O paradoxo que ninguém quer ouvir

Você já percebeu que seu colega sênior tira respostas absurdamente boas do ChatGPT enquanto você recebe aquele textão genérico que poderia ter saído de qualquer blog de 2019? Não é o prompt. Não é o modelo. É você.

Um post que estourou no Hacker News esta semana, com mais de 1.000 upvotes, jogou na mesa uma verdade inconveniente: LLMs premiam quem já sabe. O argumento do engenheiro Sean Goedecke é direto: a habilidade mais valiosa para usar IA não é “prompt engineering”, é conhecimento profundo no domínio que você está consultando. E os dados de pesquisa confirmam isso de um jeito que deveria incomodar muita gente.

A ilusão da democratização

A narrativa dominante desde 2023 é que a IA “democratiza o conhecimento”. Qualquer pessoa pode escrever código, redigir contratos, montar planos de negócio. E isso é parcialmente verdade: um estudo com consultores da BCG mostrou que profissionais abaixo da média tiveram um salto de 43% na qualidade quando usaram IA, enquanto os acima da média melhoraram apenas 17%.

Parece ótimo, certo? O problema é que “melhorar” e “produzir resultado excelente” são coisas completamente diferentes. A IA comprime a distância entre novatos e experts no trabalho mediano. Mas no trabalho que realmente importa (o complexo, o ambíguo, o que ninguém ainda resolveu), o expert com IA está jogando em outra liga.

O iniciante ganha velocidade. O expert ganha profundidade. E profundidade é o que paga as contas.

Terence Tao e o ChatGPT: a masterclass que você precisa estudar

Em julho de 2026, o matemático Terence Tao (Fields Medal, considerado o maior matemático vivo) publicou uma transcrição completa de uma conversa com o ChatGPT sobre a Conjectura Jacobiana, um problema aberto há décadas.

O que torna essa conversa fascinante não é o que a IA respondeu. É como Tao perguntou.

Onde um estudante de graduação pediria “explique a Conjectura Jacobiana”, Tao foi cirúrgico. Ele guiou o modelo por caminhos específicos, rejeitou abordagens que sabia serem becos sem saída, pediu contra-exemplos com restrições precisas, e criticou as respostas com vocabulário que só alguém com décadas de pesquisa teria.

O próprio Tao resumiu a dinâmica: a IA é boa para calcular e derivar rapidamente em escala pequena. Em estratégia de médio porte, ela pode reforçar intuições erradas, e o humano precisa estar vigilante. Em compreensão de alto nível, ela oferece insights valiosos, mas só se você souber o que procurar.

Ou seja: o gargalo nunca foi o modelo. É o humano.

Sean Goedecke usou exatamente esse exemplo no post que viralizou. Ele escreveu:

“O humano é o gargalo, não o modelo, porque a parte difícil é comunicar ao modelo exatamente que tipo de solução o humano quer.”

Pense nisso. Quando você pede pro ChatGPT “fazer um CRUD em Python”, ele entrega. Mas quando você precisa de algo não-trivial (uma arquitetura de sistema distribuído que lide com eventual consistency, partitioning, e tenha observabilidade de ponta a ponta), a qualidade do output depende inteiramente da sua capacidade de especificar o que quer.

E especificar bem exige saber o suficiente para saber o que pedir.

O estudo que quebrou a narrativa: devs experientes ficaram 19% mais LENTOS

Em 2025, o METR (um instituto de pesquisa sem fins lucrativos focado em avaliação de IA) conduziu um estudo controlado randomizado com 16 desenvolvedores open source experientes. O resultado deveria ter virado manchete em todo blog de tech:

Desenvolvedores experientes completaram tarefas 19% mais devagar quando usaram ferramentas de IA.

Leia de novo: mais devagar. Não mais rápido.

E a parte mais perturbadora? Antes do estudo, eles previram que seriam 24% mais rápidos com IA. Depois de terminar, ainda acreditavam que tinham sido 20% mais rápidos. A diferença entre percepção e realidade foi de 43 pontos percentuais.

