos outra forma de formar julgamento, ou teremos uma geração de validadores que nunca construiu nada profundamente — e que, portanto, não sabe validar.

A sua empresa contrataria um júnior hoje? Se a resposta é não, quem você acha que vai contratar como sênior em 2032?

3. O backlog vira fila de execução para agentes

Issues, bugs conhecidos, migrações, testes faltantes e ajustes de UI passam a ser atribuídos diretamente a agentes especializados. O humano prioriza, refina, aprova, resolve ambiguidade e corrige quando a IA se perde. A nova habilidade não é escrever ticket, é escrever uma unidade de trabalho que um agente consiga executar com segurança, limites e critérios de aceite.

Isso muda a qualidade necessária do backlog. Uma issue ruim não confunde mais só uma pessoa — ela dispara uma sequência de trabalho ruim: PRs ruins, testes frágeis e documentação enganosa, em escala e velocidade de agente.

4. O gargalo sai da escrita de código — mas os ganhos podem ser menores do que parecem

O problema deixa de ser “quem escreve o código” e passa a ser “quem garante que a IA entendeu o sistema certo, alterou o lugar certo e não quebrou algo difícil de enxergar”. E aqui mora o risco mais sutil: o problema não é apenas a IA errar. É a IA parecer certa o suficiente para ser aprovada. Human-in-the-Loop mal feito é só automação com carimbo humano.

Agora o dado mais incômodo do artigo, que vou encarar em vez de esconder. O estudo da METR (julho de 2025), com desenvolvedores experientes em repositórios que eles dominavam, mostrou que, usando ferramentas de IA, eles ficaram cerca de 19% mais lentos — enquanto acreditavam estar 20% mais rápidos. Estudos em open source apontam na mesma direção: mais atividade aparente, mais retrabalho, queda de produtividade dos core developers.

A implicação desconfortável: parte do ganho que sentimos pode ser ilusória. O custo reaparece em revisão, retrabalho, inconsistência, dívida técnica e manutenção futura — o volume de entrega sobe enquanto a qualidade líquida cai. O contraponto: esses estudos mediram fluxos de 2024/2025 com devs especialistas no próprio código; em greenfield e tarefas fragmentadas os ganhos podem ser altos. Minha aposta é que os ganhos são reais mas concentrados, e que a métrica que importa não é “quanto código foi gerado” e sim quanto valor validado entrou em produção sem aumentar risco futuro. Mas é uma aposta, não um fato.

5. Surge o AI Builder — o profissional que opera a esteira

Um generalista técnico-produto que transforma intenção de negócio em software funcionando por meio de uma rede de agentes. Mistura programador, analista, QA, DevOps, produto, dados e arquitetura. Não precisa ser especialista máximo em nada, mas precisa saber o suficiente para desafiar a IA, montar contexto, interpretar logs, revisar código, medir impacto e decidir quando escalar para um especialista humano.

O nome ainda vai variar: AI Software Operator, AI Builder, AI-Native Builder, Agentic Software Architect, Software Orchestrator, AI Delivery Engineer. Porém: pode ser uma profissão de transição. Se a própria validação for automatizada em parte, o AI Builder precisará subir de novo na cadeia de valor — voltamos a isso adiante.

6. Agentic AppOps deixa de ser outsourcing e vira margem de software

Empresas já contratam terceiros para sustentar e evoluir software — isso não é novidade, e o Brasil tem uma indústria inteira disso. A novidade é a estrutura de custo. No modelo tradicional, a contratante manda demandas incompletas e uma equipe humana refina, desenvolve, testa, corrige e sustenta. No modelo de agentes, a contratante manda requisitos de qualidade variável; agentes refinam, especificam, implementam, testam, analisam impacto e abrem PRs; a contratada governa o fluxo e garante qualidade. O serviço que precisava de 15 pessoas passa a precisar de 2 a 4 operando agentes.

7. Documentação vira infraestrutura para agentes

Documentação deixa de ser algo escrito apenas para humanos e passa a ser parte da infraestrutura operacional dos agentes. READMEs, ADRs, runbooks, critérios de aceite, Definition of Done, políticas de segurança e arquivos como AGENTS.md orientam diretamente como agentes trabalham — o Technology Radar da Thoughtworks já trata AGENTS.md e Agent Skills como técnicas centrais para isso.

