Vibe coding sem lixo de IA: como a equipe da targetai acelerou o desenvolvimento em 12 vezes

Vibe coding não é deixar a IA escrever todo o código e apertar "deploy". É saber trabalhar com modelos de linguagem como se fossem um desenvolvedor júnior muito rápido, mas que às vezes alucina: fazer as perguntas certas, conferir a saída e manter a visão de arquitetura na cabeça. A equipe da targetai passou vários meses refinando esse equilíbrio em projetos reais e registrou um resultado: aceleração de 8 a 12 vezes sem perda de qualidade, desde que tudo seja feito do jeito certo.

O termo "vibe coding" foi popularizado por Andrej Karpathy no início de 2025. A ideia é simples: em vez de escrever cada linha à mão, o desenvolvedor descreve a intenção em linguagem natural, e uma ferramenta de LLM — Cursor, GitHub Copilot, Claude Code, Cline — gera a implementação. A velocidade de iteração multiplica: um primeiro protótipo funcional sai em horas, não em semanas.

O problema é que, junto com a popularidade da abordagem, veio seu lado sombrio: o lixo de IA. É código que parece convincente, compila e passa nos testes básicos, mas três meses depois vira uma bagunça impossível de manter. Ninguém na equipe entende por que determinada parte foi escrita daquele jeito. Um LLM não explica suas decisões de arquitetura: ele simplesmente as toma.

Os engenheiros da targetai se perguntaram se era possível sistematizar o trabalho com LLMs para ganhar velocidade sem acumular dívida técnica. A resposta deles é sim, mas exige práticas concretas.

Primeira: o LLM funciona melhor em tarefas com contexto rigidamente limitado. Não "faça a funcionalidade de autenticação", e sim "implemente a função validateToken no arquivo auth/utils.ts, que recebe uma string JWT e retorna userId, ou null se o token for inválido".

Segunda: a revisão de código não pode ser delegada ao próprio modelo. É preciso uma pessoa que entenda o que está verificando e por que determinado código é ruim, e não apenas qual é a aparência dele.

Terceira: as decisões de arquitetura são tomadas antes de a IA começar a gerar a implementação. A IA é executora, não projetista.

Os números dos experimentos: o ciclo de desenvolvimento de novas funcionalidades caiu de 8 a 12 vezes, de alguns dias para algumas horas. O número de iterações até o deploy diminuiu. O ponto essencial: o nível de incidentes pós-produção não subiu. Isso contradiz o medo mais comum, o de que acelerar com IA significa inevitavelmente mais bugs em produção. Com a metodologia certa, não significa. Na targetai não há uma posição específica de AI engineer ou prompt engineer: a equipe chegou a essas práticas de forma orgânica, por meio de erros e iterações.

Na prática, a abordagem funciona assim. Cada desenvolvedor usa o LLM como um parceiro pessoal de programação em par, mas com regras de higiene. Nada de copiar código gerado sem lê-lo linha por linha. Nada de pedidos vagos: três prompts pontuais valem mais que um genérico. Os testes são escritos antes de gerar a implementação, o que descarta de imediato as versões que não funcionam, já na etapa de prompting. A documentação da base de código interna fica em formato legível por máquina e é carregada no contexto automaticamente, o que melhora bastante a precisão em tarefas específicas de domínio.

O vibe coding saiu do ciclo de hype e está virando uma habilidade básica de engenharia, como ler um stack trace ou escrever um pull request claro. A questão não é mais se devemos usar modelos de linguagem no desenvolvimento, mas com quanta consciência. A experiência da targetai mostra que, com fluxos de trabalho bem montados, o assistente de IA não substitui o engenheiro: ele multiplica sua produtividade. O preço dessa multiplicação é disciplina, pensamento crítico e disposição para não confiar num código bonito só porque foi escrito rápido.