Vibe coding

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Vibe coding — construir software fazendo prompts iterativamente a um grande modelo de linguagem e julgando o comportamento resultante, sem ler ou editar diretamente o código-fonte subjacente. Popularizado por Andrej Karpathy em 2025 como o fluxo de trabalho em que se "esquece que o código sequer existe", o vibe coding é a realização nativa de LLM da programação em linguagem natural e do desenvolvimento por usuário final — enquadramentos agora tratados como sinônimos nesta base de conhecimento —, na qual a prosa se torna a interface primária de programação.

Perguntas para refletir

• O enquadramento original de Karpathy dizia que você deveria "esquecer que o código sequer existe". Antes de ler mais, pergunte-se: não ver o código é um recurso (ele reduz barreiras) ou um risco (você não consegue verificar ou corrigir o que não vê)? O que a resposta implica sobre quem deveria ter permissão para fazer vibe coding?
• A pesquisa sobre quem tem sucesso no vibe coding constatou que o desempenho tradicional em ciência da computação ainda prevê o sucesso mesmo quando o usuário nunca toca no código. Se isso o surpreende, que habilidade oculta o treinamento em computação poderia estar construindo que a prosa, isoladamente, não captura?
• O mesmo estudo constatou que a habilidade de escrita prevê o desempenho de vibe-coding em grande medida porque produz prompts de maior qualidade. Se o prompting é realmente o gargalo, a correção certa é ensinar as pessoas a fazer prompts melhores — ou redesenhar as ferramentas para que exijam menos habilidade de prosa?
• O vibe coding é frequentemente celebrado por tornar "qualquer pessoa" uma desenvolvedora. Mas se tanto a habilidade de escrita quanto o conhecimento de ciência da computação moldam os resultados, o vibe coding amplia o acesso à construção de software ou apenas desloca a barreira de habilidade do código para a prosa?
• Alguns desenvolvedores distinguem o vibe coding "puro" (nunca ler o código) da codificação assistida por IA, em que você revisa e edita o que o modelo escreveu. Onde você acha que a aprendizagem genuína — em contraposição ao excesso de dependência — é mais provável de acontecer, e por quê?

Introdução

O vibe coding descreve um estilo de interação possibilitado por plataformas de desenvolvimento integradas a LLM (Replit, Lovable, Cursor e outras): o usuário especifica um programa em linguagem natural, o modelo gera um sistema funcional, e o usuário itera com base no comportamento observado, em vez de editar o código-fonte. O termo foi cunhado pelo cofundador da OpenAI, Andrej Karpathy, em fevereiro de 2025 para capturar a experiência de confiar no modelo a tal ponto que "o código" se apaga da consciência. O vibe coding está na convergência de várias vertentes que esta base de conhecimento já acompanha — é IA generativa aplicada à programação, uma forma extrema de trabalho movido a prompts, uma instância concreta de colaboração humano-IA e a rota mais clara até agora para não programadores e usuários finais construírem seu próprio software (desenvolvimento por usuário final).

Ele também tem raízes profundas. A ideia de programar em linguagem comum é muito anterior aos LLMs — da aspiração do COBOL de ser "um sistema de programação em linguagem inglesa para não programadores profissionais", passando pela programação literária de Donald Knuth, até a pesquisa sobre programação em linguagem natural com subconjuntos restritos de inglês. Só com os LLMs se tornou viável mapear instruções genuinamente conversacionais e subespecificadas para código executável. O vibe coding é a variante particular na qual o usuário deliberadamente não inspeciona nem edita o código-fonte gerado, confiando inteiramente em prompting iterativo e avaliação comportamental.

