Essa matéria nasceu de uma longa discussão com um amigo, estávamos falando dos "canais dark" no youtube e os vídeos produzidos com AI SLOP, e acabamos entrando nesse mundo que vivenciamos, ele trabalhando em um software nichado para cartórios e altamente regulado e, eu, além do mundo privado, trabalho no público, então, se você ler até o fim, irei deixar você com várias perguntas... 

E nesta postagem eu concatenei várias ideias correlatas sobre o que se propõem o título... E que estamos entrando em uma era na qual criar software pode deixar de ser uma vantagem competitiva. Enquanto a inteligência artificial acelera a programação, a engenharia reversa avança, os riscos de segurança aumentam e milhares de novas aplicações disputam a atenção dos consumidores. A pergunta já não é apenas quem consegue desenvolver um sistema, mas quem consegue entregar algo que realmente tenha valor.

Quando qualquer pessoa pode criar software, o que acontece com quem vive de vendê-lo?

Durante décadas, desenvolver software foi uma atividade que exigia conhecimento especializado, investimento financeiro, equipes técnicas e tempo. Construir um sistema corporativo, uma aplicação bancária ou mesmo um aplicativo comercial envolvia barreiras significativas de entrada.

Essas barreiras estão diminuindo rapidamente.

Hoje, ferramentas de inteligência artificial conseguem gerar aplicações, escrever consultas SQL, construir interfaces, criar APIs, elaborar testes e auxiliar na manutenção de sistemas legados. Em determinados cenários, uma única pessoa consegue produzir protótipos funcionais em horas, algo que anteriormente poderia exigir dias ou semanas.

Esse fenômeno ganhou força com o chamado vibe coding, expressão utilizada para descrever uma abordagem em que o desenvolvimento acontece predominantemente por meio de instruções em linguagem natural fornecidas à inteligência artificial.

O impacto econômico é profundo: estamos reduzindo drasticamente o custo marginal de produzir software.

Mas há uma consequência pouco discutida.

Se qualquer pessoa consegue desenvolver uma aplicação, por que o mercado continuará pagando os mesmos valores por software?

A resposta exige compreender três fenômenos que estão acontecendo simultaneamente: a evolução da engenharia reversa, a transformação da segurança da informação e a industrialização da produção de aplicações digitais.

Engenharia reversa com IA: o código compilado deixou de ser uma barreira confiável?

Imagine receber apenas o arquivo executável de um sistema, sem acesso ao código-fonte original.

Tradicionalmente, compreender seu funcionamento exigia conhecimentos avançados de arquitetura de computadores, assembly, análise estática, depuração e engenharia reversa.

A inteligência artificial está alterando essa realidade.

Ferramentas modernas de análise de binários, combinadas com modelos de linguagem e agentes autônomos, conseguem auxiliar na identificação de funções, reconstrução de fluxos lógicos, interpretação de estruturas de dados e documentação de comportamentos.

Isso não significa que já seja possível recuperar integralmente qualquer software proprietário, recompilá-lo e obter uma cópia perfeita do original. A compilação elimina informações, abstrações e elementos estruturais que nem sempre podem ser reconstruídos. Sistemas complexos, mecanismos de proteção e dependências externas continuam impondo obstáculos importantes.

Entretanto, existe uma diferença entre recuperar o código-fonte original e reproduzir o comportamento de um sistema.

Uma organização não precisa necessariamente reconstruir cada linha de um produto para desenvolver uma alternativa funcionalmente semelhante.

A IA está tornando esse processo mais acessível, especialmente quando existe documentação, comportamento observável, formatos de arquivos conhecidos e interfaces que podem ser estudadas.

Isso coloca em discussão o valor econômico de funcionalidades que antes eram protegidas, em parte, pela dificuldade técnica de reproduzi-las.

Também levanta questões jurídicas relacionadas à propriedade intelectual, licenciamento, segredos comerciais e limites legais da engenharia reversa.

Eu acredito que a "propriedade intelectual" por não ser escassa, com esse movimento se tornará irrelevante, em outro momento posso falar do que a China vem fazendo para treinar suas IA's.

O risco oculto dos sistemas legados: quando a segurança dependia do segredo do código

Existe um problema ainda mais preocupante.