A frase é simples: documentação ruim gera agente ruim. A empresa com contexto organizado tem vantagem; a que depende de conhecimento tribal tem agentes confusos, inseguros e caros de operar. Quem tratou documentação como custo vai descobrir que estava destruindo o combustível dos próprios agentes.

8. O Human-in-the-Loop vira gargalo — e começa a apodrecer

O mercado começa a perceber que o novo gargalo não é apenas a IA — é o humano validando a IA. Profissionais que carimbam PRs sem entender o código gerado, que “revisam” documentos sem ler, que aceitam testes frágeis porque passaram em verde, vão gerar incidentes, retrabalho e desconfiança. Surgem métodos para validar com disciplina: revisão estruturada de PRs gerados por IA, comparação entre intenção e implementação, análise de risco antes do merge.

Mas há um problema mais profundo, conhecido na aviação desde os anos 80 (Lisanne Bainbridge, “Ironies of Automation”): quem não pratica, desaprende. O dev que passa anos só revisando código gerado perde a capacidade de escrever, depurar e julgar código com profundidade. Paradoxo: o humano fica no loop porque sabe julgar; mas se a automação tira dele a prática que formava esse julgamento, o próprio HITL perde qualidade. Voltamos a isso no horizonte de 6 anos.

1. Times de 1 a 4 pessoas entregam o operacional de squads de 10 a 20

Sua squad de 15 pessoas está virando sinal de ineficiência, não de força.

Não significa demissão em massa; significa recomposição. Menos gente executando tarefas fragmentadas, mais gente decidindo, validando qualidade, governando risco e entendendo negócio. O tamanho da equipe deixa de ser sinal de capacidade e vira alvo de pergunta: quantas dessas pessoas tomam decisões reais e quantas só repassam trabalho que agentes poderiam executar? A pergunta vira “qual é a capacidade real de entrega validada deste sistema de humanos e agentes?”.

2. O SDLC vira orquestração contínua

O ciclo de vida deixa de ser um processo linear com papéis separados e vira operação contínua entre humanos, agentes, pipelines, ambientes, políticas, testes, documentação, observabilidade e governança — da descoberta à sustentação.

A McKinsey vem batendo nessa tecla em seus relatórios sobre IA generativa em desenvolvimento: os maiores ganhos exigem repensar workflows e operating models, não comprar ferramentas. Comprar licença de IA e manter o mesmo processo é a forma mais cara de não mudar nada. O ganho real vem quando o fluxo inteiro é redesenhado: como o requisito entra, como o contexto é montado, como o agente executa, como o PR é revisado e como a produção é protegida.

3. PO, QA, DevOps e Designer não somem — as fronteiras entre eles somem

Não acabam as disciplinas; acaba a necessidade de uma pessoa separada para cada microatividade operacional em todo projeto. O corte não será por cargo, será por qualidade.

O profissional valioso será menos “dono de uma caixinha” e mais alguém capaz de remover bloqueios para que a rede de agentes trabalhe sem ruído.

4. Arquitetura vira sistema imunológico contra a bagunça gerada por IA

IA sem arquitetura não acelera software. Acelera entropia.

Quanto mais código a IA gera, mais valiosa é a arquitetura que a impede de degradar o sistema — de escolher caminhos tecnicamente possíveis, mas arquiteturalmente proibidos. O Technology Radar da Thoughtworks já alertou para o “architecture drift”: agentes aceleram o afastamento entre o código real e a arquitetura pretendida.

A arquitetura deixa de ser desenho técnico e vira sistema imunológico: define o que a IA pode tocar, como deve tocar, quais caminhos são proibidos, quais decisões exigem aprovação e como detectar quando o código real se afasta da intenção. Boundaries claros, contratos, testes de arquitetura, ADRs, documentação viva e guardrails deixam de ser boas práticas e viram sobrevivência. Código gerado por IA sem boundaries claros é débito técnico com esteroides — e o arquiteto pragmático volta a ser essencial porque alguém precisa impedir a IA de ser criativa demais.

5. Context Engineering vira competência central

O melhor profissional não é quem sabe mais sintaxe, mas quem monta o melhor contexto para a IA operar com segurança — domínio explicado, regras de negócio organizadas, decisões documentadas, escopo limitado, o que a IA não pode fazer deixado explícito — e o mantém compreensível para humanos.

O desafio não é colocar mais contexto; é colocar o contexto certo, no momento certo, para o agente certo. Contexto em excesso também vira problema: instruções contraditórias, ruído e custo. Quem dominar engenharia de contexto terá agentes melhores, mais baratos e mais confiáveis — uma vantagem produtiva difícil de copiar.