Definindo o construto: vibe coding "puro" versus com código visível

A definição de vibe coding ainda está em fluxo. Alguns usam o termo amplamente para significar qualquer programação guiada por IA; outros insistem que ele se refere estritamente a "construir software com um LLM sem revisar o código que ele escreve". O Google Cloud distingue uma versão "pura", sem código (consistente com a definição de Karpathy), de uma versão em que o usuário compreende e refina o código gerado. Essa distinção importa para a pesquisa: um estudo controlado de proficiência em vibe coding exige um construto bem definido. O estudo da CHI 2026 sobre preditores de proficiência em vibe coding mirou deliberadamente a variante "pura", sem código — os participantes não podiam ver nem editar o código-fonte gerado, de modo que o desempenho mensurado refletia a capacidade de especificar, refinar e depurar comportamento apenas por prosa e saída observada (veja Thorgeirsson et al.).

Quem tem sucesso no vibe coding: evidência

Um estudo transversal pré-registrado (N = 100 estudantes de nível terciário) fornece a primeira evidência controlada, no nível do participante, sobre quais habilidades preveem o sucesso no vibe coding. Tanto a proficiência em comunicação escrita (r = .29) quanto o desempenho em ciência da computação (r = .39) previram significativamente o desempenho em tarefas de vibe-coding orientadas a GUI e avaliadas por especialistas, com o desempenho em ciência da computação permanecendo significativo após controlar por habilidades cognitivas de domínio geral (r parcial = .281). Em um modelo conjunto, o desempenho em ciência da computação contribuiu com aproximadamente o dobro da variância única da habilidade de escrita, mas ambos acrescentaram valor preditivo independente. Crucialmente, a qualidade do prompt avaliada por humanos mediou o vínculo escrita→desempenho, dando evidência de processo de resposta de que uma prosa clara opera produzindo prompts melhores. Como o ambiente ocultava o código-fonte, o conhecimento de ciência da computação só podia ajudar indiretamente (por meio de decomposição de problemas, pensamento algorítmico e modelos mentais de fluxo de controle) —, de modo que os autores argumentam que sua estimativa de ciência da computação é um limite inferior para a programação assistida por IA, na qual os usuários também podem editar código diretamente (Thorgeirsson et al., 2026)).

O vibe coding como desenvolvimento por usuário final e ferramental docente

Uma grande promessa do vibe coding é que ele permite a não programadores — incluindo professores e especialistas de domínio — construir seu próprio software, uma forma de desenvolvimento por usuário final da era dos LLM. Um estudo do framework GAIDE mostrou professores do K-12 (não programadores) usando vibe coding em uma oficina de oito semanas para criar ferramentas de aprendizagem movidas por IA, elevando seu letramento em IA e demonstrando o "aprender criando" como um modelo de desenvolvimento profissional. No ensino superior, um instrutor construiu rapidamente um visualizador de processos de programação a partir de registros de atividade do IDE via vibe coding em uma questão de dias, tornando visíveis para o ensino e para a revisão de integridade acadêmica os processos de programação dos estudantes. Esses casos posicionam o vibe coding não meramente como uma habilidade de quem aprende, mas como uma capacidade de autoria que remodela quem pode criar tecnologia educacional.

Homogeneização do desenho: acesso sem diversidade

A promessa de desenvolvimento por usuário final do vibe coding é sobre quem pode construir, não sobre o que é construído. Em uma implantação em curso, 73 estudantes construindo sites para negócios distintos em uma única plataforma de vibe coding produziram cerca de uma dúzia de desenhos distintos, e a autoria sentida não acompanhou a originalidade medida (Boussioux et al. (2026)). Reduzir a barreira à construção pode padronizar a saída — um custo que a promessa de acesso não anuncia.

Aprendizagem, autonomia e o risco de excesso de dependência

O vibe coding reabre questões centrais sobre o que é aprendido quando a IA automatiza a implementação. Como o usuário não lê o código, ele precisa confiar no comportamento do modelo —, o que faz do vibe coding um caso de alto impacto da tensão entre autonomia e excesso de dependência que percorre a programação assistida por IA. Os currículos estão respondendo deslocando-se do ensino da implementação para o ensino de como dirigir, verificar e auditar artefatos gerados por IA (veja remodelar a graduação em ciência da computação e engenharia de software agêntica). O vibe coding também muda a posição epistêmica de quem aprende: o sucesso depende menos de escrever código que de expressar a intenção com precisão e avaliar o comportamento contra os objetivos, competências mais próximas do pensamento computacional e da escrita estruturada que do domínio tradicional da sintaxe.