Durante muitos anos, determinadas aplicações foram desenvolvidas sob a premissa de que o usuário final não conseguiria compreender facilmente seu funcionamento interno.

Essa abordagem ficou conhecida como security through obscurity, ou segurança por obscuridade.

Em sua forma mais problemática, ela levou desenvolvedores a incorporar segredos diretamente nas aplicações: credenciais, tokens, senhas de integração e até chaves criptográficas privadas.

A lógica era simples: se o código estava compilado, seria suficientemente difícil encontrar essas informações.

Essa premissa nunca foi uma proteção adequada.

Agora, com ferramentas de análise automatizada e inteligência artificial, a identificação de padrões, configurações e possíveis segredos embutidos pode se tornar mais rápida.

O risco não é a IA criar magicamente uma chave privada desconhecida. O problema ocorre quando a chave já está presente no binário, em arquivos distribuídos com a aplicação ou em outros artefatos acessíveis.

Uma credencial recuperada pode permitir que um agente mal-intencionado tente acessar serviços ou dados, dependendo dos privilégios associados e dos demais controles existentes.

Em ambientes críticos, as consequências podem incluir comprometimento de informações, fraude, indisponibilidade e custos elevados de resposta a incidentes.

O desafio é especialmente relevante para organizações com sistemas legados, aplicações antigas e integrações que nunca passaram por uma revisão arquitetural de segurança.

E os sistemas bancários que ainda utilizam COBOL?

A permanência de COBOL em ambientes financeiros não representa, isoladamente, uma vulnerabilidade. A linguagem continua adequada a determinadas cargas transacionais e pode operar com controles robustos.

O risco surge quando aplicações críticas acumulam décadas de dependências, interfaces antigas, privilégios excessivos, documentação insuficiente e controles de segurança incompatíveis com as ameaças atuais.

Uma iniciativa maliciosa de engenharia reversa, especialmente quando combinada com acesso interno privilegiado, pode ampliar a exposição desses ambientes.

O problema, portanto, não é a idade do software. É a distância entre sua arquitetura de segurança e o cenário atual de ameaças, um insider hoje pode refazer o código com engenharia reversa, inserir no código cláusulas e desviar sem aparecer 1 centavo para locais que depois podem ser acumulados e transformados em ativos digitais e dar um determinado fim, e esses softwares muito antigo nem sempre tem uma equipe MUITO expert para perceber isso a tempo e corrigir, mesmo com fluxo de trabalho e várias etapas de monitoramento de comportamento do ciclo de vida da aplicação.

Insiders: a ameaça que conhece o sistema por dentro

A evolução da inteligência artificial também exige reconsiderar o risco associado aos insiders: colaboradores, prestadores de serviços e terceiros que possuem acesso legítimo a informações, sistemas ou infraestrutura.

Um profissional com conhecimento do ambiente pode compreender integrações, localizar componentes críticos, identificar dependências e reconhecer controles frágeis.

Com ferramentas de IA, parte desse trabalho de análise pode ser acelerada.

Isso não significa que todo colaborador represente uma ameaça, mas demonstra que a confiança institucional precisa ser acompanhada de controles técnicos verificáveis.

Empresas que desenvolvem software precisam fortalecer sua governança de identidades, a segregação de funções, a proteção de segredos e a rastreabilidade das operações, em suma, aumentar o seu compliance e melhorar sua análise de riscos de Segurança da Informação.

Entre as medidas prioritárias estão a aplicação de privilégios mínimos, autenticação multifator, gerenciamento centralizado de segredos, rotação de credenciais, monitoramento de acessos privilegiados, revisão de permissões e proteção de repositórios e pipelines de desenvolvimento.

Arquiteturas Zero Trust, práticas de DevSecOps e políticas formais de desenvolvimento seguro deixam de ser diferenciais e passam a integrar os requisitos fundamentais de continuidade do negócio.

A pergunta que todo gestor deveria fazer é:

Se alguém com acesso legítimo utilizasse inteligência artificial para analisar nossos sistemas, quais informações críticas conseguiria descobrir?

 

Vamos para um boom que percebi dentro das lojas de aplicativos... que faz parte do contexto acima, e terá grandes impactos.

