Cadete sem programar nada usa IA e cria protótipo militar

Um cadete da Força Aérea dos Estados Unidos, sem nenhuma linha de código no currículo, passou três meses conversando com chatbots de IA até produzir um protótipo funcional. O experimento aconteceu no MIT Lincoln Laboratory, dentro do Programa Phantom da Força Aérea, e o método usado tem nome: vibe-coding é um processo em que a pessoa depende inteiramente de prompts para guiar um chatbot de IA generativa a escrever e refinar código, sem escrever ela mesma nenhuma linha. Se você usa IA na sua pesquisa e ainda está calibrando até onde confiar na ferramenta, esse caso é um bom espelho.

O que aconteceu

Joshua Lynch, cadete da Força Aérea dos EUA, queria testar uma pergunta simples: um completo novato em programação consegue construir um programa funcional usando só chatbots? Com o apoio de Laura Niss, pesquisadora do Grupo de Sistemas Embarcados e de IA do MIT Lincoln Laboratory, ele passou três meses tentando.

A ideia original era ambiciosa: criar uma aplicação batizada de ROMAD-AI (Remote Operating Modular Augmentation Device), com reconhecimento de alvo assistido por IA, inteligência e reconhecimento modular, disparo autônomo e gestão de comunicação em campo de batalha. Lynch usou as versões pagas de três chatbots (Claude, da Anthropic; ChatGPT, da OpenAI; e Gemini, do Google), principalmente pela função de chat comum em navegador, não integrada a um ambiente de desenvolvimento como se faz hoje. A aplicação final foi montada no Google AI Studio App, que já integra IA ao ambiente de código.

O escopo não sobreviveu inteiro. Ao longo do projeto, Lynch teve que reduzir a ambição original: a aplicação final passou a fazer processamento básico de documentos, como analisar mapas táticos de campo de batalha e gerar documentos de planejamento de missão via chatbot com modelo de linguagem visual.

Por que isso importa pra você

O recorte interessante aqui não é militar, é metodológico. Lynch documentou, na prática, onde a IA generativa ajuda de verdade e onde ela cria problema, e isso vale pra qualquer pessoa usando essas ferramentas em produção acadêmica.

1. A IA perde o foco em partes específicas do código. Lynch relata que os chatbots frequentemente modificavam trechos não relacionados ao que ele tinha pedido, sem hierarquia clara do que devia ou não devia mudar.
2. Quebrar o problema em partes pequenas funciona. A técnica que resolveu o problema acima foi fragmentar a tarefa, formular perguntas específicas e redirecionar a conversa sempre que ela se desviava do objetivo.
3. A revisão continua sendo o gargalo, não a geração. Mesmo com muito código funcional saindo rápido, checar aquele código é o que consome tempo, e é o que menos se pode pular.
4. Erro de segurança pode passar batido sem revisão técnica. Lynch só descobriu depois que a aplicação enviava os documentos de entrada para um modelo do Gemini analisar, em vez de processá-los localmente, exatamente o tipo de falha que uma leitura superficial do próprio código não pega.

Se você usa IA pra rascunhar script de análise, gerar função de tratamento de dados ou montar um pipeline de web scraping pra revisão de literatura, essas quatro observações valem tanto quanto valeram pro Lynch.

O que muda na forma de trabalhar com IA

Dá pra pensar nisso dentro do Método V.O.E. (Velocidade, Organização, Execução Inteligente): a IA entrega Velocidade de sobra, mas a Organização e a Execução Inteligente continuam sendo trabalho seu.

A Velocidade está no que Lynch já mostrou: em três meses, um novato virou protótipo funcional. Isso é rápido pra qualquer padrão de desenvolvimento tradicional. O problema é que Velocidade sem Organização produz exatamente o efeito que ele descreveu: IA mexendo em código que não devia, perdendo o fio do que importa.

A Execução Inteligente é o que falta quando você aceita output de IA sem checar. Não é sobre desconfiar da ferramenta por princípio, é sobre saber onde ela é forte (prototipagem, primeira versão, ideia de estrutura) e onde ela exige olho técnico humano (segurança, lógica de negócio, qualquer coisa que vai pra produção ou pra revisão de pares).

O ponto que fica pra pesquisadora

Laura Niss resume bem o que o experimento revelou: “Não importa quão boa a IA fique, acho que a gente sempre vai precisar colaborar pra chegar às melhores soluções pros problemas mais importantes.” Ela também notou que Lynch, ao longo dos três meses, foi reduzindo suas próprias expectativas sobre o que a tecnologia entrega, à medida que testava e encontrava limite.

Na minha experiência, a euforia inicial de “isso resolve tudo” costuma dar lugar a um uso mais cirúrgico, onde você sabe exatamente qual pedaço do trabalho delegar e qual pedaço exige seu julgamento. Não é desconfiança por desconfiança. É calibragem.

O experimento também achou algo curioso na comparação entre modelos: Claude se mostrou mais estável que ChatGPT em características como simpatia percebida, antropomorfismo e inteligência aparente, ao longo do tempo e das atualizações. Lynch achou a IA um bom tutor, mas notou imprecisões nos temas que ele já conhecia bem, o que é outro sinal prático: quanto mais você domina o assunto, mais fácil é pegar o erro da IA.

Próximos passos

Se você trabalha com código na sua pesquisa, sozinha ou com pouco suporte técnico, esse caso dá um roteiro prático:

1. Comece com o problema fragmentado em partes pequenas, não com a visão completa do sistema que você quer.
2. Redirecione a conversa sempre que o chatbot sair do escopo, em vez de aceitar o desvio.
3. Revise linha por linha qualquer trecho que vai lidar com dados sensíveis, antes de considerar o protótipo pronto.
4. Trate o resultado como prototipagem, não como produto final, a menos que alguém com formação técnica valide.

Se esse tema te interessa, vale ler também Agentes de IA mudam o trabalho: dados internos da OpenAI, que traz outro recorte sobre onde a IA generativa já entrega valor real no trabalho cotidiano.

Fonte: How novice coders can develop AI programs for military applications, MIT News