Estive na London Tech Week 2026 a convite da AWS, com quem viemos construindo relação ao longo dos últimos anos. A primeira observação é a mais óbvia, e ainda assim vale registrar: praticamente todo painel, palco e estande orbitava inteligência artificial. Não era pano de fundo — era o tema. A própria narrativa oficial do e vento resumia o momento como a saída da IA da fase de experimentação para a de implementação: as empresas não estão mais perguntando se vão usar IA, e sim como colocá-la para gerar valor mensurável.

O volume de IA, porém, não foi o que mais me marcou — isso era esperado. O que ficou comigo foi uma sensação difícil de nomear no momento e que só consegui organizar depois: tudo mudou, e ao mesmo tempo nada mudou.

Há uma observação reconhecida no meio da computação, atribuída a Roy Amara, do Institute for the Future: tendemos a superestimar o efeito de uma tecnologia no curto prazo e a subestimá-lo no longo prazo. É uma heurística, não uma lei no sentido estrito, mas é uma lente útil — e foi a lente que melhor descreveu o que vi em Londres.

A interface mudou; a computação, não

Um dos momentos mais comentados foi a fala do CEO da Perplexity, que enquadra a interação com agentes como um novo modelo de computação. Discordo — não do entusiasmo, que é justificável, mas do enquadramento. Não me parece que a computação tenha mudado. O que mudou, e mudou de forma profunda, foi a forma como interagimos com o computador.

A diferença não é de pedantismo. A interface conversacional e agêntica — instruir a máquina em linguagem natural, delegar tarefas a agentes que decompõem o problema e orquestram modelos — é uma transformação real, talvez a mais significativa desde a interface gráfica. Mas é uma mudança de interface, não de computação. Chamar isso de "novo modelo de computação" embaralha dois planos: o de como usamos a máquina e o do que a máquina é capaz de calcular. O primeiro está em plena revolução. O segundo continua exatamente onde estava.

O que parece novo, mas não é

Andando pelos estandes, com todos falando de IA, um observador casual sairia com uma pergunta plausível: não daria para fazer tudo aquilo com IA, sem contratar essas empresas? E em parte isso é verdade. Seria desonesto negar que a IA derrubou o custo de produzir o que antes consumia semanas — CRUDs, integrações triviais, protótipos, código de cola. Onde o trabalho era padronizado, o fosso encolheu.

Mas vale fazer as perguntas que o entusiasmo costuma pular. Quanto tempo eu levaria, mesmo com IA, para configurar um sistema completo e correto de um domínio específico? Quantos prompts? Quanto contexto eu precisaria fornecer? Como eu estruturaria a invocação de modelos mais baratos ou mais caros conforme a complexidade de cada tarefa? E, ainda que eu repasse tudo isso à IA, com que frequência ela acerta de primeira, sem iteração? O fosso, percebe-se, nunca esteve no modelo. Está no domínio — no contexto acumulado, na integração com sistemas reais, no conhecimento de quais são os problemas certos a resolver.

É a mesma lógica do software de sempre, agora com outra ferramenta: o difícil nunca foi escrever o código, foi saber o que escrever. É também o que vivemos na prática construindo software para um setor regulado e complexo: a IA acelera a escrita, não substitui o entendimento do problema. Por isso a própria mensagem da London Tech Week — da experimentação para a implementação — me parece a chave. Implementação é precisamente onde a especialização vertical importa: infraestrutura, governança, dados de domínio, casos de borda que ninguém antecipa. Players especializados não desaparecem; eles passam a usar a IA para se especializar ainda mais nos problemas que conhecem melhor do que ninguém.

O smartphone já nos ensinou isso

Não é a primeira vez que vivemos essa assimetria de expectativas. Quando o smartphone surgiu, vários nomes do setor previram a morte iminente do PC — o CEO da Symbian chegou a afirmar que o computador pessoal estaria extinto em poucos anos, e previsões semelhantes foram feitas sobre tablets condenando os notebooks. Erramos para mais: quase vinte anos depois, desktops, notebooks e smartphones convivem em harmonia, cada um no seu papel.

