A pesquisa do Stack Overflow 2025 (49.000+ devs) revela que a maior frustração com a IA (66%) não é que ela erre, mas que entrega soluções "quase certas": parecem terminadas e falham no detalhe, e consertá-las custa mais do que começar do zero. O ofício já não é gerar, é fechar esse último trecho com especificação clara e verificação.
Existe um tipo de erro que dá mais raiva do que errar de vez: acertar quase. Quando algo está claramente errado, você joga fora e começa do zero, sem luto. Mas quando está quase certo — 95% impecável, 5% quebrado num canto que você não vê — você fica preso, porque parece que está a um ajuste de terminar e, na verdade, está a uma reescrita de distância. A pesquisa oficial do Stack Overflow 2025, com mais de 49.000 desenvolvedores respondendo, colocou número nessa raiva: a frustração número um com a IA não é que ela minta, nem que alucine, nem que seja lenta. É que ela entrega "soluções que estão quase certas, mas não totalmente". 66% apontaram isso. É a queixa mais votada do ofício, e guarda uma lição que serve para qualquer pessoa que peça algo a um modelo, saiba programar ou não.
O "quase" é o erro mais caro que existe
A intuição nos diz que um erro grande custa mais do que um pequeno. Com a IA acontece o contrário. Um erro evidente é barato: você detecta em um segundo e descarta sem pensar. O erro "quase certo" é caríssimo, porque primeiro ele precisa te convencer de que está bom — e consegue, porque os 95% que de fato funcionam baixam suas defesas — e só depois, em produção, com o cliente olhando, revela os 5% que o quebram. Você paga duas vezes: paga por confiar e paga por descobrir tarde. A segunda frustração da pesquisa confirma isso com frieza: 45,2% dizem que depurar código gerado por IA leva mais tempo do que escrevê-lo. Tradução: o "quase" não te poupou trabalho, apenas o mudou de lugar e cobrou juros.
A síndrome do último quilômetro
Há uma analogia que captura isso melhor do que qualquer gráfico. Imagine um entregador que leva seu pacote 99% do caminho e o deixa na calçada de frente, no portão errado, a uma rua da sua casa. Tecnicamente, fez quase toda a viagem. Na prática, o pacote não chegou, e agora é você quem tem que sair para buscá-lo debaixo de chuva. Esse último quilômetro — o trecho entre "quase entregue" e "entregue" — é onde vive o valor real, e é exatamente o trecho que a IA não fecha sozinha. Ela gera 90% em segundos e deixa para você os 10% que exigem entender o problema inteiro. O problema é que esses 10% finais costumam ser mais difíceis do que os 90% iniciais, porque são os que exigem contexto, critério e saber o que é "correto" de verdade no seu caso concreto.
Por isso a confiança caiu, e caiu com razão
A mesma pesquisa registrou um dado que, à primeira vista, parece contraditório: 84% dos desenvolvedores usam ou planejam usar IA, mas, ao mesmo tempo, o sentimento positivo caiu de mais de 70% em 2023 e 2024 para cerca de 60% em 2025. Mais gente usa e mais gente gosta menos. Não é contradição: é maturidade. A novidade se gastou e ficou a experiência real, e a experiência real é que a IA é uma ferramenta poderosa que exige supervisão constante. O detalhe mais revelador: hoje há mais desenvolvedores que desconfiam ativamente da exatidão da IA (46%) do que os que confiam (33%), e apenas 3% confiam muito. Não é rejeição. É o respeito saudável que você tem por uma motosserra: você a usa todos os dias e, justamente por isso, nunca solta as duas mãos dela.
A verdade incômoda: o "quase" é culpa do processo, não do modelo
É tentador colocar a culpa no modelo — que ele alucina, que não raciocina — mas isso desvia da lição de verdade. Um modelo produz aquilo que sua especificação permite verificar. Se você pede "faça um formulário de pagamento" sem dizer o que é correto — quais moedas, quais erros, o que acontece se o usuário der duplo clique, o que é registrado — o modelo preencherá esses vazios com suposições plausíveis, e "plausível" é justamente a definição de "quase certo". O quase-certo não nasce da ignorância do modelo; nasce da ambiguidade do pedido e da ausência de um teste que diga sim ou não. Onde não há especificação clara nem verificação, o modelo sempre entregará algo que parece terminado. A pergunta "está certo?" não é respondida por quem constrói. É respondida por quem verifica — e precisam ser dois momentos distintos.
O ofício já não é escrever, é fechar
Se os 90% qualquer um gera em segundos, a vantagem profissional se mudou para o último quilômetro: saber especificar o que é correto antes de pedir, e saber verificar que foi cumprido depois de receber. Esse é o modelo mental para reusar e compartilhar: trate cada saída da IA como um rascunho convincente, não como um entregável; defina o critério de "terminado" por escrito antes de gerar; e separe construir de auditar em dois passos deliberados, porque a mente que constrói está apaixonada pela própria obra e não vê os 5% quebrados — esses só são caçados por uma mente que chega fresca para procurar falhas. O quase-certo não se fecha com mais confiança. Fecha-se com mais especificação e mais teste. É menos glamoroso do que "a IA faz tudo", mas é a única coisa que transforma um rascunho impressionante em algo que aguenta com um cliente real do outro lado.
Como nós vemos isso
No NeuralOS partimos de assumir que a IA, sozinha, produz o quase-certo — não tratamos isso como um defeito que um dia será corrigido, mas como a natureza do terreno. Por isso pensamos o produto não em torno de gerar mais rápido, mas de fechar o último quilômetro: que a especificação seja a fonte única de verdade, de modo que "o que é correto" fique escrito antes de qualquer coisa ser executada; que construir e auditar vivam em passos separados de propósito, porque a mesma mente não faz bem as duas coisas; e que o critério de "terminado" não seja ditado pelo entusiasmo de que "parece que funciona", mas por uma verificação explícita que diga sim ou não. Esse é todo o ponto de vista: não vendemos a fantasia de que a IA acerta sozinha. Defendemos a disciplina que transforma o "quase" dela num "sim" verificável — o último quilômetro, feito de forma que aguente quando de verdade importa. Porque, no fim, o mérito nunca esteve em gerar os 90%. Esteve, sempre, em fechar os 10% que decidem se o pacote chegou.