A Crise do 'Vibe Coding': Por que os Licenciados em Informática Não Sabem Programar Sem IA

Em fevereiro de 2025, Andrej Karpathy, cofundador da OpenAI e antigo diretor de desenvolvimento do Autopilot na Tesla, recorreu ao X para anunciar um novo movimento na engenharia de software. Batizou-o de 'Vibe Coding'. Karpathy explicou que tinha criado uma interface web funcional em menos de uma hora sem escrever ele próprio uma única linha de código. O seu método: descrever ao LLM (neste caso, o Claude 3.5 Sonnet) o que queria, verificar o resultado no navegador, descrever as modificações, e repetir até que estivesse concluído. 'Sou agora um Vibe Coder', congratulou-se. 'Já não digito código – simplesmente vibe com o sistema.'

No mundo da tecnologia, o termo espalhou-se como um rastro de pólvora. Para os fundadores de start-ups e gestores de produto, o Vibe Coding soava como a libertação definitiva: o desenvolvimento de software sem os detalhes fastidiosos, dispendiosos e morosos da programação real. No entanto, na primavera de 2026, o termo tornou-se o atalho da indústria para designar algo muito mais preocupante: uma crise profunda no ensino da informática e na integração de desenvolvedores juniores.

A realidade do Vibe Coding em 2026 é a seguinte: recém-licenciados em informática apresentam-se a entrevistas de emprego e resolvem brilhantemente os exercícios de programação em direto no ecrã graças à ajuda da IA – mas falham completamente quando lhes é pedido para explicar ou modificar esse mesmo código num quadro branco sem a ajuda de um LLM. Os recrutadores sinalizam novas contratações capazes de redigir prompts com facilidade, mas incapazes de depurar código com falhas porque não compreendem a lógica subjacente. As competências de resolução de problemas atrofiam em tempo recorde. Este artigo examina as provas empíricas da crise do Vibe Coding: os dados sobre a atrofia de competências, as reações da indústria e como formar verdadeiros programadores capazes tanto de viben como de programar.

Os dados sobre a atrofia: o que mostra a investigação

Os avisos sobre o declínio das competências de programação devido à IA permaneceram anedóticos durante muito tempo. Em 2025/2026, isso mudou com uma série de estudos académicos e industriais.

Estes dados apontam para um princípio de aprendizagem fundamental: as competências constroem-se com esforço e prática – o que se designa por luta produtiva. Se um LLM elimina cada obstáculo no segundo em que este aparece, o esforço cognitivo desaparece. O estudante não aprende a seguir mentalmente o fluxo de execução do código, a depurar de forma sistemática ou a antecipar casos limites. Torna-se um Vibe Coder – alguém que confia no sistema sem o compreender.

• O efeito do paradoxo da produtividade. Um estudo em larga escala realizado pela empresa de inteligência de software GitClear no outono de 2025 analisou mais de 150 milhões de commits de código no mundo. O resultado foi elucidativo: embora a quantidade de código escrito (linhas de código) tenha explodido graças à autocomplantação e à geração por IA, a taxa de código duplicado, a taxa de rotatividade (código eliminado ou alterado nos 14 dias seguintes) e a propensão para erros aumentaram de forma drástica. Os desenvolvedores escreviam código mais rapidamente, mas produziam código de qualidade estrutural inferior, mais difícil de manter.
• O declínio da segurança do código IA. Uma análise detalhada da plataforma de revisão de código CodeRabbit em dezembro de 2025 examinou milhões de pull requests. Constataram que o código co-escrito por IA generativa continha 1,7 vezes mais problemas críticos (vulnerabilidades, fugas de memória, erros lógicos) do que o código escrito por humanos, com um risco 2,74 vezes superior de falhas de segurança graves. As ferramentas de IA são excelentes a gerar código de aparência plausível, mas tendem a ignorar casos limites subtis e contextos de segurança.

Para os recrutadores e diretores técnicos, a crise não é uma preocupação teórica. Influencia diretamente os processos de recrutamento. Em 2026, o processo de recrutamento transformou-se radicalmente em reação ao Vibe Coding.

O problema do Vibe Coding em entrevista de emprego

Em 2023-2024, muitas empresas impunham ainda testes assíncronos para fazer em casa como primeira etapa. Esta prática foi praticamente abandonada em 2026. Qualquer trabalho de casa é agora resolvido em segundos pelo Claude Code ou OpenAI Codex. Um teste em casa perfeito já não tem qualquer valor para avaliar as competências reais de um candidato.

