Os projetos não são simplesmente uma coleção de tarefas — a IA atual ainda enfrenta um gargalo fundamental na automação de tarefas complexas: embora a IA consiga lidar com tarefas individuais, ela tem dificuldades para gerenciar um projeto inteiro. O autor @snewmanpv, fundador do Google Docs, usa a engenharia de software como ponto de partida para enfatizar que "o todo é maior que a soma das partes" na gestão de projetos e questiona a noção de "cronogramas de curto prazo para Inteligência Artificial Geral" — de que, uma vez que a IA domine tarefas mensais, ela poderá facilmente escalar para tarefas de nível escolar. Através da experiência pessoal do autor e de uma análise lógica, o artigo disseca objetivamente as lacunas nas capacidades da IA, lembrando-nos de não superestimar a velocidade com que a IA "preenche as lacunas". Argumento principal: Projetos não são "peças de Lego" para tarefas. O autor começa por salientar que, ao avaliar as capacidades da IA, as pessoas frequentemente dividem as tarefas em "listas de tarefas" (como codificar e depurar), mas esta é uma forma simplista de pensar. Na realidade, as fronteiras entre as tarefas são difusas e a informação "permeia" o sistema: ao concluir uma subtarefa, não se produz apenas código, mas também se acumulam novas percepções sobre problemas, bases de código ou dados. Estes "subprodutos" podem fermentar em tarefas subsequentes, impulsionando ajustes na estratégia geral. Se as subtarefas forem atribuídas a agentes de IA independentes e as suas "memórias" forem descartadas após a conclusão, esta cadeia de aprendizagem é interrompida, dificultando o progresso coerente da IA. O autor cita os radiologistas como exemplo: eles não apenas interpretam imagens, mas também se comunicam com pacientes e colegas — atividades que não podem ser facilmente decompostas. Da mesma forma, na engenharia de software, o gerenciamento de projetos depende de habilidades de alto nível, como adaptação contínua e visão transversal, que raramente são refletidas nas listas de tarefas, mas são cruciais para o sucesso. Casos comparativos: o salto de pequenos projetos para gigantescos empreendimentos. Para ilustrar esse ponto, o autor compartilha duas experiências que destacam as mudanças qualitativas provocadas pela escala: • Projeto de pequena escala: Protótipo Writely (aproximadamente 1 pessoa-ano) Em 2005, o autor e dois sócios finalizaram o Writely, precursor do Google Docs, em quatro meses. Foi um processo "improvisado": configuraram rapidamente os servidores, a interface do usuário e os mecanismos de sincronização, resolvendo os problemas à medida que surgiam. Todo o sistema era fácil de assimilar, não exigindo planejamento a longo prazo, baseando-se mais na "intuição" e em respostas imediatas. Embora houvesse desafios técnicos (como a compatibilidade com navegadores), o processo como um todo pareceu um "aquecimento" — não exigindo ferramentas sistemáticas nem experiência acumulada. • Projeto de grande porte: Sistema Scalyr (aproximadamente 100 pessoas-ano) A partir de 2011, o autor liderou uma equipe de dezenas de pessoas, dedicando 10 anos à construção da plataforma de análise de logs Scalyr, destinada ao diagnóstico de falhas em aplicações web complexas. Isso exigiu habilidades completamente novas: • Resolução sistêmica de problemas: Em vez de corrigir erros um a um, envolve identificar padrões e eliminar categorias inteiras de problemas de uma só vez (como falhas de coordenação do servidor). Isso depende de anos de experiência e bom senso. Planejamento estratégico: Ao se deparar com crises como a perda de clientes no meio do projeto, a equipe precisa reformular sua direção — avaliando a arquitetura, dividindo as etapas, validando hipóteses e corrigindo o rumo o mais cedo possível. É como "regente de uma sinfonia", não uma apresentação solo. • Diagnóstico de desempenho: Ao distribuir tarefas instantaneamente por milhares de servidores, é necessário selecionar cuidadosamente os principais pontos de dados para monitoramento, a fim de evitar sobrecarga de informações. O autor enfatiza que as "habilidades do agente" em projetos pequenos (como decomposição de tarefas e correção de erros) frequentemente falham ou até mesmo se tornam obstáculos em projetos grandes. A "improvisação" do Writely pode se transformar em um desastre no Scalyr. O "Limiar de Atualização" para IA: Habilidades Cognitivas Além do Paradigma Atual. Este artigo utiliza o conceito de gestão "O que te trouxe até aqui não te levará adiante" para argumentar que a curva de progresso da IA não é linear. A IA atual (como o Claude Code) se destaca em tarefas de curto prazo, mas a escalabilidade para grandes projetos exige "cognição profunda". • Gestão de contexto: Projetos de grande porte geram uma quantidade enorme de detalhes, e a IA precisa filtrar as informações relevantes em vez de se perder em meio a elas. • Aprendizagem e adaptação contínuas: Engenheiros seniores "personalizam" habilidades, otimizam código e hábitos de depuração para solucionar problemas do projeto — esse tipo de acúmulo é difícil de simular com o treinamento "único" de IA. Metacognição: além da execução, trata-se também de refletir sobre os processos, prever gargalos e iterar sobre os métodos. O autor cita observações do pesquisador de IA Nathan Lambert: os fluxos de treinamento modernos evoluíram de etapas simples para redes complexas que envolvem a coordenação de várias equipes, exigindo uma liderança que "antecipe os riscos". Essas habilidades não são de "agentes inteligentes de propósito geral", mas sim específicas de um domínio e aprimoradas pela experiência. Quando uma IA domina um projeto de um ano, uma escala de 100 pessoas-ano ainda está muito distante. Conclusão e implicações: a automação precisa esperar por um "líder em IA" O autor reitera que projetos de engenharia de software verdadeiramente impactantes (como a evolução do Google Docs) geralmente começam pequenos, mas exigem investimentos maciços. A automação em nível de tarefa é apenas o começo; a automação completa exige que a IA lidere de forma independente um projeto equivalente a 100 pessoas-ano. Isso desafia a visão otimista de que "as capacidades da IA estão em franca ascensão e prestes a explodir" — a experiência histórica mostra que saltos de escala exigem pesquisa e desenvolvimento totalmente novos, e não apenas escalonamento. Endereço do artigo
