Jon Friskics, Autor Técnico Principal, Pluralsight – Série de Entrevistas

Jon Friskics, Autor Técnico Principal, Pluralsight, é um educador experiente e líder de conteúdo especializado em desenvolvimento de software e experiências de aprendizado focadas em IA. Em seu atual, ele cria cursos de vídeo liderados por especialistas e laboratórios práticos que abordam tecnologias como Claude, Node.js, TypeScript, Tailwind CSS e Python, construindo sobre uma longa carreira dentro da empresa que abrange autorias seniores, arquitetura de aprendizado e lideranças em treinamento e estratégia de currículo. Anteriormente, ele desempenhou um papel fundamental em moldar sistemas de aprendizado escaláveis e multi-modais e orientar milhares de criadores de conteúdo técnico com práticas de design instrucional baseadas em evidências, enquanto no início de sua carreira ele liderou a estratégia de conteúdo da Code School e ensinou uma ampla gama de assuntos técnicos na Universidade da Flórida Central, estabelecendo uma forte base tanto em educação quanto em desenvolvimento real.

Pluralsight é uma plataforma líder de desenvolvimento de habilidades tecnológicas que fornece cursos online, laboratórios práticos e avaliações de habilidades para ajudar indivíduos e organizações a construir expertise em áreas como desenvolvimento de software, IA, computação em nuvem e cibersegurança. Fundada em 2004, a empresa evoluiu para um ecossistema de aprendizado abrangente utilizado por empresas e profissionais em todo o mundo, combinando conteúdo autorado por especialistas com insights para fechar lacunas de habilidades e acelerar o desenvolvimento da força de trabalho em uma economia cada vez mais impulsionada pela tecnologia.

Sua carreira abrange design de currículo interativo, sistemas de aprendizado técnico em larga escala e educação em ferramentas de IA avançadas. Como essa formação influenciou sua perspectiva sobre por que o julgamento de engenharia forte ainda importa em uma era de codificação assistida por IA?

Minha experiência mostrou que o julgamento de engenharia forte é mais do que escrever código. É sobre entender sistemas e consequências de longo prazo. A IA pode automatizar tarefas e criar um quadro que leva a soluções, mas não sempre compreende o impacto das decisões sobre os usuários ou sistemas de maneiras previsíveis. O julgamento humano garante que a IA seja usada para aumentar a produtividade de forma segura, o julgamento de engenharia é mais valioso do que nunca, orientando equipes a usar a IA de forma eficaz enquanto mantém a qualidade e a confiabilidade.

Pluralsight sempre se concentrou em fechar lacunas de habilidades técnicas. Como você vê essa missão evoluindo agora que as habilidades de colaboração de IA devem estar ao lado dos fundamentos tradicionais de desenvolvimento de software?

A missão da Pluralsight é equipar os aprendizes com as habilidades técnicas fundamentais que eles precisam para ter sucesso. À medida que a IA se torna uma colaboradora em tarefas de desenvolvimento, esses fundamentos permanecem essenciais, mas as equipes também precisam entender como trabalhar com a IA de forma responsável e validar suas saídas. Embora a IA possa gerar código, não substitui a necessidade de habilidades de codificação, e pode melhorá-las ao adicionar compreensão de fluxo de trabalho e pensamento de sistemas ao existing expertise. A Pluralsight ajuda os aprendizes a construir sobre habilidades fundamentais existentes e manter o pensamento estratégico por meio de soluções de aprendizado que incluem cursos sob demanda, laboratórios práticos e workshops liderados por especialistas humanos que evoluem junto com a inovação tecnológica.

Quais habilidades arquiteturais, de implantação e de gerenciamento de riscos você acredita que estão mais em risco se os desenvolvedores se tornarem excessivamente dependentes de código gerado por IA?

Os desenvolvedores que confiam demais na geração de código de IA e aceitam sua saída sem se dar ao trabalho de entender o que foi gerado podem acabar enfraquecendo suas habilidades estratégicas, como pensamento arquitetônico e avaliação de riscos, com o tempo. Entender como os componentes interagem e projetar para confiabilidade são capacidades que são aprendidas por meio de experiência em muitas situações. Isso significa que a dependência excessiva de IA pode não apenas levar a vulnerabilidades ocultas e instabilidade do sistema, mas também debilitar as habilidades de resolução de problemas de longo prazo dos desenvolvedores, permitindo que esses problemas passem despercebidos ou sem solução até que seja tarde demais.

À medida que as ferramentas de codificação autônomas ganham tração, onde você vê a maior desconexão entre o que essas ferramentas prometem e o que os engenheiros estão realmente preparados para validar ou supervisionar?