Em alternativa, as empresas tecnológicas apoiam-se em três novas formas de verificação:

A mensagem da indústria em 2026 é inequívoca: não pagamos a pessoas que apenas sabem redigir prompts. Redigir prompts, a IA saberá em breve fazê-lo ela própria. Pagamos a humanos capazes de compreender, validar, de salvaguardar, de depurar o código gerado e de o integrar em sistemas legados complexos. Os Vibe Coders são um risco; os programadores capazes de dominar as ferramentas ao mesmo tempo que pensam de forma autónoma são a recurso mais valioso.

Nas universidades, a crise do Vibe Coding provocou uma profunda divisão. Existem dois lados de professores.

Como a crise transforma o ensino da informática

O primeiro lado reagiu através da proibição e do controlo. Baniram os computadores portáteis dos cursos de introdução, reintroduziram exames em papel e lápis e utilizaram detetores estritos. Este modelo – por muito compreensível que seja – falha face à realidade: produz estudantes stressados e isolados na sala de aula, que não têm qualquer ideia de como utilizar as ferramentas de IA de forma produtiva e segura na prática. Não estão preparados para as realidades industriais.

O segundo lado – que ganha influência – escolhe a via da integração estruturada. Não tratam a IA como a inimiga da aprendizagem, mas como uma variável pedagógica. Utilizam quadros como o andaime socrático: a IA é configurada como um tutor que se recusa a escrever o código, mas faz pacientemente perguntas, dá pistas e analisa erros. A avaliação desloca-se da simples correção do código para o processo de resolução de problemas, a prova das competências de depuração e as explicações orais.

• A atrofia da capacidade de depuração. Um artigo de blogue muito seguido no dev.to intitulado 30 dias sem IA descreveu a experiência de um desenvolvedor experiente. Após um ano de utilização intensiva do GitHub Copilot, constatou que a sua capacidade de construir modelos mentais de sistemas complexos tinha visivelmente diminuído. A depuração sem ajuda da IA demorava três vezes mais tempo do que antes da era Copilot. A sua conclusão: 'Quando deixamos a IA pensar por nós, desaprendemos a pensar.'
• A entrevista no quadro branco sem ferramentas. O candidato recebe um marcador e deve escrever um algoritmo num quadro branco – sem editor, sem autocomplantação, sem internet. É aí que os puros Vibe Coders se desmoronam. Falham na sintaxe básica, são incapazes de explicar uma invariante de loop e tropeçam em ramificações lógicas simples.
• A caça aos bugs controlada. O candidato recebe um repositório existente com um bug subtil e deve descobri-lo e corrigi-lo em menos de 30 minutos – sob a observação de um desenvolvedor sénior. Isto testa diretamente a capacidade de depuração – precisamente a competência que atrofia em caso de dependência exclusiva da IA.

Nestes programas, os estudantes aprendem ambos: o ofício fundamental do pensamento independente e a competência avançada de um prompt engineering eficaz e da validação de código. Não são formados para ser Vibe Coders, mas engenheiros de software da era da IA.

O papel da verificação no processo de aprendizagem

Para os professores que acompanham turmas de informática, a principal lição é que a verificação não deve significar punição. A verificação é a proteção da aprendizagem. Quando os estudantes sabem que as suas submissões são scaneadas para detetar a geração por IA, e que terão de explicar em pessoa as submissões suspeitas, isso estabiliza a norma social do curso: o trabalho real deve fazer-se na sua própria cabeça.

• A defesa de código oral. O candidato é convidado a apresentar um dos seus próprios projetos, mas é interrogado em detalhe sobre cada escolha de design. 'Porque escolheu esta estrutura de dados?' 'O que acontece se esta thread bloquear?' Os candidatos que geraram o seu projeto em modo Vibe Coding desmascaram-se rapidamente pela sua ignorância dos detalhes da sua própria submissão.
• Detecção precisa: as submissões de código são analisadas para detetar os sinais estatísticos que provam a geração por IA com 99 % de precisão – em todos os modelos correntes (GPT-5.5, Claude 4.6, Gemini 3.1).
• Transparência do processo: o Agentic Council – sete modelos de peritos especializados – gera relatórios detalhados que provam se a submissão apresenta os traços de uma progressão humana passo a passo ou as impressões típicas de um prompt de IA pronto a usar.
• Foco no humano: os educadores não têm de jogar às investigações. A camada de verificação destaca as submissões suspeitas, permitindo dedicar o tempo precioso dos professores a discussões direcionadas nas horas de expediente.
• A revelação do ponto culminante. O ponto culminante sênior, o momento em que a habilidade acumulada deveria valer a pena, é cada vez mais um momento em que a ausência acumulada de habilidade é revelada. As equipes que passaram pelo CS1 até o primeiro ano chegam ao ápice incapazes de projetar um sistema, incapazes de quebrar um recurso, incapazes de lidar com as partes da programação que a IA faz pior.

