Programar com IA: assistentes de código, vibe coding e boas práticas

Assistentes de IA que sugerem, explicam e até escrevem código já fazem parte da rotina de muita gente que programa. Alguns entusiastas falam em produtividade multiplicada, outros relatam código quebrado e horas perdidas. As duas experiências são reais, e o que separa uma da outra costuma ser a forma de usar.

Este guia apresenta os tipos de ferramenta, explica o que é vibe coding, mostra o que os dados disponíveis dizem sobre produtividade e confiança, detalha os riscos e propõe um fluxo de trabalho com revisão. As ferramentas mudam rápido, então o texto trata de práticas, e não de produtos.

Os tipos de assistente de código

Autocompletar em linha

Sugere o próximo trecho enquanto você digita, do estilo "termine esta linha" ou "escreva esta função a partir do nome e do comentário". Aceitar é apertar uma tecla. É a forma mais discreta de usar IA.

Chat no editor

Você conversa com o modelo dentro do editor de código: pede explicações, gera trechos, pergunta sobre um erro. O modelo enxerga o arquivo aberto e, em alguns casos, partes do projeto.

Agentes de codificação

São sistemas que recebem uma tarefa maior e a executam em vários passos: leem o repositório, alteram vários arquivos, rodam comandos e testes e corrigem falhas. Para entender o conceito, veja agentes de IA. Dão mais autonomia, e por isso exigem mais cuidado.

Geração de aplicações a partir de descrições

Ferramentas que criam um app inteiro a partir de uma descrição em linguagem natural. Servem bem para protótipos, e exigem cautela antes de irem a produção.

Todas elas se apoiam em modelos de linguagem, cujo funcionamento explicamos em como funcionam os LLMs.

O que é vibe coding

O termo vibe coding foi popularizado em 2025 por Andrej Karpathy, pesquisador de IA, para descrever um estilo de programar em que a pessoa descreve o que quer, aceita o código gerado sem lê-lo com atenção e só corrige quando algo dá errado, "seguindo a vibe".

É um extremo do espectro. Para um protótipo descartável, um experimento ou uma ferramenta pessoal, pode ser divertido e eficiente. Para código que vai para produção, lida com dinheiro, dados pessoais ou segurança, aceitar sem entender é arriscado, porque ninguém sabe ao certo o que o programa faz, nem por que quebra.

Um critério útil: quanto custa se estiver errado? Se a resposta for "nada", experimente. Se for "muito", leia, entenda e teste.

O que os dados mostram

Duas fontes ajudam a calibrar as expectativas. Elas não esgotam o assunto, e os números mudam a cada edição.

Pesquisa Stack Overflow 2025

Na edição de 2025 da pesquisa anual de desenvolvedores do Stack Overflow, seção sobre IA:

• 84% dos respondentes usam ou planejam usar ferramentas de IA no desenvolvimento, contra 76% no ano anterior;
• 51% dos desenvolvedores profissionais usam ferramentas de IA diariamente;
• 46% desconfiam da precisão das respostas da IA, e 33% confiam. Apenas 3% confiam muito;
• a principal frustração, citada por 66%, é a de soluções "quase certas, mas não totalmente";
• 45,2% dizem que depurar código gerado por IA leva mais tempo.

Sobre agentes, a pesquisa indica que uma parcela menor os usa: 14,1% os usam diariamente no trabalho.

Estudo randomizado da METR

A organização METR conduziu, em 2025, um experimento com 16 desenvolvedores experientes de projetos de código aberto conhecidos, em 246 tarefas reais, sorteadas para permitir ou proibir o uso de IA. O resultado nesse cenário: os desenvolvedores levaram 19% mais tempo com IA. Antes, esperavam ser 24% mais rápidos, e mesmo depois ainda acreditavam ter ganhado cerca de 20% de velocidade.

Os autores destacam limites importantes: não afirmam que o resultado vale para outros grupos, para desenvolvedores menos experientes ou para ferramentas futuras, e apontam efeitos como a pouca experiência dos participantes com a ferramenta.

O que concluir

Sem exagerar a leitura: os efeitos variam com a tarefa, a experiência da pessoa e a ferramenta; a percepção de produtividade pode divergir da medição; e a confiança cega não é sustentada pelos dados. Meça o seu caso, e não confie apenas na sensação.

O que os assistentes fazem bem e o que fazem mal

Os principais riscos

Código incorreto, com aparência de correto

O modelo produz código plausível, que pode ter erros lógicos sutis. É o que a pesquisa chama de "quase certo".

Segurança

Código gerado pode conter vulnerabilidades, como falta de validação de entradas, uso inseguro de criptografia ou consultas vulneráveis a injeção. O modelo não garante segurança. Trate o código gerado como o de qualquer outra pessoa: revise e teste. O OWASP mantém listas de riscos de aplicações que ajudam nessa revisão.

Bibliotecas e funções que não existem

Modelos podem sugerir funções inexistentes ou pacotes com nomes inventados. Pesquisadores já documentaram que sugestões de pacotes inexistentes são frequentes em modelos de código, o que abre espaço para um ataque: alguém publica um pacote malicioso com aquele nome, e quem instala sem conferir se contamina. Confira sempre se o pacote existe, quem o mantém e se é o certo, na documentação oficial.

