IA no desenvolvimento de sistemas: mais rápido não significa automático

Na prática, escrever código é só uma parte do trabalho. Um sistema útil precisa de compreender o processo real da organização, estruturar dados, respeitar regras de negócio, integrar ferramentas existentes, proteger informação, tratar exceções, ser testado e continuar a funcionar depois de entrar em produção. A IA acelera várias destas tarefas. Não elimina a análise, a experiência, nem a responsabilidade pelo resultado.

A IA não compreende sozinha a empresa

Antes de programar, é preciso perceber como o trabalho é realmente feito: quem intervém, que informação entra, que decisões são tomadas, onde se perdem tempo e dados. Os requisitos iniciais do cliente raramente descrevem tudo — há regras tão habituais para a equipa que ninguém se lembra de as explicar, folhas Excel que viraram bases de dados informais, procedimentos diferentes entre departamentos.

A IA pode organizar documentação, resumir reuniões, sugerir perguntas e ajudar a transformar requisitos em casos de utilização. Mas continua a ser preciso alguém capaz de identificar contradições, distinguir sintomas de causas e perceber se a solução pedida é mesmo a solução necessária.

A mesma IA não produz o mesmo resultado nas mãos de todos

O valor das ferramentas de IA depende de quem as orienta e valida. Um programador experiente sabe decompor um problema, dar o contexto relevante, definir limites e reconhecer uma resposta que parece correta mas não respeita a arquitetura, os dados ou as regras existentes. Sabe distinguir uma demonstração funcional de uma aplicação preparada para anos de utilização, com diferentes perfis, permissões, integrações e dados reais.

A experiência permite fazer melhores perguntas à IA — mas sobretudo permite avaliar as respostas: que informação fornecer, que partes do sistema não podem mudar, que riscos têm as soluções propostas, quando uma correção resolve só o exemplo apresentado, quando é preferível não usar IA.

Plataformas automáticas são úteis, mas têm limites

Plataformas de geração de aplicações (como a Lovable) são muito úteis para protótipos, páginas e fluxos padronizados. Reduzem bastante o tempo até à primeira versão. O desafio cresce quando o sistema precisa de integrar software antigo, preservar regras acumuladas ao longo de anos, migrar dados inconsistentes, aplicar condições diferentes por cliente ou corrigir erros que só surgem com combinações específicas de informação — permissões complexas, integração com ERP e contabilidade, importação de dados antigos, processamento em volume, auditoria, backups, evolução sem parar a operação. Nestes contextos, gerar a primeira interface é só o início.

O projeto RALPI, da VelocitasCode, ilustra bem essa complexidade: uma plataforma com mais de 30 000 referências de peças de borracha para automóveis, que integra produtos, fotografias, equivalências, compatibilidade com viaturas, preços por cliente e geração de catálogos em PDF com centenas de páginas. A dificuldade não está em produzir um ficheiro — está em manter todos estes elementos coerentes e utilizáveis ano após ano.

Escolher e validar o modelo certo faz parte da engenharia

Não há um único modelo ideal para tudo. Um projeto pode combinar interpretação de documentos, programação, pesquisa, classificação, geração de conteúdo e validação de dados — e o modelo adequado depende da complexidade, do volume, da confidencialidade, do custo e do impacto de um erro.

Modelos externos oferecem boa capacidade de raciocínio para problemas complexos: explorar arquiteturas, apoiar a escrita de código, produzir documentação, trabalhar sobre informação anonimizada. Antes de os usar é preciso saber que dados serão enviados, onde são processados e por quanto tempo — credenciais, dados pessoais e código sensível não devem ser enviados para serviços externos sem avaliar as condições de tratamento dos dados, retenção, localização, utilização para treino e garantias contratuais.

