Pare de programar em Markdown
Aprofundamento CEVIU
Aprofundamento
Usar LLMs para tarefas que código convencional resolve com mais eficiência virou um antipadrão comum em sistemas de suporte e automação. Muitas empresas estão trocando confiabilidade por facilidade momentânea, codificando regras de negócio claras, como políticas de devolução, em prompts no lugar de if-else em código. O custo? Latência alta, falhas por ambiguidade, risco de injeção de prompt e privacidade comprometida. Pior: isso acontece mesmo quando a lógica é simples e determinística, o que deveria ser bandeira vermelha.
O problema técnico real não é só o uso errado da IA, mas a dificuldade de orquestrar diferentes modos de computação, código, humanos, agentes, de forma confiável. Frameworks que permitem pausar e retomar execuções com estado completo (como continuations) ainda são raros ou complexos. Sem eles, equipes optam pelo caminho fácil: jogar tudo num LLM, usando o histórico da conversa como 'banco de estados'. É funcional, mas frágil, caro e lento.
Por que isso importa
Automatizar processos com LLMs em vez de código está se tornando uma dívida técnica invisível. Enquanto parece acelerar o desenvolvimento inicial, gera sistemas imprevisíveis, difíceis de auditar e caros de manter. Isso afeta diretamente segurança, compliance e experiência do usuário. A lição não é rejeitar IA, mas usá-la onde faz diferença real, análise de sentimento, interpretação de linguagem natural, geração criativa, e reservar o controle de fluxo para estruturas confiáveis. Quem ignorar esse limite vai entregar produtos lentos, inseguros e propensos a falhar em produção.
Perguntas frequentes
Quando devo usar um LLM em vez de código tradicional?
Use LLMs quando a tarefa envolve ambiguidade, linguagem natural ou padrões difíceis de codificar, como classificar emoções em textos ou gerar respostas criativas. Se a lógica tem regras claras, com entradas e saídas bem definidas, como calcular frete ou validar políticas, prefira código convencional. O LLM entra como complemento, não como motor central.
Por que programar em Markdown com LLMs é problemático?
Markdown não tem tipo, não permite abstração segura, nem garante consistência. Regras espalhadas em prompts são frágeis, difíceis de testar e sujeitas a injeção de instruções maliciosas. Além disso, cada chamada ao LLM custa mais, demora mais e expõe dados sensíveis. É como substituir um banco de dados relacional por planilhas compartilhadas: funciona até deixar de funcionar.
Como combinar LLMs e código sem cair nesse erro?
Separe claramente as responsabilidades. Use código para controlar o fluxo, tomar decisões e garantir segurança. Use o LLM apenas nas partes que exigem compreensão semântica, como interpretar um pedido de suporte em linguagem natural. Armazene estado com mecanismos confiáveis, não no histórico do chat, e valide sempre a saída do modelo antes de agir.
Fontes
- structural.chatfonte original
- Categoria
- CEVIU
- Publicado
- 25 de junho de 2026
- Editoria
- CEVIU