A conclusão: como evitar tornar-se um Vibe Coder

Este fluxo de trabalho é tornado possível à escala por ferramentas como o Plagly.ai:

Esta abordagem protege a aprendizagem, preserva a confiança na turma e garante que o diploma universitário certifique uma competência real, mesmo na era do Codex.

• 1. A tarefa de duas etapas. Cada tarefa tem uma parte “solo” (não é permitida IA, geralmente um pequeno componente em sala de aula) e uma parte de “ferramentas” (IA permitida, mas documentada). A parte solo capta o que o aluno realmente pode fazer. A parte das ferramentas os ensina a fazer mais.
• 2. Fluência em IA como uma competência avaliada. Os alunos enviam solicitações de IA que usaram, as respostas que obtiveram e uma análise de onde a IA estava errada ou ineficiente. A leitura crítica dos resultados da IA ​​é tratada como um objetivo do curso, não como uma solução alternativa.
• 3. Avaliações apenas de depuração. Os alunos recebem código funcional gerado por IA com bugs sutis (fora de um, caso base errado, verificação de nulo ausente, vulnerabilidade de segurança) e são avaliados de acordo com sua capacidade de encontrá-los e corrigi-los. Isso treina a habilidade que a IA apresenta com pior desempenho e que os empregadores mais valorizam.
• 4. Classificação visível do processo. Histórico de commits obrigatório, comentários obrigatórios que documentam decisões de design, orientações gravadas. O artefato por si só não é mais a nota completa.
• 5. Conversas técnicas ao vivo. Um componente oral curto e estruturado sobre cada tarefa significativa. Cinco minutos por aluno, focados em uma ou duas questões diagnósticas. O atrito é real; o sinal é excelente.
• 6. Verificação de autenticidade no nível do sistema. Ferramentas como Plagly.ai verificam os envios em busca de padrões de geração de IA, uniformidade estilística em nível de coorte e a ausência dos traços de autoria iterativos que o trabalho real dos alunos geralmente exibe. Esta não é a nota; é um sinalizador que mostra os envios que valem a conversa no horário comercial.

Perguntas Frequentes

Se estuda hoje informática ou está a começar a sua carreira de desenvolvedor, a lição mais importante é: utilize as ferramentas, mas não abandone o pensamento.

Desafie-se a si próprio. Escreva o primeiro rascunho sem ajuda da IA. Se o seu código contiver um bug, não utilize imediatamente o prompt /fix – tente encontrar o erro por si próprio com instruções print, o depurador e um seguimento mental da execução. Discuta com a IA as escolhas de arquitetura e os trade-offs de algoritmos, mas não a deixe fazer o esforço de implementação por si. É a luta produtiva que fará de si um verdadeiro programador.

• Verificação automática de envios: cada arquivo enviado passa por uma passagem de detecção de IA que retorna uma pontuação de confiança e sinalizadores por bloco. Plagly.ai realiza esta análise com 99% de precisão em GPT-5.5, Claude 4.6, Gemini 3.1 e outros modelos principais, incluindo as variantes de código específicas que esses modelos preferem.
• Painel de nível de coorte: o instrutor vê um agrupamento de padrões estilísticos em toda a seção. Quando oito envios compartilham frases idiomáticas, densidade de comentários idêntica e o mesmo padrão de caso extremo defensivo, o cluster surge para revisão.
• Traços de autoria: o Agentic Council da Plagly.ai — sete modelos de especialistas de domínio que analisam o envio quanto à qualidade da redação, estrutura, detecção de IA, originalidade e consistência — produz um relatório referenciado. O relatório não afirma desonestidade académica; documenta os padrões que o instrutor pode investigar.
• Conversas direcionadas no horário comercial: os alunos cujos envios aparecem recebem a verificação oral de cinco minutos. A maioria é rapidamente eliminada; o pequeno número que não se torna o caso que o instrutor trata cuidadosamente e registrando.

O futuro não pertence aos puros Vibe Coders que são impotentes sem assistência de LLM. Pertence aos desenvolvedores capazes de utilizar as ferramentas para multiplicar a sua produtividade por dez – porque conseguem compreender, criticar, depurar e salvaguardar o código gerado nos mínimos detalhes. Vibeam com o sistema, mas seguram firmemente a barra.

As perspectivas de 18 meses para a educação em programação

O Plagly.ai oferece às universidades e aos bootcamps a camada de integridade e verificação que torna o ensino de informática bem-sucedido na era do Codex. Detete as submissões de código geradas por IA com uma precisão de 99 % em Python, JavaScript, Java, C++ e outras línguas. Utilize a análise de turma para revelar os padrões invisíveis e relatórios de integridade como provas verificáveis.