Modelos locais, a correr em infraestrutura controlada pela VelocitasCode ou pelo cliente, podem fazer mais sentido quando os dados são confidenciais ou o volume é elevado — informação financeira, contratos, documentação interna, arquivos empresariais. Permitem maior controlo sobre onde os dados são processados e armazenados, desde que a infraestrutura, os acessos, os registos e as cópias de segurança também estejam devidamente protegidos. Não precisam de superar os maiores modelos em tudo — só de ser suficientemente bons e validados para a função concreta que vão desempenhar.

Nem toda a tarefa precisa do modelo mais potente. Um modelo pequeno pode classificar documentos; um modelo especializado pode interpretar imagens; um modelo mais capaz fica reservado para exceções e análises complexas. E há tarefas que não devem ir para um modelo de linguagem de todo — cálculos, taxas, permissões e identificadores continuam a ser trabalho de código determinístico.

Uma solução responsável combina, tipicamente: código convencional para regras exatas, modelos pequenos para tarefas repetitivas, modelos especializados para documentos ou imagens, modelos avançados para análise complexa, e validação humana nos pontos de maior risco. O objetivo não é usar IA em todo o lado — é usá-la onde cria vantagem real.

Exemplo: o 1000faturas

O 1000faturas processa faturas lendo QR Code, fazendo OCR e usando LLM para extrair campos como valores, NIF e datas. Cada método tem um perfil de erro diferente: os dados estruturados do QR Code tendem a ser mais fiáveis do que a leitura visual, quando estão presentes e são corretamente descodificados, mas nem toda a fatura os tem; o OCR falha com digitalizações de má qualidade; o LLM pode interpretar de forma plausível um valor que, na verdade, está errado.

Por isso, os dados extraídos são apresentados para confirmação antes de serem considerados definitivos, sobretudo quando existem divergências, baixa confiança ou campos com impacto contabilístico. Não é falta de confiança na IA — é reconhecer que um erro num valor de fatura tem custo real, e que a extração automática acelera o trabalho sem substituir a verificação. A IA elimina a introdução manual de dados repetitiva; não elimina a validação.

A IA altera a escala do que uma equipa pequena consegue construir

O 1000faturas mostra também como a IA pode aumentar substancialmente a capacidade de desenvolvimento. Em poucos meses foi possível criar uma plataforma que, pela sua dimensão e abrangência funcional, poderia representar vários anos de trabalho individual ou exigir uma equipa multidisciplinar para ser concretizada num prazo semelhante.

A aplicação inclui mais de 350 000 linhas de código próprio, distribuídas por Python, SQL, JavaScript, componentes Web e scripts de sistema — das quais mais de 230 000 são código Python. Contando também configuração, documentação técnica, comentários e restantes conteúdos do projeto, aproxima-se de 1,2 milhões de linhas, sem incluir bibliotecas e frameworks externas.

As linhas de código não medem, por si só, a qualidade de uma aplicação; servem aqui apenas como indicador de escala. O sistema combina leitura de QR Code e ATCUD, OCR, interpretação assistida por modelos de linguagem, deteção de duplicados, gestão multiempresa e multimoeda, centros de custo e projetos, importação de extratos de diferentes bancos, reconciliação bancária e tratamento de vários contextos empresariais.

A IA acelerou a criação de estruturas, interfaces, integrações, documentação e testes, além de apoiar a identificação e correção de problemas. Também tornou viável explorar mais alternativas e desenvolver funcionalidades que, de outro modo, poderiam não justificar o tempo ou o investimento necessário.

Mas o sistema não foi criado automaticamente. A IA não decidiu a arquitetura, não compreendeu sozinha as regras contabilísticas, não validou os resultados com documentos reais nem assumiu a responsabilidade pelos erros. Foi necessário orientar cada componente, integrar as diferentes partes, rever o código produzido, testar situações reais e corrigir problemas que só surgem quando o sistema atinge esta dimensão.

O principal ganho não consistiu em fazer exatamente o mesmo produto em menos tempo. Consistiu em permitir que uma equipa pequena concretizasse, em meses, uma solução cuja dimensão e diversidade funcional estariam anteriormente associadas a vários anos de desenvolvimento ou a uma equipa alargada.