Ao mesmo tempo, quase ninguém previu o efeito que de fato dominaria nossas vidas: passaríamos horas por dia rolando feeds infinitos de fotos, vídeos e memes, numa economia da atenção que reorganizou mídia, política e relações. Erramos para menos, e no lugar errado. Essa assimetria — superestimar a substituição óbvia, subestimar o efeito de segunda ordem — é exatamente o que a heurística de Amara descreve, e é o que devemos esperar também da IA.

Da produtividade à confiança: a segunda onda

Cruzando o que vi em Londres com o que venho acompanhando em outras fontes, há um deslocamento de eixo difícil de ignorar. Passada a primeira onda — focada no ganho de produtividade na escrita de software —, entramos numa segunda, cuja pergunta é outra: como confiar no software que a IA escreve. Longe de ser tema marginal, é hoje uma das discussões mais ativas em fóruns técnicos.

A razão é estrutural. A natureza probabilística dos modelos, combinada ao volume crescente de código que eles produzem, está criando uma necessidade maior — não menor — de verificação rigorosa. Os números de 2026 são claros. Desenvolvedores assistidos por IA passaram a integrar código a uma taxa de três a quatro vezes a dos demais, e os achados mensais de segurança em uma base monitorada saltaram de cerca de mil para mais de dez mil em seis meses, segundo levantamento da Cloud Security Alliance. A Veracode, por sua vez, reporta que a taxa de aprovação em testes de segurança de código gerado por LLM permanece estagnada em torno de 55%. A conta é simples e desconfortável: muito mais volume, com a mesma taxa de falha, significa muito mais vulnerabilidade em termos absolutos.

A resposta para isso não é mais IA. É verificação determinística. A aleatoriedade do gerador precisa ser contrabalançada por um verificador previsível — análise estática, testes baseados em propriedade, rastreabilidade entre requisito e implementação, varredura de segurança automatizada. Técnicas clássicas da computação, muitas delas anteriores a esta onda, voltam ao centro precisamente porque o que se ganhou em velocidade de geração se perdeu em previsibilidade. Cabe uma ressalva, e ela reforça o ponto em vez de enfraquecê-lo: verificar a correção plena de um programa qualquer é, no limite, indecidível — o teorema de Rice garante que nenhuma propriedade semântica não-trivial pode ser decidida para programas arbitrários. O objetivo, portanto, não é decidir tudo; é trocar completude por solidez. Diferente do gerador probabilístico, um verificador determinístico devolve sempre o mesmo veredito e oferece garantias firmes sobre as propriedades específicas que se propõe a checar. É nesse terreno — o de garantias parciais, mas confiáveis — que a confiança se constrói, não na promessa de uma prova universal.

A IA já mudou drasticamente como trabalhamos e até como vivemos. Isso é fato, não previsão. Ela vai, sem dúvida, deslocar o equilíbrio entre comprar uma solução especializada e construir internamente. Mas deslocar um equilíbrio não é eliminar um dos lados: seguiremos precisando de empresas que conhecem profundamente problemas específicos, agora equipadas com ferramentas melhores para resolvê-los. E a próxima fronteira, ao que tudo indica, não é capacidade — é confiabilidade.

Tudo mudou. Nada mudou.

P.S. técnico, para quem gosta de precisão. A razão pela qual insisto que a computação não mudou é histórica. O termo "computer" nasceu designando uma ocupação humana — o registro mais antigo é de 1613, referindo-se a uma pessoa que calculava seguindo regras fixas —, e esse sentido perdurou até meados do século XX, quando times de "computers" humanos ainda executavam cálculos longos em paralelo. O que o artigo de Alan Turing de 1936 — On Computable Numbers, with an Application to the Entscheidungsproblem, cujo propósito era resolver o "problema de decisão" de Hilbert — fez foi outra coisa: fixar o conceito *formal* de computação, transformando a noção difusa de "alguém computando segundo regras" num objeto matemático preciso. A tese de Church-Turing sustenta que essa noção é robusta: qualquer formulação razoável de "computável" coincide com ela. O conceito não mudou desde então porque a formulação de Turing se provou bem-sucedida em capturar o que "computável" significa. A era da IA não altera isso: o que está em jogo são novas capacidades desenvolvidas dentro do que já é computável — não uma redefinição do conceito de computação.