• Proibições totais de IA: Algumas instituições tentarão, mas a maioria falhará. As proibições são inexequíveis, as políticas tornam-se inconsistentes e os estudantes que seguem as regras formam-se menos qualificados do que os estudantes que não as seguem. Este é o pior resultado de dois mundos e já se desacreditou em várias universidades que o tentaram em 2023-2024.
• Mudança de capacidade para baixo no currículo: CS1 começa mais tarde, com mais ênfase em fundamentos conceituais. CS2 cobre o que CS1 costumava cobrir. Os cursos avançados tornam-se mais teóricos porque a parte de implementação não é mais onde o aprendizado acontece. Isso está acontecendo, lentamente.
• Mudança da avaliação para demonstração ao vivo: As tarefas para levar para casa tornam-se formativas. As notas somativas são determinadas por codificação ao vivo sob supervisão, defesas orais e trabalho visível ao processo. Esta é a direção que os programas de ciência da computação mais fortes já estão tomando, e é a direção que acreditamos que a maioria dos programas acabará por se estabelecer.

Menos, mas os riscos são reais. Um desenvolvedor experiente já construiu ao longo dos anos um modelo mental profundo da arquitetura de software. Utiliza a IA como um assistente de escrita ultra-rápido e consegue geralmente detetar imediatamente os bugs ou os riscos de segurança no código gerado. O perigo da atrofia diz respeito principalmente aos desenvolvedores juniores e estudantes que devem ainda construir esses modelos mentais. No entanto, mesmo os desenvolvedores experientes relatam um declínio insidioso da sua intuição de depuração quando se apoiam durante demasiado tempo exclusivamente na geração por LLM.

Perguntas frequentes

A codificação vibratória é sempre ruim ou às vezes é legítima?

Os estudantes tentam frequentemente fazê-lo, mas é extremamente laborioso e pedagogicamente irónico. Para reescrever o código de modo a que as assinaturas estatísticas da IA desapareçam, é necessário compreender o código nos seus mínimos detalhes, renomear inteligentemente as variáveis, adaptar a estrutura e alterar o estilo. O esforço exigido é frequentemente superior ao de escrever o código próprio. E acima de tudo: através deste processo de análise e modificação intensivas, é precisamente a aprendizagem que o atalho da IA deveria evitar que ocorre. A tentativa de fraude transforma-se em luta produtiva.

Proteja a aprendizagem na sua instituição

Os princípios são semelhantes (análises de perplexidade e de burstiness), mas a aplicação é mais complexa para o código. O código tem uma sintaxe mais estrita do que o linguagem natural, o que restringe a margem de variação. Ao mesmo tempo, o código apresenta sinais estruturais mais fortes – modelos de nomenclatura de variáveis, densidade de comentários, escolhas idiomáticas e utilização de bibliotecas. Detetores como o Plagly.ai combinam modelos linguísticos com análises AST (Abstract Syntax Tree) para atingir uma precisão excecionalmente elevada na detecção.

O Vibe Coding é também perigoso para desenvolvedores experientes?

A detecção de código usa fundamentos estatísticos semelhantes – perplexidade, explosão, impressão digital estilística – mas os aplica a diferentes recursos de superfície. No código, os sinais mais informativos são estruturais e não lexicais: padrões de nomenclatura de variáveis, densidade e estilo de comentários, expressões idiomáticas de uso de biblioteca, padrão de tratamento de erros e a escolha de construções idiomáticas. Os detectores de conjuntos multimodelos alcançam 90-95% de precisão em envios de códigos isolados em 2026, subindo bem acima de 95% quando a análise de padrões em nível de coorte é combinada com pontuação em nível de arquivo.

Os empregos de programação vão desaparecer devido ao Vibe Coding?

Esta é a população que a camada de verificação foi explicitamente projetada para não penalizar. Um aluno que usou IA para entender um conceito e depois escreveu sua própria solução produz código que não corresponde aos padrões de geração de IA no nível da linha. Os sinais de detecção captam o artefato, não o processo de pesquisa. Se a política do seu curso permitir a IA como tutor – e achamos que deveria – o fluxo de trabalho continuará funcionando. Você está verificando o envio, não o método de aprendizagem do aluno.

Posso contornar a detecção de IA reescrevendo o código gerado?

Sim, com adaptação. Para trabalhos de projeto com várias semanas e vários arquivos, os sinais mais úteis mudam em direção à visibilidade do processo: análise do histórico de commits (o código apareceu em um commit grande ou evoluiu ao longo do tempo?), consistência de autoria entre arquivos (a base de código é lida como se uma pessoa a tivesse escrito ou como se diferentes patches tivessem sido costurados juntos?) e documentação de decisão de design (o aluno pode explicar por que escolhas arquitetônicas específicas foram feitas?). Os projetos do tipo Capstone se beneficiam mais de uma defesa oral estruturada, além de uma justificativa de design escrita, com a detecção de IA como um sinal terciário, e não como o principal.