E este trabalho não termina com a primeira versão. Uma plataforma empresarial continua a evoluir com novos documentos, bancos, regras, integrações, necessidades dos clientes e alterações legais ou contabilísticas — tal como acontece também no RALPI ou na generalidade dos sistemas à medida que desenvolvemos.

Testar IA significa perceber como ela falha

Num sistema tradicional, a mesma função tende a dar o mesmo resultado com os mesmos dados. Um modelo de IA pode responder de forma diferente, interpretar mal um caso novo, ou apresentar uma resposta plausível sem fundamento suficiente. Os testes precisam de combinar várias camadas: testes automáticos ao código convencional, conjuntos de exemplos validados, comparação com resultados esperados, validação por regras determinísticas, testes com dados incompletos ou de má qualidade, revisão humana por amostragem, encaminhamento de casos incertos e monitorização depois de entrar em produção.

Não basta mostrar que a IA funciona com alguns exemplos escolhidos — é preciso conhecer as suas falhas e garantir que são detetadas antes de produzirem consequências.

A utilização profissional de IA também exige investimento

A utilização de IA não é gratuita nem se resume a abrir uma aplicação. Os modelos externos são normalmente pagos através de subscrições ou pelo volume de tokens processados. A análise de documentos extensos, imagens, bases de código e históricos longos pode representar um consumo significativo, sobretudo quando é necessário repetir operações, comparar respostas ou recorrer a modelos mais avançados.

Para tarefas que envolvem informação confidencial ou grandes volumes de dados, a VelocitasCode investiu em infraestrutura própria para inteligência artificial. Esta capacidade permite executar diferentes modelos localmente, distribuir trabalhos entre várias máquinas e manter informação sensível num ambiente controlado. Representa um investimento de vários milhares de euros em equipamento, armazenamento, energia, manutenção e atualização tecnológica.

Esta opção reduz a dependência de serviços externos e os custos por token, mas não elimina os custos. Exige tempo de processamento: um modelo local pode ser economicamente vantajoso em trabalhos de grande volume, mas mais lento do que um serviço externo de elevada capacidade.

A infraestrutura, por si só, não garante bons resultados. Existe também conhecimento especializado na avaliação dos diferentes motores e modelos: perceber a qualidade que oferecem em cada tarefa, a memória necessária, o tempo de processamento, o custo por utilização e a quantidade de informação que conseguem analisar de cada vez. Um modelo excelente para programação pode não ser o mais adequado para interpretar faturas, classificar documentos ou analisar imagens.

Esta avaliação precisa de ser feita com exemplos reais. É necessário comparar resultados, medir tempos, identificar erros recorrentes e determinar o nível mínimo de qualidade aceitável. Em alguns processos compensa utilizar um modelo local mais lento e económico; noutros, o tempo de resposta ou a complexidade justificam recorrer a um serviço externo mais avançado. Também pode fazer sentido utilizar um modelo mais pequeno na maioria dos documentos e encaminhar apenas os casos difíceis para um modelo mais potente.

Saber escolher esta combinação é parte importante do trabalho. O objetivo não é utilizar sempre o modelo mais recente, maior ou mais caro, mas encontrar o melhor equilíbrio entre qualidade, velocidade, confidencialidade e custo para cada processo.

O verdadeiro valor não está apenas em possuir equipamento ou ter acesso a uma IA. Está em conhecer as capacidades e limitações dos diferentes motores, selecionar o nível de qualidade necessário para cada tarefa, estimar o tempo e o custo de processamento, proteger a informação e criar mecanismos de validação adequados ao risco.

Se a IA acelera, porque não baixa o preço na mesma proporção?

