Quando a IA generativa explodiu, instalou-se uma narrativa sedutora: a tecnologia trabalharia connosco em todos os domínios, tornando cada profissional de software numa espécie de especialista universal. Seríamos todos fullstack. O tempo, curto mas suficiente, provou o contrário e o resultado é uma crise de competências que ainda muitos recusam nomear.

A ilusão tinha uma lógica aparente. Se um modelo de linguagem consegue gerar código de frontend, backend e mobile, para que serve a especialização? A resposta chegou depressa, e foi desconfortável: o mercado está a valorizar cada vez mais os especialistas de domínio, profissionais com profundidade técnica real são hoje mais procurados e mais bem posicionados do que os generalistas que dominam tudo ao mesmo nível de superfície. Não porque a IA falhe, mas precisamente porque não falha em silêncio e é preciso saber o suficiente para reconhecer quando ela erra.

Este é o nó central da crise. A esmagadora maioria das organizações já utiliza IA em pelo menos uma função de negócio, mas apenas uma fração ínfima atingiu o que se pode chamar maturidade real na sua adoção. O problema não é a adoção; é a profundidade com que se analisa o que a IA produz. Usar IA como ferramenta de produtividade é diferente de saber avaliar os seus resultados, identificar os seus limites e melhorar continuamente o seu desempenho. Sem formação adequada, até as melhores ferramentas ficam por aproveitar.

A especialização técnica, frontend, backend, mobile, dados, não perdeu relevância. Ganhou-a. A simbiose com IA só é verdadeiramente benéfica quando quem a opera tem profundidade suficiente para distinguir o que é correto do que é apenas plausível. Um modelo pode gerar uma interface funcional; só um especialista de frontend reconhece se ela é acessível, performativa e sustentável. Um modelo pode sugerir uma arquitetura de dados; só um engenheiro de backend experiente avalia se ela aguenta a carga real de produção. A IA amplifica o conhecimento e também amplifica a sua ausência.

Isto implica uma mudança de atitude perante o tempo. A IA poupa-nos das tarefas repetitivas e esse tempo não é um prémio, é um investimento obrigatório. Acompanhar a evolução dos modelos, perceber as implicações de técnicas como RAG, manter-se atualizado sobre o estado da arte: isto não é curiosidade académica, é higiene profissional. Estudar tem de deixar de ser uma atividade de fim de semana para se tornar um hábito diário. E ao mesmo tempo, levantar a cabeça, desenvolver uma visão estratégica do negócio do cliente, perceber o contexto em que a tecnologia opera, ser o profissional que une profundidade técnica a enquadramento de negócio. Esse, sim, é o novo fullstack.

Há um último ponto que não pode ficar por dizer: os testes. Uma parte crescente do código que chega a produção foi gerado ou assistido por IA, mas a questão crítica não é quanto código se produz, é quanto desse código é verdadeiramente validado. A garantia de qualidade tornou-se a camada central de responsabilização em qualquer entrega de software suportada por IA. As equipas deixam de apenas escrever e executar testes para passarem a definir objetivos de qualidade, supervisionar resultados gerados automaticamente e garantir que as decisões automatizadas estão alinhadas com as prioridades de negócio. Testar não é uma atividade menos nobre que desenvolver. Em contexto de IA, é uma das mais exigentes e uma das mais críticas.

O novo desafio não é ser substituído pela IA. É ter competências suficientemente sólidas para que a parceria com ela seja, de facto, uma vantagem.

Nuno Milagres, Coordenador do Centro de Inovação de Vila Real & Delivery Transformation Lead da Softinsa