Ferramentas de programação com IA evoluem mais rápido que redação de emails — eis porquê

Os sistemas de inteligência artificial (IA) aplicados à programação estão a avançar a um ritmo superior ao de outras tarefas, como a escrita de emails. A diferença, apontada por especialistas, resulta da forma como a aprendizagem por reforço é utilizada para treinar modelos.

Aprendizagem por reforço impulsiona o código

Modelos recentes, como GPT-5, Gemini 2.5 e Sonnet 2.4, ganham capacidade para gerar e corrigir código graças a biliões de testes automáticos. As plataformas de desenvolvimento já dispõem de suites de validação — testes unitários, de integração ou segurança — que fornecem um critério claro de sucesso ou falha. Esse feedback imediato pode ser repetido à escala, criando um ciclo de melhoria contínua sem intervenção humana.

Este mecanismo, conhecido como aprendizagem por reforço (RL), é apontado como o principal motor de progresso dos últimos meses. Quando a tarefa apresenta um resultado objetivo — o programa compila ou não, resolve ou não um erro — a IA consegue otimizar-se rapidamente.

Reforço desigual entre competências

O mesmo não acontece em domínios com avaliação subjectiva. Uma «boa» redação de email ou a resposta de um chatbot dependem de nuances difíceis de medir automaticamente. Sem um critério binário, as plataformas recorrem a avaliadores humanos, processo mais lento e dispendioso que trava a evolução.

O fenómeno, descrito como «reforço gap», cria duas velocidades de inovação: tarefas facilmente testáveis (correção de bugs, cálculo matemático competitivo) progridem de forma acelerada, enquanto outras registam ganhos incrementais.

Imagem: Getty

Novas áreas podem tornar-se testáveis

A fronteira, contudo, não é fixa. Exemplos recentes, como o modelo Sora 2 para vídeo gerado por IA, mostram que certos critérios — persistência de objectos, coerência facial ou física — podem ser traduzidos em métricas e avaliados automaticamente. Start-ups com capital suficiente podem criar conjuntos de testes específicos para domínios como relatórios financeiros ou ciências actuariais, tornando-os também RL-compatíveis.

Enquanto a aprendizagem por reforço dominar o desenvolvimento de produtos de IA, a distância entre competências testáveis e não testáveis tende a aumentar. Actividades que se enquadrarem no primeiro grupo têm maior probabilidade de ser automatizadas, influenciando o mercado de trabalho e a economia nos próximos anos.