O que mudou no meu trabalho com IA em 2025 — não é o que você pensa
Todo mundo fala sobre produtividade com IA. O que mudou de verdade no meu trabalho não foi velocidade — foi o tipo de problema que eu consigo atacar.
Em 2023, eu usava IA para autocompletar código. Em 2025, eu uso IA para atacar problemas que antes eu não tocaria sozinho.
Essa diferença parece pequena. Não é.
Quando o Copilot apareceu, o pitch era simples: você escreve mais rápido. E é verdade — autocomplete inteligente corta o tempo de digitação, sugere imports corretos, termina funções óbvias. Útil. Mas não transformador.
O que transformou foi quando parei de usar IA como autocompletar e comecei a usar como par de programação real. Um par que nunca cansa, nunca julga, tem contexto de todo o repositório, e consegue manter cinco threads de raciocínio simultâneos.
Isso mudou o tipo de tarefa que eu começo.
Antes, tinha uma categoria de problema que eu adiava indefinidamente: "preciso entender como esse sistema legado funciona antes de mexer", "preciso estudar essa área antes de propor uma solução", "isso vai demorar semanas para eu ter confiança suficiente para propor algo".
Agora eu começo esses problemas. Não porque fiquei mais corajoso — porque o ciclo de exploração ficou absurdamente mais rápido.
Pego um codebase que não conheço, descrevo o que precisa ser feito, peço para a IA mapear o que ela vê. Ela erra em partes — mas os erros são informativos, me mostram onde o sistema é opaco, onde a documentação falta, onde as abstrações são confusas. Eu corrijo. Iteramos.
O que antes levava duas semanas de imersão antes de eu me sentir confortável para propor qualquer coisa, agora leva dois dias de diálogo intenso com a ferramenta.
Isso criou um problema novo: eu assumo trabalho demais.
Quando o custo de exploração cai, o número de problemas que você decide atacar sobe. E problemas têm partes que a IA não resolve — decisões de trade-off, alinhamento com stakeholders, comunicação com times que têm prioridades diferentes. Essas partes não ficaram mais rápidas.
O resultado: meu backlog de "em andamento" cresceu. Não porque sou menos produtivo — porque estou atacando mais superfície.
Aprendi a calibrar. Não é porque a exploração ficou mais barata que todo problema vale ser explorado. Seleção ainda importa.
O outro lado: qualidade de revisão subiu.
Quando eu escrevo código com IA, tenho um revisor imediato que olha para cada decisão e questiona. "Por que essa abstração aqui?", "esse erro handling cobre todos os casos?", "tem um padrão mais idiomático para isso na linguagem?". O código que chega para review do time é mais maduro.
Não porque eu sei mais — porque o ciclo de feedback ficou mais curto. Eu ouço "isso parece errado" antes de abrir o PR, não depois.
O que não mudou: julgamento sobre o que construir.
IA executa bem. Decide mal. Quando deixo a ferramenta escolher a direção — "o que você acha que devo fazer aqui?" — as respostas são plausíveis e neutras. Não são opiniões. São médias de padrões que a ferramenta viu.
Opinião sobre o que construir, para quem, por qual razão — isso ainda sou eu. E é onde o tempo que sobrou precisa ir.
Essa semana: pegue um problema que você está adiando por "falta de contexto" e passe duas horas explorando com IA. Não para resolver — para mapear. Veja o que aparece.