A inteligência artificial está a alterar profundamente a forma como o software é desenvolvido. A capacidade de gerar código em poucos segundos reduz o tempo necessário para determinadas tarefas e abre novas possibilidades de produtividade. Mas esta aceleração introduz uma questão que nem sempre recebe a atenção devida: quem valida a qualidade, a segurança e a fiabilidade do código produzido?
Os dados divulgados pela Acer, a propósito do Dia Mundial da Programação, revelam uma contradição significativa. 46% dos programadores inquiridos afirmam não confiar na precisão dos resultados gerados pelas ferramentas de inteligência artificial. O indicador expõe uma distância entre a crescente utilização destas tecnologias e a confiança efectiva no trabalho que realizam.
O problema não está necessariamente na capacidade da IA para gerar código, mas na possibilidade de esse código conter erros, vulnerabilidades de segurança ou decisões de conceção inadequadas. A rapidez de produção não garante a qualidade do resultado. Pelo contrário, quando o tempo aparentemente poupado na programação é posteriormente consumido na revisão, identificação de falhas e correcção, parte dos ganhos de produtividade pode desaparecer.
Para as organizações, esta questão tem implicações diretas na gestão dos projetos tecnológicos. A utilização de ferramentas de IA no desenvolvimento não elimina a necessidade de profissionais qualificados. Altera, isso sim, as competências que lhes são exigidas. Saber formular instruções para obter código é apenas uma parte do processo. Compreender a arquitetura, identificar comportamentos inesperados e avaliar as consequências de uma implementação continuam a ser responsabilidades humanas.
A utilização da IA torna os fundamentos da programação mais importantes, não menos. Sem conhecimentos sólidos, um programador pode conseguir produzir código, mas terá maiores dificuldades em perceber se o resultado é correto, seguro ou adequado ao problema que pretende resolver.
É neste contexto que ganha importância a formação de profissionais capazes de trabalhar com estas ferramentas sem desenvolver uma dependência excessiva. A consolidação dos conhecimentos fundamentais e o desenvolvimento do pensamento crítico devem acompanhar a introdução da IA nos processos de aprendizagem.
A Acer enquadra nesta abordagem o apoio à associação STEM4ALL, que promove o acesso das mulheres à formação em engenharia e investigação através do programa STEM IA e de cibersegurança. A iniciativa procura alargar a participação em áreas tecnológicas nas quais a aquisição de competências especializadas assume uma importância crescente.
A formação exige também condições para experimentar e testar. Conhecer as limitações dos modelos de inteligência artificial implica trabalhar diretamente com eles, observar os resultados e perceber onde falham. A utilização de ambientes de desenvolvimento que permitam executar modelos localmente constitui uma das possibilidades para aproximar a aprendizagem da aplicação prática.
A este propósito, a fabricante tawanesa destaca a estação de trabalho Veriton GN100, utilizada na Spark Hack Series, em Nova Iorque, para experimentar modelos de inteligência artificial localmente. A solução suporta ferramentas e frameworks como PyTorch, Jupyter e Ollama, permitindo desenvolver protótipos, aperfeiçoar, testar e implementar modelos de linguagem de grande dimensão. Segundo a empresa, a plataforma permite trabalhar com modelos até 405 mil milhões de parâmetros.
A possibilidade de executar modelos localmente acrescenta uma dimensão prática à formação e à experimentação, permitindo aos programadores, investigadores, cientistas de dados e estudantes trabalhar directamente com estas tecnologias.
A questão central, contudo, ultrapassa a disponibilidade de equipamentos ou a capacidade de processamento. O verdadeiro desafio para as empresas é garantir que a adopção da IA no desenvolvimento de software não reduz a capacidade interna de avaliar e assumir a responsabilidade pelos resultados.
A automatização pode acelerar tarefas e modificar a distribuição do trabalho nas equipas tecnológicas, mas não substitui a necessidade de compreender os sistemas que são construídos. Para quem compra, desenvolve ou gere tecnologia, a produtividade proporcionada pela IA terá de ser avaliada em conjunto com a qualidade, a segurança e os custos associados à validação dos resultados.
Na programação, a diferença poderá estar cada vez menos na capacidade de produzir código e cada vez mais na competência para perceber o que esse código realmente faz.