O nascimento do AI Software Slop: aplicações produzidas como conteúdo descartável

A internet já conhece o fenômeno chamado AI Slop: conteúdos gerados em massa por inteligência artificial, frequentemente caracterizados por baixa qualidade, pouca originalidade e reduzido valor informacional.

Textos, imagens, vídeos e publicações automatizadas passaram a disputar atenção em escala industrial.

Agora, uma dinâmica semelhante começa a alcançar o desenvolvimento de software.

Podemos chamar esse fenômeno de AI Software Slop: aplicações produzidas rapidamente, com pouca validação técnica, baixo conhecimento do domínio e foco prioritário em quantidade, experimentação comercial ou monetização imediata.

Imagine um desenvolvedor criando dezenas de aplicativos por mês, cada um destinado a um pequeno nicho de mercado.

Um aplicativo para controle de despesas. Outro para planejamento alimentar. Um terceiro para exercícios físicos. Outro para acompanhamento de medicamentos.

A facilidade de produzir essas soluções pode gerar inovação e democratizar o acesso à tecnologia.

Mas também cria riscos.

Uma aplicação que funciona visualmente não necessariamente possui arquitetura adequada, tratamento seguro de dados, validação das regras de negócio ou mecanismos confiáveis de atualização.

O problema se agrava em áreas sensíveis, como saúde, finanças, segurança pública e tratamento de dados pessoais.

Um software que calcula dosagens de medicamentos, por exemplo, não pode ser avaliado apenas pela aparência da interface ou pela capacidade de executar uma fórmula. Ele exige validação clínica, definição de responsabilidades, tratamento de contraindicações e, conforme sua finalidade e enquadramento, avaliação regulatória.

A inteligência artificial pode gerar o código. Ela não substitui automaticamente a competência profissional necessária para definir se aquele código deveria ser utilizado.

Diante disso as empresas precisam muito mais de ENGENHEIROS de softwares com conhecimentos e capacidade de saber e entender cada componente que faz parte da construção até o lançamento.

E quem é leigo e acessa a loja, seja da Apple seja do Andriod se depara com APPs para tudo e aparece aos montes todos os dias, sai instalando e testando de tudo, o que cada APP desse coleta, lhe entrega e processa seus dados pessoais?

O paradoxo da produtividade: mais software pode significar mais vulnerabilidades

A velocidade de desenvolvimento não cresce necessariamente na mesma proporção que a capacidade de revisão.

Quando uma empresa consegue produzir dez vezes mais código, mas mantém a mesma estrutura de testes, auditoria e segurança, cria-se um desequilíbrio operacional.

A entrega acelera, enquanto o controle pode ficar para trás.

Em aplicações produzidas por agentes de IA, os riscos incluem falhas de autorização, exposição de segredos, validação insuficiente de entradas, dependências vulneráveis, erros de lógica e controles de acesso inadequados.

Esse cenário transforma a qualidade do software em uma questão de governança.

A organização precisa definir quem responde pelo código gerado, quem aprova sua implantação, quais testes são obrigatórios e como serão identificadas vulnerabilidades introduzidas durante o desenvolvimento.

A responsabilidade pelo produto não desaparece porque uma inteligência artificial escreveu parte dele.

Pelo contrário: quanto mais automatizada for a produção, mais importante será estabelecer critérios objetivos de aceitação, segurança, conformidade e manutenção.

O IPO da Anthropic e a economia da inteligência artificial

A discussão sobre o futuro do software também está ligada ao modelo econômico das empresas que desenvolvem os grandes modelos de IA.

A Anthropic, responsável pela família Claude, iniciou em novembro de 2026 o processo de apresentação de sua oferta pública inicial de ações ao mercado.

O movimento representa um teste relevante para a economia da inteligência artificial, marcada por investimentos expressivos em infraestrutura computacional, aceleradores, energia elétrica, data centers e capacidade de processamento.

Existe um paradoxo interessante nesse mercado.

De um lado, a infraestrutura necessária para treinar e operar modelos avançados exige volumes extraordinários de capital.

Do outro, esses mesmos modelos estão reduzindo o custo de produzir aplicações digitais.

Ou seja, enquanto a camada de infraestrutura tende a concentrar investimentos e capacidade tecnológica, a camada de aplicações pode experimentar uma expansão significativa no número de concorrentes.