Percepção dos devs: "Fui 20% mais rápido com IA"
Realidade medida:  "Foi 19% mais lento com IA"
Gap:               43 pontos percentuais

Por que isso acontece? Porque para trabalho em sistemas familiares e complexos, o tempo gasto em prompting, esperando respostas, revisando código gerado e corrigindo erros da IA consumiu todo o tempo que seria economizado digitando menos.

O dev expert já sabe onde está o arquivo, já conhece os edge cases, já tem o modelo mental do sistema na cabeça. Para ele, a IA é mais uma camada de indireção. É como pedir para um tradutor explicar algo que você já sabe dizer na língua original.

Mas espera: e os dados mostrando que IA ajuda?

Ajuda. Mas os dados são mais nuançados do que a galera de marketing quer admitir.

O estudo da BCG mostrou:

• Tarefas dentro da “fronteira tecnológica” da IA: participantes foram 12,2% mais produtivos, 25,1% mais rápidos, e a qualidade subiu 40%
• Tarefas fora da fronteira tecnológica: performance caiu. A IA induziu os consultores ao erro, e quem confiou cegamente no modelo teve resultados piores que quem não usou IA nenhuma

Em suporte ao cliente, um estudo com atendentes mostrou 15% mais tickets resolvidos por hora no geral. Mas novatos ganharam 34%, enquanto veteranos quase não tiveram ganho.

Em redação profissional, textos ficaram 40% mais rápidos com 18% mais qualidade. Mas os escritores mais fracos tiveram o maior salto: a IA puxou eles pra cima. Os melhores escritores? Quase nenhuma diferença.

O padrão é consistente: IA nivela por cima os iniciantes e quase não muda os experts em tarefas que eles já dominam. Mas, e essa é a parte que todo mundo ignora, quando a tarefa é genuinamente difícil e nova, o expert com IA produz algo que o iniciante com IA nem consegue avaliar se está certo.

O verdadeiro “prompt engineering” é conhecimento de domínio

Eu já cansei de ver curso vendendo “prompt engineering” como se fosse uma skill independente. “Aprenda a falar com a IA!” “10 templates de prompt que vão mudar sua vida!” Faz-me rir.

O melhor “prompt” do mundo não salva quem não sabe o que está pedindo. E o pior “prompt” do mundo ainda funciona quando quem está pedindo sabe exatamente o que quer.

Goedecke faz uma analogia precisa no artigo dele. Ele compara com o conceito de “conhecimento concreto vs. abstrato” em engenharia de software. Saber que “microsserviços são bons para escalar” é conhecimento abstrato. Saber que “o serviço de pagamentos do nosso sistema precisa de um circuit breaker no timeout do gateway porque a API do Stripe demora 3 segundos em 1% dos requests” é conhecimento concreto.

A IA trabalha bem com o abstrato. Todo mundo consegue extrair isso. Mas a diferença está no concreto: só quem conhece profundamente o domínio consegue guiar o modelo até respostas úteis.

# Prompt de iniciante
"Crie uma API REST em Python para um e-commerce"

# Prompt de expert
"""
Preciso de um endpoint POST /orders que:
- Valide estoque via chamada ao serviço de inventory (gRPC)
- Use saga pattern com compensação se o pagamento falhar
- Publique evento OrderCreated no Kafka topic 'orders.created'
- Retorne 202 Accepted com Location header pro polling
- Use Pydantic v2 para validação, FastAPI, e SQLAlchemy async
- O timeout do payment gateway é 5s, preciso de retry com backoff exponencial
"""

Os dois prompts funcionam. Mas o resultado do segundo é utilizável em produção. O do primeiro vai pra lixeira depois de 10 minutos de revisão.

22.000 devs, zero ganho no delivery

Talvez o dado mais assustador venha de uma análise em larga escala com aproximadamente 22.000 desenvolvedores. O resultado? Apesar de trabalhadores individuais completarem mais tarefas com IA, as organizações não estavam entregando mais rápido.

Produtividade individual subiu. Delivery de time? Zero mudança.

Como assim? Porque as tarefas que a IA acelera (escrever código boilerplate, gerar testes, completar documentação) não são o gargalo. O gargalo é entender o problema, alinhar requisitos, fazer design de sistema, lidar com ambiguidade. E para tudo isso, a IA é, no máximo, um parceiro de sparring que precisa de um expert no volante.

