Como se destacar como cientista de dados na era do vibe coding

A popularização de ferramentas como Claude Code, Codex e Cursor — e o fenômeno do vibe coding, em que você descreve o que quer e a IA escreve o código — reacendeu uma pergunta incômoda: o cientista de dados ainda é necessário quando programar virou commodity?

A resposta, segundo o cientista de dados Piero Paialunga (Ph.D. pela Universidade de Cincinnati e hoje na The Trade Desk, em Nova York), é um sonoro “sim”. Mas há uma condição: quem trata a IA como ameaça em vez de ferramenta corre o risco de se tornar o “Isaac” da própria história.

A fábula do arquiteto que recusou a calculadora

Paialunga abre o artigo com uma metáfora. Nos anos 1980, “Isaac” é um excelente arquiteto — mas teimoso. Ele se recusa a usar a calculadora: “não confio nessa coisa, prefiro fazer as contas à mão”. Resultado: os colegas entregam muito mais, porque abraçam a ferramenta inovadora.

Isaac continua essencial para a firma — nenhuma calculadora o substitui. Mas o talento dele fica subutilizado, preso a tarefas repetitivas em vez de dedicado à criatividade e a novos projetos. “O objetivo deste artigo é que você não seja esse Isaac”, escreve o autor.

Não entre em pânico

O autor é direto: as pessoas mais sobrecarregadas pela IA são justamente as que trabalham com ela. A sensação de estar ficando para trás é comum, mas acompanhar cada novo LLM e cada ferramenta “revolucionária” que aparece no LinkedIn é impossível — e desnecessário.

Você precisa se manter informado, claro. Mas adaptar-se à IA deveria ser prazeroso, não angustiante. O motivo para não entrar em pânico é simples: suas habilidades analíticas, seu pensamento crítico, seu domínio de álgebra e estatística e sua criatividade continuam sendo o seu maior ativo — não o seu setup de IA.

LLMs são ferramentas de produtividade — e só

Modelos de linguagem aceleram entregas, reduzem a quantidade de código escrito à mão e automatizam fluxos repetitivos. O que eles não são é cientistas de dados funcionais: não entendem a lógica completa do seu negócio, não navegam problemas em aberto sem solução perfeita definida e não leem as entrelinhas de um pedido para encontrar a melhor solução de ponta a ponta.

Isso acontece porque LLMs não são criativos e costumam soar artificiais. Eles seguem rotas simplórias a menos que você os guie explicitamente. Paialunga resume com uma distinção útil: LLMs são ótimos recuperadores de informação, mas péssimos extrapoladores.

Um exemplo: uma tendência viral mostrou modelos sugerindo que você vá “a pé” até o lava-rápido se ele for perto de casa, para economizar gasolina. É uma das muitas alucinações que revelam a dificuldade dos LLMs com problemas mal definidos. A lição: use-os para tarefas diretas e específicas — é assim que foram treinados e avaliados.

Onde o humano continua insubstituível

Problemas reais de ciência de dados exigem criatividade. Qual é o ângulo que estamos buscando? Para quem vamos mostrar isso? O que a empresa precisa neste momento? Esta solução se integra com outro problema que estamos enfrentando? Essas perguntas pertencem a humanos. Dá para usar o modelo para obter uma dica, mas não dá para delegar todo o raciocínio e ir tomar um café.

Construa suas próprias rotinas de IA

O salto do ChatGPT simples para sistemas como Claude Code, Codex ou Cursor é a capacidade de montar rotinas próprias. Por meio de “skills/comandos”, MCPs e loops, você ganha produtividade real — e uma assinatura única de trabalho.

No Claude Code, por exemplo, dá para criar skills que codificam no seu estilo (todo mundo associa o código a você), escrevem como você (sem soar como um robô fã de travessões) e revisam segundo as suas métricas e testes. Quando você identifica algo que faz repetidamente, transformá-lo em rotina na sua ferramenta favorita multiplica a produtividade do jeito certo.

Verifique tudo — LLMs também “gaslighting”

Os novos modelos não são só melhores em benchmarks: são melhores em soar convincentes. Um texto bem escrito parece oficial e verdadeiro — e pode não ser. Só a verificação revela o erro. Ao desenvolver um design, questione-o, blinde-o, teste-o, entenda as limitações e antecipe as perguntas do gestor.

No fim das contas, você é o responsável pelo seu código. Quando o pipeline falhar, as pessoas vão até você esperando respostas rápidas, profissionalismo e clareza. Quanto mais iniciante, mais tempo você deve dedicar a entender o projeto a fundo: cada peça do pipeline precisa ser validada.

Luvas de boxe não fazem o lutador

A mensagem central do artigo cabe numa frase: não se esqueça de que LLMs são ferramentas de produtividade. Assim como ótimas luvas de boxe ajudam a treinar melhor, elas não fazem de você um bom boxeador. Não entre em pânico; faça a lição de casa de verdade; use a IA para se livrar de tarefas chatas e repetitivas; e não confie cegamente num robô para ser o craque que você é.