O Ciclo de Feedback É Tudo
Um modelo de IA programando sozinho não é a parte interessante. A parte interessante é o que acontece depois que ele gera o código. Com que rapidez o modelo consegue saber se o código está correto? Quão apertado é o ciclo de feedback entre geração e validação?
Esse ciclo determina tudo. Ele determina se o modelo consegue iterar sobre a própria saída. Determina se um humano pode confiar na saída sem inspeção manual. Determina em quais domínios a programação com IA realmente funciona.
A velocidade do ciclo não é uniforme. Ela segue um espectro. E o espectro é determinado por uma verdade mais simples: a IA é nativa de texto.
Código backend é texto. Respostas de API são texto. Esquemas de banco de dados são texto. Todo o domínio é representado em strings que um modelo de linguagem pode ler, gerar e validar sem jamais sair do seu meio nativo. Mesmo quando o backend envolve comandos de CLI, esses comandos são texto. O modelo não precisa ver. Ele precisa ler.
Interfaces visuais são diferentes. Uma UI não é uma imagem estática. Ela é temporal. Estados mudam. Animações transitam. Gestos disparam cascatas. O modelo pode capturar a tela de um botão, mas não pode sentir o timing de um toque. Ele pode ler o CSS, mas não pode assistir à curva de easing se desenrolar ao longo do tempo. A correção visual é experiencial, e a experiência acontece no tempo.
Backend: Milissegundos
Código backend valida de forma determinística. Uma função tem entradas e saídas. Um verificador de tipo confere o contract em tempo de compilação. Uma suíte de testes exercita o comportamento em milissegundos. Um endpoint de API retorna uma resposta que corresponde a um esquema ou não. A migração de banco de dados ou é aplicada sem erros ou sofre rollback.
Todo sinal de validação é textual, determinístico e rápido. O modelo pode gerar uma função, executar o verificador de tipo, ver o erro e regenerar em segundos. Ele pode escrever um teste, executá-lo, ver a falha e corrigir a implementação. O ciclo de iteração é apertado o suficiente para que o modelo opere de forma semi-autônoma dentro de uma tarefa delimitada de backend.
É por isso que o backend é onde a programação com IA parece mais mágica hoje. O domínio é lógica pura. A validação é instantânea. O modelo sabe quando está errado — que é exatamente o que as deterministic guardrails tentam oferecer ao resto do seu codebase.
Web: Minutos
O desenvolvimento web adiciona a correção visual. Um componente pode ter as props corretas e o padding errado. Um layout pode passar em todas as verificações de tipo e ainda assim parecer quebrado. A superfície de validação já não é puramente determinística.
O Playwright ajuda. Você pode renderizar o componente, capturar a tela e comparar com uma baseline. Mas isso é lento. Uma suíte de testes de backend executa em segundos. Uma suíte de regressão visual com Playwright executa em minutos. A IA não consegue iterar sobre a própria saída na mesma velocidade porque a etapa de validação é uma ordem de grandeza mais lenta.
O modelo pode gerar código React que compila. Ele não pode dizer se a UI resultante parece correta sem executar um navegador, renderizar o DOM e comparar pixels. Esse gargalo é real. A programação web com IA funciona, mas o ciclo de feedback é mais frouxo.
Mobile: Horas
O mobile adiciona a realidade física. Um gesto tem timing e física. Uma animação tem curvas de easing que parecem certas ou erradas. Uma tela renderiza de forma diferente no iOS 16 em comparação com o iOS 18. Bluetooth, câmera, GPS e notificações push têm comportamentos que variam por dispositivo, por versão de SO, por skin do fabricante.
Não há uma forma rápida de validar isso. Testes unitários cobrem a lógica de negócio, mas não a sensação de um swipe. Testes de UI em um simulador capturam problemas de layout, mas não quedas de frame em um dispositivo Android de três anos. A validação real exige compilar, assinar, instalar e interagir com o aplicativo em hardware físico. O ciclo de feedback é medido em horas, não em segundos.
O modelo pode gerar código SwiftUI ou Jetpack Compose que compila. Ele não pode dizer se o aplicativo parece nativo. Isso exige mãos humanas em dispositivos reais. O ciclo de iteração é lento demais para que o modelo se autocorrija com eficácia — e é por isso que apps React Native programados por IA precisam de guardrails para escalar.
O Que o Espectro Significa
A programação com IA não avança na velocidade da capacidade do modelo. Ela avança na velocidade da validação.
O modelo consegue escrever código mobile hoje. O que ele não consegue fazer é saber se esse código é bom. Saber exige uma infraestrutura de validação que o mobile não possui. O backend a tem. A web está construindo. O mobile está anos atrás.
Para equipes decidindo onde aplicar a programação com IA, a resposta é óbvia. Comece onde a validação é mais rápida. Backend primeiro. Web em segundo, com investimento em testes visuais. Mobile por último, com mãos humanas ainda fazendo a validação final. O custo de manutenção dessa escolha se acumula com o tempo — e é por isso que a versão um nunca é o problema real.
O modelo não é mais inteligente no backend. Ele está apenas mais bem informado.