A crise de identidade dos devs na era da IA agêntica

Um tech lead da Disney que programa desde os 12 anos admitiu ao vivo: escrever código deixou de ser seu diferencial técnico. Lucas Montano mergulha numa crise de identidade que atinge toda a comunidade de desenvolvimento e explica exatamente onde está o verdadeiro salto produtivo dos últimos meses — spoiler: não é no tamanho do modelo.

No episódio Quem não usar IA, ficará para trás | com Lucas Montano do canal Fernando Ulrich, o engenheiro abre o jogo sobre automação real no dia a dia, riscos concretos de dar permissão a agentes e o que deve mudar no posicionamento profissional de quem vive de código.

1. Do back-propagation em Java ao assistente Marven: a trajetória antes do ChatGPT

Lucas teve seu primeiro contato formal com IA na faculdade em 2008-2009, quando implementou uma rede neural capaz de jogar jogo-da-velha usando back-propagation em Java. Em 2014, cofundou a fintech Planejei, que utilizava processamento de linguagem natural para categorizar transações bancárias num assistente chamado Marven.

Programa desde os 12 anos de idade, e esse histórico técnico explica por que ele foi o cético do grupo de amigos devs quando o ChatGPT foi lançado em novembro de 2022. Ter construído IA do zero tornou difícil acreditar que a tecnologia evoluiria em velocidade exponencial — até que evoluiu.

2. O momento em que o ceticismo caiu: o primeiro app criado do zero pelo GPT-4

A virada não aconteceu no lançamento. Foi quando ele pediu ao ChatGPT para gerar um aplicativo Android inteiro e copiou o código direto para o Android Studio. Funcionou. Pela primeira vez percebeu que aquilo iria tocar o núcleo do trabalho dev, não apenas sugerir autocomplete.

Desde então a curva acelerou, mas não da forma que a mídia sugere. O ponto seguinte explica por quê.

3. O salto recente não veio do modelo — veio da integração com ferramentas

Essa é a tese central de Lucas. O Sonnet 4.5 já estava extremamente produtivo há mais de um ano. O que mudou nos últimos seis meses foi o quão bem o modelo opera com ferramentas externas.

Benchmarks de tooling importam tanto quanto os de raciocínio puro. Quando o modelo usa 98% de uma ferramenta com base apenas na documentação, ele se conecta com qualquer coisa — e a percepção de valor dele muda drasticamente. Modelos aprenderam a escrever código para resolver problemas: se o LLM não sabe calcular 3+3 direto, ele escreve uma função Python que calcula e retorna o resultado exato.

4. Automação pessoal: como Lucas toca Disney, YouTube e um SaaS ao mesmo tempo

A pergunta recorrente que ele recebe é: como dá tempo? A resposta é automação radical. Um agente Claude rola diariamente seu feed de likes no Twitter, cruza com um repositório de scripts anteriores e devolve quais tweets têm potencial de virar vídeo. O trabalho humano dele se resume a deixar likes em tweets relevantes.

Outras tarefas automatizadas para o Stupid Button Club: ler planilha do Google, extrair e-mails de novos assinantes e adicioná-los a um Google Group — tudo feito pelo Cloud abrindo abas do navegador como um estagiário digital, sem escrever integração via API.

5. O SaaS criado inteiramente pela IA: o experimento Stupid Button Club

Para testar o limite, Lucas pediu ao Cloud para criar e hospedar um SaaS mínimo do zero: um botão na tela onde o usuário clica e paga. Deu acesso SSH à sua VPS e o agente escreveu o código, configurou o servidor e fez deploy de ponta a ponta. O objetivo não era o produto em si, mas provar que o pipeline completo rodava sem intervenção humana direta.

Um dos membros do clube repetiu o padrão para migrar clientes vindos de um concorrente: abriu duas abas do navegador com credenciais do sistema antigo e do novo, e mandou o Cloud copiar-e-colar todos os dados manualmente, integrando sistemas sem API pública exposta.

6. Riscos reais: o que dar (e não dar) para um agente no seu computador

Lucas não roda em modo "yolo" — aquele em que o agente recebe permissão única e executa tudo sozinho. Ele aprova manualmente cada passo até consolidar um pipeline testado. Só depois libera execução automática, e apenas com escopo de leitura.

Modelos fracos podem executar comandos destrutivos sem pedir confirmação, ignorando o system prompt. Casos de agentes apagando conteúdo de HD e manipulando dados sensíveis de forma errada já foram reportados publicamente no ecossistema de OpenClaw e similares — o risco escala junto com a qualidade ruim do modelo escolhido.

Quanto pior o modelo em seguir instruções, maior o risco. É por isso que a escolha do modelo deixa de ser detalhe técnico e vira questão de segurança operacional direta.

7. Modelo local vs modelo na nuvem: quando cada um faz sentido

Lucas é mega favorável a rodar modelos locais. O SaaS que ele toca permite plugar qualquer modelo instalado pelo usuário. Mas admite: o custo de GPU para rodar algo realmente bom não cabe no computador da maioria. A decisão é pragmática, não ideológica.

8. A crise de identidade dos devs: reposicionar-se como cético e explorativo

Escrever código nunca foi o fim, segundo Lucas — sempre foi meio para entregar produto. O cliente nunca se importou com o código em si. Mesmo assim, desenvolvedores construíram identidade em torno da habilidade manual de digitar. Agora essa identidade entra em colapso.

A recomendação dele: adotar postura simultânea de ceticismo e exploração. Testar ferramentas toda semana, rodar Cloud Code, Codex e agentes reais em tarefas reais. Medir produtividade antes e depois. Deixar o apego à digitação manual para trás e concentrar valor em orquestração, julgamento técnico e delegação bem-feita para LLMs.

9. O que muda para quem não é programador

A lição do episódio vai além de dev. Qualquer profissional cujas tarefas envolvem formulários, planilhas, copy-paste entre sistemas e integrações manuais está diante da mesma automação. O agente não precisa de API exposta: usa a camada de acessibilidade do sistema operacional para operar qualquer software como um humano faria, mais rápido e com menos erro.

Começar em escopo pequeno e supervisionado, com permissões limitadas — e expandir conforme a confiança no modelo cresce. Esse é o caminho defendido por Lucas como mínimo viável para qualquer adoção.

Conclusão: a janela para reposicionar-se está aberta agora

O recado central de Lucas ao público dev é direto: quem tratar IA como moda passageira vai ficar para trás nos próximos doze meses. Escrever código deixou de ser diferencial; orquestrar agentes, auditar output e entregar produto continua tão valioso quanto sempre foi — talvez mais.

Se você quer implementar automações de agentes com rigor de produção — supervisão correta, permissões limitadas, modelos adequados ao caso de uso — a Techify constrói esse stack de ponta a ponta, sem deixar sua operação refém de POCs eternos.