Privacidade e propriedade intelectual

Enviar código proprietário, segredos ou dados de clientes a uma ferramenta externa pode violar contratos e leis. Confira a política de dados da ferramenta e da sua empresa. Nunca cole senhas, chaves de API ou dados pessoais em prompts. Veja o contexto em o que é a LGPD.

Há ainda debates sobre licenças e direitos autorais do código gerado. Verifique os termos da ferramenta e a política do seu projeto.

Dependência e perda de habilidade

Quem terceiriza todo o raciocínio deixa de praticá-lo. Para quem está aprendendo, isso é um risco maior. Use a IA como tutor e revisor, e não como muleta. O roteiro de como aprender a programar do zero ajuda a manter esse equilíbrio.

Dívida técnica

Código que ninguém entende é difícil de manter. Se a equipe não consegue explicar por que o código funciona, cada alteração futura vira um risco.

Um fluxo de trabalho com revisão

Uma rotina simples, que mantém você no controle:

1. Defina a tarefa e o critério de "pronto". O que precisa fazer, o que não pode quebrar.
2. Dê contexto. Linguagem, versão, bibliotecas, estilo do projeto e exemplos. Veja técnicas em como escrever bons prompts.
3. Peça um plano antes do código, e confirme se faz sentido.
4. Gere em passos pequenos, e não um sistema inteiro de uma vez.
5. Leia e entenda cada trecho. Se não entendeu, peça uma explicação, ou reescreva.
6. Escreva ou peça testes e execute-os. Teste também casos extremos.
7. Revise como um pull request: veja o diff, procure problemas de segurança e de desempenho.
8. Faça commits pequenos, com mensagens claras. Veja Git e GitHub para iniciantes.
9. Verifique dependências novas na fonte oficial.
10. Registre o que mudou e o porquê.

Exemplos de prompts úteis

Para entender um erro:

Estou usando Python 3.12. Este código gera o erro abaixo. Explique a causa em linguagem simples, mostre a correção mínima e diga como testar. Não mude nada além do necessário. [código e mensagem de erro]

Para gerar testes:

Escreva testes unitários para a função abaixo, cobrindo casos normais, valores vazios e entradas inválidas. Use o framework de testes que o projeto já usa e não altere a função. [código da função]

Para revisar:

Revise o código abaixo procurando problemas de segurança, erros de lógica e pontos de melhoria. Liste os problemas por gravidade e cite o trecho de cada um. Não reescreva tudo. [código]

Checklist de revisão de código gerado

• Eu entendo o que cada parte faz?
• O código faz só o que foi pedido, sem efeitos colaterais?
• As entradas são validadas? Há tratamento de erros?
• Há segredos, chaves ou dados sensíveis no código?
• As bibliotecas e funções existem e estão nas versões corretas?
• Os testes passam, inclusive para casos difíceis?
• O estilo combina com o restante do projeto?
• O desempenho é razoável?
• Posso explicar esse código para outra pessoa?

Como escolher uma ferramenta

Sem indicar produtos, estes critérios ajudam:

1. Política de dados: o que acontece com o seu código e com os seus prompts.
2. Integração: funciona no editor e nas ferramentas que você usa?
3. Contexto: consegue considerar o projeto todo, e não apenas o arquivo aberto?
4. Controle: permite revisar e reverter alterações com facilidade?
5. Custo: planos e limites de uso.
6. Aderência às regras da empresa e conformidade.

Se você não pode enviar código para serviços externos, existem modelos que rodam no seu computador. Veja como rodar uma IA com Ollama.

Perguntas frequentes

A IA vai substituir programadores?

Há previsões diversas e nenhuma é certa. O que se observa é mudança no tipo de tarefa: mais revisão, especificação e verificação. Entender o que o código faz continua sendo essencial para usar bem essas ferramentas.

Preciso saber programar para usar?

Para produzir algo confiável, sim. Sem conhecimento, é difícil avaliar se o código está certo, seguro e adequado. Para protótipos pessoais, é possível ir mais longe sem saber programar, com os limites já descritos.

Qual assistente é o melhor?

Não indicamos um. As ferramentas evoluem rápido e o resultado depende da tarefa e do seu fluxo. Compare pelos critérios acima e faça um teste com o seu trabalho, como sugerimos em como comparar assistentes de IA.

Posso usar código gerado por IA em projetos comerciais?

Depende dos termos da ferramenta, da política da sua empresa e da legislação. Em projetos relevantes, consulte o jurídico.

Iniciantes devem usar IA?

Podem, como apoio: para explicações, exemplos e revisão. O ideal é tentar resolver antes de pedir a resposta, e escrever o código à mão nas primeiras etapas, para fixar os fundamentos.

Conclusão

Programar com IA pode acelerar tarefas repetitivas, ajudar a entender código e a criar testes, mas os dados mostram desconfiança justificada: soluções "quase certas" são a maior frustração, e um estudo randomizado encontrou lentidão em um grupo de desenvolvedores experientes que se sentiam mais rápidos.

Use a IA com objetivo claro, passos pequenos, revisão e testes, e nunca aceite o que você não entende em código que importa. Este guia foi revisado em setembro de 2026, com os dados citados das fontes originais, e as ferramentas mudam rápido, por isso confira as informações atuais.

Fontes

• Stack Overflow. Developer Survey 2025: AI.
• METR. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity.
• Wikipedia. Vibe coding.
• OWASP. Top 10 for Large Language Model Applications.
• Spracklen, J. et al. We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs.
• OWASP. Top 10: riscos de segurança em aplicações web.