6. Métricas tradicionais de produtividade ficam obsoletas

Medir produtividade por commits, PRs, story points ou tickets fechados fica perigosamente enganoso quando agentes produzem volume em alta velocidade. Volume não é valor — e a empresa que medir só entrega aparente será enganada por agentes muito eficientes em produzir lixo. (Lembre da METR: a sensação de velocidade já engana até o próprio dev.)

As métricas migram para valor de negócio, redução de retrabalho, incidentes, custo de manutenção e confiabilidade. E a métrica financeira muda junto: o que importa não é custo por token, é custo por resultado validado. A armadilha é gastar muito com IA sem enxergar o custo invisível de revisão, retrabalho e agentes mal governados.

7. A cobrança por hora entra em colapso — e leva junto a fábrica de software tradicional

Se uma equipe com agentes entrega mais rápido, cobrar por hora pune quem é eficiente. O body shop vende exatamente o que a IA comoditiza: hora humana de execução fragmentada. As fábricas que sobrevivem migram para outro modelo — menos alocação e mais resultado, menos hora/homem e mais governança, menos squad inchada e mais Agentic AppOps. As que continuarem vendendo “pleno por R$ X/hora” vão competir com um custo marginal que tende a zero.

Para o Brasil, isso tem uma camada social. A tecnologia foi um dos maiores elevadores de renda dos últimos anos. Se a IA comprimir a massa intermediária e valorizar apenas uma elite de orquestradores, a discussão deixa de ser carreira e vira política econômica.

8. A tese mais desconfortável do artigo: o validador humano também é automatizável

Grande parte deste artigo repousa numa premissa confortável: código é automatizável, mas julgamento, validação e governança continuam humanos. Mas por quê, exatamente?

Revisar um PR tem entrada, saída e critérios. Validar documentação tem checklist. Checar aderência arquitetural pode ser parcialmente automatizado. Em muitos casos, um agente pode revisar melhor que um humano cansado, distraído ou pressionado por prazo. Se isso se confirmar até 2029, o AI Builder do horizonte de 1 ano pode ser uma profissão com prazo de validade, e o HITL, uma fase transitória.

Isso não significa que o humano desaparece amanhã: responsabilidade legal, confiança institucional e risco reputacional o mantêm no circuito. Mas note o que isso significa — o humano fica no loop por razões jurídicas e políticas, não técnicas. É uma posição bem mais frágil do que “o julgamento humano é insubstituível”.

9. Governança de agentes vira obrigatória — provavelmente depois do primeiro grande incidente

Agentes deixaram de ser chatbots e viraram atores operacionais com acesso a repositórios, credenciais, pipelines e dados. Nenhuma empresa séria os deixará operar sem responder: qual agente fez a alteração, quem autorizou, com quais permissões, usando qual contexto, quais testes rodaram, qual risco foi aceito, como reverter, como auditar. Isso cria uma nova superfície de ataque: prompt injection, supply chain de skills, MCPs maliciosos e decisões automatizadas com permissão legítima.

Aposta adicional: a governança séria não virá da prudência, virá da reação. Em algum momento entre 2026 e 2029, um agente autônomo causa um incidente grande o suficiente para virar manchete, contrato, auditoria e exigência de seguro. Depois disso, governança deixa de ser slide de consultoria e vira cláusula obrigatória.

1. Empresa de software com pouquíssimos humanos vira normal

Será comum uma empresa SaaS relevante operar com 3 a 15 pessoas e dezenas ou centenas de agentes especializados cuidando de desenvolvimento, suporte, análise de dados, documentação, monitoramento, QA, segurança, billing e onboarding. Humanos ficam em estratégia, governança, relacionamento, responsabilidade legal, visão de produto e decisões que envolvem risco, reputação e ambiguidade. O próximo unicórnio pode nascer com menos gente que uma squad tradicional de enterprise.

2. Software passa a ser gerado sob demanda — e isso cria dois caminhos perigosos

Em vez de abrir ticket para criar uma tela administrativa, o usuário pede: “crie uma visão de inadimplência por unidade, com alerta semanal e permissão só para gerentes”. A IA gera interface, consulta, permissão, teste, documentação e talvez deploy controlado. Software deixa de ser só projeto e vira organismo continuamente cuidado por agentes. Mas abre dois caminhos: software descartável (gera, usa, joga fora e regenera quando precisar — a manutenção morre em algumas camadas) e legado instantâneo (milhões de linhas que nenhum humano leu, integradas a sistemas críticos).