A IA tem custos próprios, mas também aumenta a produtividade. A questão é que esse ganho não se distribui igualmente por todas as fases de um projeto. Acelera estruturas iniciais de código, tarefas repetitivas, documentação e parte da análise de erros. Contudo, escrever código é apenas uma parcela do trabalho necessário para entregar um sistema empresarial. Continuam a exigir trabalho especializado: a compreensão do processo, a arquitetura e estruturação de dados, o esclarecimento de requisitos contraditórios, a integração de sistemas, a migração de informação, o diagnóstico de erros difíceis de reproduzir, a segurança, a validação com utilizadores, a entrada em produção.

Por vezes código gerado rapidamente exige mais revisão — pode funcionar num exemplo e ignorar uma regra, introduzir uma vulnerabilidade ou falhar com dados reais. O preço de um projeto não corresponde ao número de linhas escritas; inclui análise, arquitetura, integração, testes, documentação e responsabilidade técnica — e o conhecimento acumulado, a infraestrutura disponível e a seleção das ferramentas certas para cada tarefa.

Quando o âmbito é rigorosamente igual e o risco é baixo, a produtividade pode refletir-se num prazo menor. Mas, na maioria dos projetos, o ganho é convertido em mais qualidade dentro de um investimento semelhante: mais validações, mais exceções tratadas, melhor experiência de utilização, mais cobertura de testes, mais segurança, documentação mais completa. O cliente recebe maior robustez e menor risco, mesmo quando o preço se mantém — e a fasquia do que se espera de um sistema também subiu: onde antes bastava registar informação, hoje espera-se pesquisa inteligente, automatizações e dashboards.

Parte do ganho de produtividade proporcionado pela IA compensa o investimento em infraestrutura, serviços externos, experimentação e aprendizagem contínua. Outra parte transforma-se numa solução de maior escala: mais funcionalidades, integrações, exceções tratadas, testes, documentação e capacidade de evolução. O cliente não recebe apenas mais depressa aquilo que já receberia; pode receber uma solução que, com o mesmo investimento e pelos métodos anteriores, seria muito mais limitada.

A facilidade de criar funcionalidades também cria riscos

Com IA, é tentador acrescentar mais um botão, relatório ou automatização. Mas cada funcionalidade precisa de ser compreendida, integrada, protegida, testada, documentada e mantida. Uma função que demora minutos a gerar pode criar horas de validação e novas dependências durante anos. Uma boa solução não é a que tem mais funcionalidades — é a que resolve os problemas prioritários com a menor complexidade necessária.

Isto torna a gestão de expectativas ainda mais importante. Se uma funcionalidade aparece pronta num protótipo em minutos, pode parecer pronta para produção — mas essa demonstração raramente inclui exceções, segurança, migração de dados, integrações ou manutenção futura. É preciso distinguir sempre uma ideia, um protótipo, uma funcionalidade em desenvolvimento e um sistema pronto para produção — e registar cada novo pedido pelo seu benefício real, e pelo impacto no prazo, no investimento e na manutenção.

A IA amplifica a experiência; não elimina a responsabilidade

Usar IA profissionalmente exige mais do que escrever prompts: exige compreender processos, escolher modelos, proteger dados, combinar IA com regras determinísticas, testar resultados e controlar o crescimento funcional. Na VelocitasCode, a IA é uma ferramenta de aceleração — ajuda a analisar, programar, documentar e testar mais depressa. A arquitetura, a validação e a responsabilidade pelo resultado continuam nas mãos de quem compreende o processo e acompanha o cliente.

A IA pode gerar uma primeira versão em minutos. A experiência determina se essa versão continuará a funcionar com milhares de registos, centenas de páginas e anos de evolução. Não transforma meses de trabalho em minutos — permite transformar vários anos de capacidade de desenvolvimento em meses de execução orientada, revista e validada por profissionais experientes. O benefício para o cliente não está apenas em receber software mais depressa, mas em obter uma solução mais completa, mais bem validada e preparada para evoluir sem transformar cada nova necessidade num problema.