Re:Invent 2025 — Há uma mudança no desenvolvimento de software?

Este ano não pude estar presencialmente no re:Invent por conta de uma cirurgia, mas aproveitei para acompanhar os keynotes durante a recuperação. Como sempre, a AWS lançou diversos serviços e melhorias com foco na produtividade na nuvem.

Figura 1 — Re:Invent 2025, a IA no mundo do desenvolvimento

E como não poderia deixar de ser, mais uma vez o evento teve um grande foco em IA. Diferente do ano passado, esse re:Invent me chamou a atenção sobre uma possível mudança no processo de desenvolvimento de software.

Por mais que a IA e o vibe coding já estejam fazendo barulho há algum tempo, os ganhos sempre me pareceram muito incrementais. A utilidade de uma IA para gerar ou revisar código é inegável, mas em mudanças envolvendo regras de negócio, os ganhos de produtividade nunca foram tão claros.

O próprio Vogels refletiu sobre essa evolução do universo do programador em sua despedida do re:Invent. Ao longo dos anos, surgiram muitas tecnologias que mudaram a forma de programar. Desde o uso da internet como fonte de conhecimento (StackOverflow), passando por novas linguagens, até ferramentas e mudanças como a computação em nuvem.

E o fato de já existirem muitas ferramentas funcionais era um dos motivos pelos quais eu mantinha um certo ceticismo sobre o real benefício da IA. Afinal, a suíte de ferramentas que usamos evoluiu bastante mesmo sem IA generativa:

• Sintaxe e validações — há vários anos temos plataformas capazes de indicar variáveis não usadas, funções sem vínculo, exceções não tratadas, parâmetros esquecidos.
• Auto completar código — praticamente todas as IDEs completam o código com funções de bibliotecas ou do próprio projeto.
• Análise de código — avaliação estática e dinâmica para reduzir riscos de bugs, falhas de segurança e erros em tempo de execução. Ferramentas que evitam erros básicos e avançados, tornando o projeto mais seguro e estável.
• Geração de aplicações — geração automática de projetos não é novidade. Isso não tira o mérito de plataformas como a Lovable, já que usar linguagem natural é um avanço. Mas ferramentas de scaffolding existem há muito tempo (como o JHipster, desde 2013).
• Gerar vs. manter — gerar uma aplicação é mais simples que mantê-la. E construção de uma solução é quase sempre um processo distribuído no tempo, amadurecido conforme os clientes usam o produto. Por isso gerar aplicações em minutos é atraente, mas quase nunca vingou: raramente conseguimos antecipar tudo sem testar e aprender (ou sem complicar antes da hora).

Mas então o que está mudando?

A minha percepção, após o evento, é que podemos estar diante de um avanço importante: aproximar especificação e código. Isso pode representar uma grande vantagem em termos de qualidade e pragmatismo dos projetos.

Ferramentas como o Kiro passaram a sensação de que podemos aproximar requisitos e comportamentos de negócio diretamente do código mantido pelo time — algo que sempre foi desejado, mas raramente alcançado.

Porque, no fim, todo software é um grande iceberg (Figura 2). Não importa o quão organizado seja o time ou quão atualizada esteja a documentação. A base de código sempre terá elementos ocultos abaixo da superfície:

• Regiões mortas — código que um dia foi útil, mas hoje não serve mais para nada e ninguém tem coragem de remover.
• Sem documentação — trechos importantes, porém pouco compreendidos, desenvolvidos com base em conversas e não em registros formais.
• Segurança — proteções adicionadas ao longo do tempo, mas sem ligação clara a requisitos não funcionais, onde a “verdade” está apenas no código.
• Arquitetura — estruturas criadas com grande esforço, mas que não fazem sentido direto para o usuário final e acabam se perdendo no projeto.
• Elementos inacabados — funcionalidades iniciadas e priorizadas, mas abandonadas antes da entrega por outros temas urgentes.

Figura 2 — O "Iceberg" dos projetos, onde até mesmo a parte "visível" tem elementos mal compreendidos pelos usuários e time de desenvolvimento.

Será que a IA pode permitir uma evolução diferente?

Se a IA realmente ajudar a manter especificações mapeadas no código, podemos viver uma melhoria significativa no dia a dia dos times. E além disso, reforçar o papel do produto no detalhamento dos comportamentos esperados. Essa é a mudança que fiquei refletindo após os keynotes.

Ainda assim, sigo com certa dose de ceticismo. A IA generativa não possui raciocínio lógico profundo como o humano. Ela opera por aproximações estatísticas, limitadas ao conhecimento de treinamento — essencialmente, o conteúdo disponível na internet. O risco é produzirmos muito texto, mas pouca informação realmente relevante.

Por outro lado, experimentando o Kiro rapidamente, a sensação é de um avanço real. A ferramenta gera e detalha requisitos, atualiza e mantém o projeto técnico e, de quebra, apoia no detalhamento e execução de tarefas. Ou seja, atividades que normalmente consomem muito tempo passam a ser aceleradas pela IA, mantendo uma ligação entre ideia, especificação e código como nunca vimos antes.

Se essa ponte entre intenção e código se firmar, tudo o que conhecemos sobre construir software se transforma.