A IA pode não acabar com o legado. Pode criá-lo em velocidade industrial.

Minha aposta: teremos os dois ao mesmo tempo, em camadas diferentes do stack — e “arqueologia de código gerado por IA” vira serviço lucrativo.

3. O diferencial deixa de ser software e passa a ser conhecimento operacional

O código fica barato. O que fica caro é entender profundamente o negócio, os dados, os processos, as restrições, os riscos, os clientes, a operação real e os motivos pelos quais decisões anteriores foram tomadas. A vantagem não será “tenho devs que programam”; será “tenho contexto, dados, histórico, integrações, processos e agentes treinados para operar este domínio melhor que meus concorrentes”. No mundo pós-IA, conhecimento operacional vira produto.

4. Times terão mais agentes do que pessoas — e profissionais venderão suas redes de agentes

Cada sênior terá uma rede pessoal de agentes — código, teste, segurança, infraestrutura, documentação, produto, financeiro, incidentes — e será avaliado pela capacidade de montar, coordenar, treinar e auditar esse conjunto. Um sênior com bons agentes parecerá uma miniempresa, atendendo múltiplos contratantes simultaneamente. Profissionais reconhecidos licenciarão seus processos, templates, skills e fluxos de validação. Metodologia vira produto, e o currículo do futuro talvez não diga só onde a pessoa trabalhou, mas quais agentes ela sabe operar.

5. Sua capacidade de produção vira assinatura de fornecedores

Esta é a tese que o mercado prefere não discutir. Se a produção de software passa a depender de modelos de fronteira, APIs e plataformas fechadas, você deixa de controlar parte da sua própria capacidade produtiva. O que acontece quando o preço triplica? Quando um update muda o comportamento do modelo que sustenta seu pipeline? Quando uma política bloqueia um uso, ou uma decisão geopolítica restringe acesso?

Software era ativo: você escrevia, era seu. Capacidade de produção via IA pode virar terreno alugado. Modelos abertos, execução local, roteamento multi-modelo, cache e fine-tuning deixam de ser otimização de custo e viram estratégia de soberania operacional. Capacidade produtiva por IA pode ser o novo cloud lock-in — e quem montar a operação 100% acoplada a um único fornecedor vai sentir na hora errada.

6. A volta do monólito modular

Uma previsão que vai contra o consenso da última década: a IA pode tornar monólitos modulares mais atraentes que arquiteturas distribuídas demais. Agentes trabalham melhor quando entendem o contexto de forma coesa. Sistemas com dezenas de repositórios, múltiplos pipelines, contratos espalhados e observabilidade fragmentada são mais difíceis para agentes entenderem, alterarem e validarem.

Monólitos modulares bem organizados oferecem contexto centralizado, boundaries internos claros, testes mais simples e menor risco de inconsistência entre serviços. Não significa abandonar microserviços em todo caso. A provocação é outra: a IA pode não matar o monólito — pode torná-lo mais competitivo em muitos cenários.

7. Surge o “CREA do software”: responsabilidade técnica assinada por humanos

Quando agentes operam produção, a pergunta “quem responde quando dá errado?” para de ser filosófica. Em sistemas críticos — financeiro, saúde, governo, infraestrutura, pagamentos — pode surgir a figura do responsável técnico humano pela entrega. Mesmo que 90% do trabalho tenha sido feito por agentes, alguém terá que assinar risco, conformidade e responsabilidade civil — equivalente à ART do engenheiro civil.

A ironia: isso pode preservar parte do emprego humano não por superioridade técnica, mas por necessidade jurídica, securitária e institucional — alguém para processar.

8. A formação tradicional em computação entra em crise aberta

As matrículas em cursos de computação já caem nos EUA. Currículos longos formam pessoas para tarefas automatizadas durante o próprio curso; bootcamps que ensinam só CRUD perdem valor ainda mais rápido. O diploma perde força como sinal suficiente de competência, e nada consolidado o substitui. A pergunta continua sem resposta: como formar julgamento técnico — a única coisa que este artigo diz que sobra para humanos — se a automação eliminou a prática que criava esse julgamento? (Sim, é a mesma ferida da tese do júnior. Ela não cicatriza em 6 anos.)