Gerar código ficou mais acessível; conferir se ele faz a coisa certa continua trabalhoso. Os vídeos desta edição olham para os dois lados: quanto custa usar modelos de IA no desenvolvimento e o que acontece quando a revisão precisa acompanhar o ritmo das mudanças.
Um modelo impressiona na demonstração. E no uso diário?
Deepseek crushed everyone · Matthew Berman · 21min11s
Matthew Berman mostra o DeepSeek criando uma representação interativa de um relógio mecânico, uma planilha para navegador e uma simulação de cubo mágico. Há detalhes que não funcionam como ele esperava: a parte de trás do relógio está incompleta e a planilha não tem todos os recursos do Excel. É uma boa amostra do que o modelo consegue construir em testes escolhidos pelo apresentador, não uma prova de que esteja pronto para qualquer aplicação. A avaliação de que seria o melhor modelo aberto é dele.
O custo muda o jeito de trabalhar
How Revolut Cut AI Coding Costs 90% With Self-Hosted Open Models - David Abitbol, Revolut · AI Engineer · 11min47s
David Abitbol relata que a Revolut passou a hospedar modelos abertos para desenvolvimento em GPUs dedicadas. Segundo ele, a fatura da operação com GLM ficou em um décimo do que a Revolut gastava com Anthropic e OpenAI; isso não mede o custo total da equipe de engenharia nem prevê a economia de outras empresas. Sem um limite apertado de uso, engenheiros também recorrem à IA para tarefas fora da escrita de código. Em troca, a equipe precisa cuidar da infraestrutura e manter baixo o tempo até a primeira resposta.
A revisão precisa conhecer a intenção
Why Humans Can’t Keep Up With AI-Written Code - Tariq Shaukat, Sonar · AI Engineer · 16min34s
Na apresentação da Sonar, Tariq Shaukat defende que a verificação seja independente da geração de código e produza evidências do que foi conferido. É a proposta de um fornecedor de ferramentas de análise, não uma garantia de que automatizar a revisão resolva todos os problemas.
Catch the Bugs Your Code Review Misses - Killian Carlsen-Phelan & Taylor Luttrell-Williams, Sonar · AI Engineer · 38min07s
O exercício de Killian Carlsen-Phelan e Taylor Luttrell-Williams deixa essa diferença concreta. Numa aplicação fictícia de ingressos, os testes da alteração passam, mas a revisão apresentada aponta que o comprador ainda poderia cancelar e invalidar um ingresso já transferido. Em outro cenário, acrescentar uma taxa sem incluí-la no preço exibido ao cliente contraria a regra de preço total daquela empresa fictícia. São demonstrações preparadas para uma oficina, não resultados medidos em produção; ainda assim, mostram por que passar nos testes não basta quando a regra está fora do trecho alterado.
Se criar uma alteração leva minutos, entender seus efeitos continua exigindo contexto.