A aprendizagem contínua é essencial para os engenheiros à medida que trabalham ao lado de ferramentas de desenvolvimento assistidas por IA e sistemas de codificação autônoma. As ferramentas de codificação autônoma prometem velocidade e precisão na geração de código funcional, mas carecem de compreensão de interações de sistema, segurança e impacto comercial, e isso significa que você precisa fornecer esse contexto ausente. A desconexão está em supor que a saída de IA é completa ou correta na ausência de supervisão humana. Quando as etapas de validação são puladas ou apressadas, as equipes correm o risco de introduzir bugs caros, vulnerabilidades de segurança ou inconsistências arquiteturais. Isso reforça a necessidade de os engenheiros atualizarem continuamente suas habilidades para que possam gerenciar e validar o trabalho gerado por IA de forma eficaz.

Como as empresas devem repensar suas estratégias de capacitação para garantir que os desenvolvedores saibam quando confiar nas sugestões de IA e quando reduzir a velocidade e aplicar uma revisão mais profunda?

A capacitação deve enfatizar saber quando a saída de IA é confiável versus quando uma revisão mais profunda é necessária, incluindo testes de cenário e validação de prompt. Essa abordagem reforça o julgamento ao lado das habilidades de codificação, garantindo que os engenheiros possam confiar na IA de forma seletiva, em vez de confiar demais no código gerado. Programas de L&D que fornecem experiências de aprendizado estruturadas e práticas permitem que os desenvolvedores experimentem fluxos de trabalho assistidos por IA para ver como o código gerado se comporta dentro de aplicativos completos e exerçam esse julgamento em um ambiente de sandbox. Ao se apoiar em instrução liderada por especialistas e exercícios práticos, os engenheiros podem fortalecer as habilidades de pensamento crítico necessárias para avaliar as saídas geradas por IA de forma responsável.

Em ambientes de produtos em rápida evolução, como os líderes de engenharia podem evitar que os atalhos gerados por IA introduzam dívida técnica de longo prazo ou vulnerabilidades de segurança?

Os líderes devem impor estruturas de governança e avaliação de risco para o código gerado por IA. Estabelecer fortes limites e auditorias de saídas pode ajudar a prevenir a dívida técnica de longo prazo e as vulnerabilidades de segurança. Eu também sugeriria educação de desenvolvedores focada em práticas de codificação seguras e conscientização arquitetônica para garantir que os engenheiros entendam as compensações por trás das sugestões geradas por IA. Exercícios de revisão prática e treinamento baseado em cenários podem ajudar a reduzir a probabilidade de que os atalhos se acumulem em riscos ocultos do sistema.

Quais estruturas práticas ou guardrails você recomenda que as organizações adotem para manter a codificação de IA como uma colaboração e não como uma responsabilidade?

As ferramentas que funcionam melhor para isso são novos protocolos de revisão, rastreamento de controle de versão e experimentação de IA em sandbox. Utilizar métricas, estruturas de observabilidade e avaliações ajudará as equipes a rastrear a qualidade da saída e reforçar a colaboração responsável para garantir que a IA seja uma parceira na produtividade e não uma responsabilidade. Também é valioso para as organizações explorar fluxos de trabalho assistidos por IA para entender as capacidades e limitações dessas ferramentas para as necessidades únicas de suas equipes. Essas práticas ajudarão as equipes a desenvolver o julgamento necessário para integrar as sugestões de IA de forma eficaz sem comprometer a qualidade do código ou a estabilidade do sistema.

Olhando para o futuro, o que distingue os desenvolvedores que prosperarão em um futuro aumentado por IA daqueles que podem ter dificuldade em se adaptar?

Os desenvolvedores que se destacarão em um futuro aumentado por IA combinarão habilidades fundamentais fortes com julgamento, adaptabilidade e pensamento de sistemas. Eles entendem quando confiar na IA, quando intervir para orientá-la e como as saídas se encaixam no sistema mais amplo. Aqueles que lutam podem confiar demais na automação, carecer de experiência com casos de bordo ou falhar em validar os resultados, arriscando erros para a organização e perdendo as oportunidades de aprendizado valiosas que fortalecem a expertise de um desenvolvedor ao longo de uma carreira rigorosa. A aprendizagem contínua e a experimentação prática com fluxos de trabalho assistidos por IA ajudarão os desenvolvedores a aprimorar essas habilidades em um período de tempo mais curto e permanecer eficazes à medida que as ferramentas de codificação de IA evoluem.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar Pluralsight.