Essa dinâmica pode pressionar empresas tradicionais de software, especialmente aquelas cujo diferencial competitivo depende de funcionalidades facilmente reproduzíveis.

Entretanto, uma eventual valorização extraordinária de empresas de IA não garante retorno econômico sustentável. A monetização precisa justificar os custos de infraestrutura, pesquisa, operação e distribuição.

A questão deixa de ser apenas tecnológica e passa a ser econômica: quem conseguirá capturar o valor produzido pela inteligência artificial?

Se o software deixa de ser escasso, onde estará a riqueza?

A economia tradicional ensina que a escassez influencia o valor dos bens e serviços.

Durante décadas, a capacidade de desenvolver software foi relativamente escassa. Havia demanda crescente e uma oferta limitada de profissionais, conhecimento e infraestrutura.

A inteligência artificial está alterando essa relação.

O código pode se tornar progressivamente mais abundante, mas isso não significa que todo software terá o mesmo valor ou que o desenvolvimento profissional deixará de existir.

A escassez pode migrar para outros elementos.

Conhecimento especializado sobre determinado setor, acesso legítimo a dados de qualidade, confiança institucional, distribuição comercial, integração com processos reais, conformidade regulatória e capacidade de operação contínua são recursos que não podem ser reproduzidos simplesmente solicitando código a um modelo de linguagem.

Um sistema de gestão financeira não é valioso apenas porque realiza cálculos. Ele precisa refletir regras tributárias, processos contábeis, controles internos e obrigações legais.

Um sistema hospitalar não é valioso apenas porque armazena prontuários. Ele precisa compreender fluxos clínicos, segurança do paciente, privacidade e responsabilidades profissionais.

E uma solução para investigação criminal não se torna útil apenas porque consegue cruzar tabelas. Ela precisa respeitar regras de obtenção de evidências, cadeia de custódia, autorização legal, integridade e interpretação contextual.

O código é o instrumento. O conhecimento sobre o problema é o verdadeiro diferencial.

O futuro pertence a quem conhece a dor que pretende resolver

Considere uma equipe de profissionais de investigação que precisa analisar grandes volumes de registros telefônicos, financeiros e telemáticos obtidos legalmente.

Em uma investigação complexa, diferentes fontes podem produzir milhares ou milhões de registros, incluindo eventos de comunicação, transações, identificadores e referências temporais.

A análise manual dessas informações é trabalhosa, especialmente quando envolve múltiplos investigados e a necessidade de correlacionar eventos.

Uma solução desenvolvida em conjunto por especialistas em investigação, engenharia de software e análise de dados pode identificar padrões temporais, relacionamentos e inconsistências que seriam difíceis de perceber manualmente.

É possível, por exemplo, correlacionar registros de conexão a células de telefonia com eventos conhecidos da investigação, observadas as limitações de precisão e interpretação desses dados.

Da mesma forma, ferramentas analíticas podem auxiliar no rastreamento de fluxos financeiros, na identificação de relacionamentos e na organização de evidências para análise humana.

O valor dessa aplicação não está simplesmente em cruzar dados.

Está em compreender quais correlações possuem significado investigativo, quais hipóteses precisam ser testadas e quais conclusões são juridicamente sustentáveis.

A IA pode acelerar o desenvolvimento da ferramenta, mas o conhecimento especializado é indispensável para construir uma solução confiável.

Esse modelo de colaboração entre especialistas de domínio e profissionais de tecnologia pode representar uma das oportunidades mais relevantes da próxima geração de software.

Em vez de produzir centenas de aplicações genéricas na expectativa de encontrar compradores, empresas poderão concentrar esforços em resolver problemas específicos, complexos e economicamente relevantes.

O novo modelo de negócio das empresas de software

Empresas que comercializam apenas funcionalidades padronizadas poderão enfrentar maior pressão competitiva.

Isso não significa o desaparecimento do modelo SaaS, dos softwares corporativos ou das grandes plataformas.

Sistemas empresariais envolvem contratos, integrações, dados históricos, ecossistemas, suporte, certificações, disponibilidade e custos de substituição que não desaparecem com a geração automatizada de código.