É como dar uma furadeira elétrica para alguém que não sabe onde furar. Ele vai furar mais rápido, sim. Mas vai furar no lugar errado.

O que Tao faz que você não faz

Voltando à conversa de Terence Tao com o ChatGPT, existem padrões claros do que um expert faz diferente:

1. Rejeita respostas ruins imediatamente
Tao não aceita a primeira resposta. Ele identifica quando o modelo está seguindo um caminho improdutivo e redireciona. Um iniciante leria a resposta, acharia “plausível” e seguiria em frente.

2. Faz perguntas que o modelo não esperava
Em vez de perguntas abertas (“como resolver X?”), Tao pergunta coisas como “existe um contra-exemplo polinomial de grau 3 com essas restrições?”. Ele já tem hipóteses e usa a IA para testá-las.

3. Separa o que a IA faz bem do que faz mal
Tao usa a IA para cálculos mecânicos e exploração de possibilidades, mas faz a estratégia e a avaliação ele mesmo. Ele sabe onde confiar e onde desconfiar.

4. Comunica com precisão cirúrgica
Sem ambiguidade, sem “faça algo legal”. Cada prompt tem restrições, contexto e critérios de sucesso claros.

O que isso significa na prática para devs

Se você é júnior, a IA é a melhor coisa que já aconteceu na sua carreira. Ela encurta a curva de aprendizado, te expõe a padrões que você levaria meses para descobrir, e te deixa produtivo mais rápido.

Mas se o seu plano é ficar dependente da IA sem desenvolver expertise real, você está construindo a carreira em areia movediça. Porque quando a tarefa for complexa (e ela vai ser, é pra isso que empresas contratam gente), a IA sem expertise produz lixo confiante. E lixo confiante é pior que nenhuma resposta, porque você nem percebe que está errado.

Se você é sênior, pare de achar que a IA vai te substituir. Ela vai amplificar você. Use-a para as partes mecânicas, para explorar ideias, para gerar rascunhos que você refina. Mas não delegue o julgamento. O julgamento é exatamente o que te torna insubstituível.

E se você é gestor, pare de medir “linhas de código por dia” como métrica de produtividade com IA. O estudo com 22.000 devs mostrou que mais output individual não significa mais delivery. Meça o que importa: problemas resolvidos, bugs em produção, tempo de ciclo de feature.

88% das empresas usam IA, 6% veem resultado real

Esse é o número que deveria estar em outdoor. De acordo com dados de 2026, 88% das organizações já usam IA em pelo menos uma função de negócio. Mas apenas 6% conseguem impacto mensurável no resultado financeiro.

E sabe qual é a diferença entre os 6% e os outros 82%? Os 6% redesenharam seus processos ao redor da IA. Os outros 82% simplesmente plugaram a IA nos processos existentes e esperaram mágica.

Expertise de domínio não é só sobre usar bem o ChatGPT. É sobre saber onde a IA se encaixa no seu fluxo de trabalho, quais decisões delegar, e quais manter com humanos. Isso exige entender profundamente tanto a tecnologia quanto o problema.

A IA não substitui saber. Ela cobra de quem não sabe.

O título deste artigo é provocativo de propósito. A IA “funciona” para todo mundo, no sentido de que ela gera texto, código, análises. Mas funcionar bem, gerar output que sobrevive ao contato com a realidade, isso exige que você já tenha uma boa parte da resposta na cabeça.

O estudo do METR mostrou que sentir-se mais rápido não é evidência de ser mais rápido. E a pesquisa de 2026 mostra que 68% dos devs acreditam que a dependência de IA está tornando desenvolvedores menos habilidosos.

Isso não é argumento contra usar IA. É argumento a favor de investir em expertise real antes (e enquanto) usa IA. A ferramenta amplifica o que você já tem. Se você tem pouco, ela amplifica pouco. Se você tem muito, ela amplifica muito.

Terence Tao com ChatGPT resolve problemas que intrigam a comunidade há anos. Você com ChatGPT gera um CRUD que talvez funcione. A diferença não está na ferramenta. Está em quem segura ela.

Fonte de inspiração: LLMs reward expertise, por Sean Goedecke