Seu próximo diferencial pode estar no que você não aprova

Antes da próxima promessa

Quando uma ferramenta passa a executar parte do trabalho que você levou anos para aprender, a pergunta “onde eu me encaixo agora?” é legítima.

Não acho útil tratar esse desconforto como falta de inteligência, resistência de quem pensa de forma binária ou uma etapa que todo mundo obrigatoriamente atravessará do mesmo jeito. Há incerteza real, histórias profissionais diferentes e decisões concretas sobre renda e futuro.

Mas também não gostaria que essa pergunta nos deixasse presos à comparação de velocidade: quantas linhas eu escrevo diante de quantas linhas a IA consegue produzir?

Quero propor outra: que decisões consigo tomar sobre uma entrega que ainda não seria prudente colocar no mundo?

Experiência precisa aparecer em alguma coisa

Ter experiência não garante, por si só, mais produtividade com IA. Para que ela seja útil, precisa se traduzir em perguntas, critérios, testes, explicações e capacidade de reconhecer quando uma solução atende à aparência do pedido, mas não ao problema.

Isso pode ser perceber uma premissa errada. Pode ser explicar por que uma alteração pequena exige cuidado. Pode ser admitir que faltam dados antes de aprovar.

Minha hipótese profissional é que esse julgamento merece mais espaço na maneira como mostramos nosso trabalho. Não como substituto da execução, mas como parte da entrega.

Um estudo qualitativo recente discutiu supervisão a partir de cinco profissionais, com amostra limitada e um participante coautor. Ele ajuda a formular perguntas sobre o trabalho, mas não permite prever empregos ou remuneração. Pesquisa.

Dizer não precisa produzir um caminho

O título deste texto não é uma defesa de quem bloqueia tudo. Um “não” sem explicação pode apenas transferir trabalho e ansiedade para outra pessoa.

O julgamento que me interessa produz uma condição: “ainda não aprovo porque falta verificar isto”; “essa opção atende ao pedido, mas viola aquele compromisso”; “podemos seguir se limitarmos o alcance e observarmos o resultado”.

Essa postura exige duas capacidades ao mesmo tempo: firmeza para não confundir plausibilidade com suficiência e abertura para mudar de opinião quando aparece evidência melhor.

Também exige cuidado com a crítica à IA. Um experimento controlado não encontrou piora sistemática de manutenibilidade nas tarefas examinadas. Isso não encerra o debate, mas impede que tratemos “foi feito com IA” como diagnóstico automático de qualidade ruim. Echoes of AI.

Para quem já é sênior

Eu começaria procurando decisões recorrentes que hoje dependem apenas da sua memória. O que você sempre pergunta em uma revisão? Que falha costuma exigir uma explicação longa? Qual limite do sistema só você conhece?

Escolha um desses pontos e torne-o ensinável. Escreva a razão da regra, mostre um caso válido e um caso que deve ser recusado, explique quando ela deixa de se aplicar. Quando fizer sentido, transforme parte disso em uma verificação executável.

Seu objetivo não precisa ser aprovar mais coisas sozinho. Pode ser permitir que outras pessoas tomem algumas decisões com mais clareza e saibam quando precisam chamar você.

Essa é uma proposta de desenvolvimento profissional, não uma promessa de que a senioridade protegerá alguém das mudanças do mercado.

Para quem está começando

Não recomendo competir apenas pela quantidade de projetos gerados. Uma interface pronta pode abrir uma conversa, mas um projeto que você consegue explicar abre outra.

Escolha uma solução pequena. Registre o problema, o que a IA ajudou a produzir, quais partes você compreende e onde ainda tem dúvidas. Prepare um teste que possa falhar. Quando ele falhar, investigue antes de pedir uma nova implementação inteira.

No portfólio, mostre uma decisão que você mudou depois de testar. Mostre uma limitação que preferiu declarar. Mostre o que aprendeu ao receber uma crítica.

Fundamentos continuam fazendo parte desse caminho. Use a IA para discutir alternativas e formular perguntas, mas pratique ler, depurar, testar e explicar. A ferramenta pode apoiar esse processo; não consegue aprender por você.

Para quem lidera a equipe

Se esperamos julgamento de profissionais iniciantes, precisamos oferecer situações em que ele possa ser construído. Não basta automatizar a execução e entregar à pessoa apenas uma tela com resultados aprovados.

Proponho mudanças pequenas, acompanhamento, acesso a raciocínios de revisão e tempo para explicar divergências. Um erro em ambiente controlado pode virar uma oportunidade de aprendizagem; uma aprovação sem compreensão pode esconder uma dúvida que voltará depois.

A responsabilidade por essa formação não pertence apenas ao indivíduo. Ela faz parte do desenho do trabalho.

Uma prática para esta semana

Escolha uma entrega recente, sua ou produzida com IA, sem expor material confidencial. Escreva três frases: “eu aprovo porque…”, “eu ainda não sei se…” e “antes de liberar, eu verificaria…”.

Peça a alguém que questione suas respostas. Observe se você consegue apontar evidência, se está apenas repetindo uma preferência ou se precisa mudar o critério.

Talvez o resultado mais importante não seja descobrir que você estava certo. Talvez seja descobrir como tornar sua decisão melhor.

É esse tipo de capacidade que eu gostaria de ver mais presente na conversa sobre carreira com IA: não somente produzir uma resposta, mas saber o que fazer com ela.

Para continuar: qual decisão do seu trabalho depende hoje de um julgamento que você ainda não sabe explicar? Podemos conversar sobre esse desenvolvimento.

Fontes e natureza do texto

1. Stolze e Strässle — When Review Alone No Longer Scales. Paper aceito no ESEM/SEIP 2026, versão arXiv v1. Consulta: 28/08/2026. Usado como ponto de reflexão, não como previsão de carreira. 2. Borg et al. — Echoes of AI. Empirical Software Engineering, 09/06/2026. Consulta: 28/08/2026. Experimento contextualizado, com dados de 2024 e vínculos comerciais declarados com CodeScene e Equal Experts.

Ensaio de Fernando Parreiras, revisto pelo próprio autor. As recomendações e os exercícios são autorais, não um método validado pelos estudos. Não há relato pessoal, cliente ou resultado profissional inventado.

Nota editorial e de responsabilidade

Este texto combina resultados atribuídos às fontes com análises e recomendações do autor. Pontos de vista pessoais e profissionais não devem ser confundidos com fatos comprovados; dados verificáveis exigem fonte e contexto. O conteúdo é informativo e não substitui avaliação técnica, jurídica ou financeira específica, nem promete resultados. O autor tem atuação ligada à Tech Human e à Trustyu, organizações com interesse comercial nos temas discutidos. Pesquisa e redação tiveram assistência de IA; revisão factual, autoral e aprovação de publicação realizadas por Fernando Parreiras em 28/08/2026, sem revisão humana independente.

Corte da pesquisa: 28/08/2026. Revisão editorial humana: Fernando Parreiras, 28/08/2026. Histórico de correções: versão inicial, sem correções materiais registradas.