Entretanto, a diferenciação baseada exclusivamente na dificuldade de implementação tende a perder força.

O mercado poderá valorizar cada vez mais empresas capazes de combinar cinco competências: conhecimento profundo do negócio, engenharia de software confiável, segurança desde a concepção, integração com ambientes existentes e responsabilidade contínua pelos resultados entregues.

Também surgirá espaço para serviços especializados em avaliação de software gerado por IA.

Auditoria de código, validação funcional, análise de vulnerabilidades, conformidade regulatória, certificação de qualidade e monitoramento de aplicações podem se tornar atividades ainda mais relevantes.

Em um mercado inundado por aplicações, a capacidade de separar soluções confiáveis de produtos frágeis terá valor econômico próprio.

O que os gestores de tecnologia precisam fazer agora?

A resposta não é impedir a adoção da inteligência artificial.

É estabelecer condições para utilizá-la sem comprometer a sustentabilidade tecnológica da organização.

O primeiro movimento deve ser identificar sistemas legados que dependem de segredos embutidos, permissões excessivas ou mecanismos frágeis de autenticação.

O segundo é revisar os processos de desenvolvimento e aquisição de software, incluindo aplicações produzidas com ferramentas de IA.

O terceiro é ampliar os controles sobre acessos privilegiados, repositórios, pipelines de implantação e informações sensíveis.

O quarto é adotar critérios de qualidade que considerem segurança, desempenho, manutenibilidade, confiabilidade e adequação ao uso, alinhados às práticas de engenharia de software e aos modelos de qualidade da ISO/IEC 25010.

O quinto é aproximar desenvolvedores dos profissionais que realmente conhecem os problemas de negócio.

Frameworks como NIST Cybersecurity Framework 2.0, NIST Secure Software Development Framework e práticas associadas à ISO/IEC 27001 podem apoiar essa transformação.

Não basta produzir aplicações mais rapidamente. É necessário demonstrar que elas são adequadas, seguras e sustentáveis.

E daqui a dois anos?

Não é possível prever com segurança o estágio que a inteligência artificial alcançará em 2028.

Mas já existem sinais suficientes para considerar três cenários.

No primeiro, a produtividade cresce e amplia o acesso a soluções tecnológicas, permitindo que pequenas empresas resolvam problemas anteriormente inviáveis por limitações financeiras.

No segundo, a produção indiscriminada de aplicações aumenta a fragmentação do mercado, o volume de vulnerabilidades, a dificuldade de seleção de fornecedores e os custos de manutenção.

No terceiro, provavelmente o mais interessante, a abundância de código provoca uma reorganização do valor econômico: desenvolver deixa de ser o principal obstáculo, enquanto compreender o problema, validar a solução e garantir sua confiabilidade passam a ser os fatores decisivos.

Esses cenários não são mutuamente exclusivos. Podem acontecer simultaneamente.

Conclusão: a inteligência artificial não está eliminando o valor do software. Está mudando onde esse valor existe.

Durante muito tempo, o mercado remunerou a capacidade de transformar uma necessidade em código executável.

A inteligência artificial está tornando essa transformação progressivamente mais acessível.

Isso pode representar uma das maiores oportunidades de democratização tecnológica da história recente. Mas também pode criar um mercado saturado de aplicações superficiais, inseguras e incapazes de atender adequadamente às necessidades dos usuários.

A engenharia reversa assistida por IA amplia a necessidade de proteger ativos tecnológicos e revisar arquiteturas legadas. O crescimento do vibe coding exige novas práticas de governança. E o surgimento do AI Software Slop torna a qualidade e a confiabilidade ainda mais importantes.

O futuro das empresas de tecnologia provavelmente não será determinado apenas pela quantidade de código que conseguem produzir, mas pela capacidade de transformar conhecimento especializado em soluções confiáveis.

A próxima grande vantagem competitiva talvez não esteja em quem programa mais rápido.

Estará em quem compreende melhor o problema, sabe quais decisões precisam ser tomadas e consegue demonstrar que sua solução realmente funciona.

E isso nos leva à pergunta que deveria orientar qualquer estratégia tecnológica nos próximos anos:

Se todos puderem criar software, por que alguém escolherá pagar pelo seu?