Um segundo limite aparece na própria construção: remover a barreira da codificação pode deixar intocado o fardo do diagnóstico. Dois estudos de caso de engenharia tiveram um instrutor construindo simulações web funcionais de um sistema de gestão térmica de baterias e de três protocolos ARQ fazendo prompts ao Gemini em linguagem comum em poucas horas (Tarasak et al. (2026)). Um erro de pacote duplicado então sobreviveu a prompts repetidos, incluindo um que declarava o comportamento exigido. Ele só foi corrigido quando o instrutor raciocinou a partir do comportamento do protocolo até um intervalo de timeout insuficiente, um parâmetro que a interface nunca expunha. O efeito de nenhuma das simulações sobre a aprendizagem foi mensurado, de modo que o relato estabelece viabilidade, e não eficácia.

Conexões com conceitos afins

O vibe coding se conecta naturalmente à engenharia de prompts (a qualidade do prompt é o mecanismo do desenvolvimento movido a prosa), ao ensino de computação (como o domínio onde a técnica é mais usada e mais contestada), ao pensamento computacional (a modelagem mental que prevê o sucesso mesmo sem acesso ao código), à educação em escrita (a escrita se tornando uma habilidade de programação) e à IA agêntica (dirigir um modelo rumo a um artefato, em vez de construí-lo à mão). Ele também se intersecta com o letramento em IA e o papel do professor, já que a capacidade de construir as próprias ferramentas muda o que professores e estudantes podem fazer. Por fim, ele levanta questões de integridade acadêmica e de avaliação idênticas às que a geração de código por IA levanta por toda a educação em computação.

Um estudo de caso no nível do corpo docente nesta base de conhecimento fornece a camada organizacional. Zimmer (2026) descreve o intraempreendedorismo em IA — educadores construindo suas próprias ferramentas em vez de esperar pela compra institucional —, incluindo um autor que não programa usando o Claude Code para construir um verificador de 321 links de curso. Os habilitadores decisivos foram organizacionais, e não técnicos: discricionariedade de trabalho, recompensas e disponibilidade de tempo, sendo o último descrito como o mais obviamente em déficit em contextos acadêmicos e minado pela promoção e pela tenure. O quadro de segurança permaneceu sóbrio, já que a análise da Veracode de 2025 constatou que apenas 55% do código gerado por IA é seguro, de modo que ferramentas de sala de aula construídas por vibe coding ainda precisam de uma passada de revisão antes de lidar com dados de estudantes ou de se conectar a um LMS.

Conceitos conectados

• IA generativa
• Grandes modelos de linguagem (LLMs)
• Engenharia de prompts
• Ensino de ciência da computação
• Pensamento computacional
• Escrita
• IA agêntica
• Colaboração humano-IA
• Letramento em IA
• A docência
• Descarregamento cognitivo

Artigos conectados

• Computer Science Achievement and Writing Skills Predict Vibe Coding Proficiency — Desempenho em ciência da computação e habilidades de escrita preveem a proficiência em vibe coding (estudo empírico da CHI 2026)
• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Um framework orientador para professores do K-12 na criação de tecnologias de aprendizagem movidas por IA por vibe coding
• From Idea to Classroom in Days: Using "Vibe Coding" to Create a Programming Process Visualizer from IDE Activity Logs — From Idea to Classroom in Days: Using "Vibe Coding" to Create a Programming Process Visualizer from IDE Activity Logs
• Vibe Coding for Simulation Development in Engineering Education — O vibe coding construiu duas simulações de engenharia em horas; diagnosticar um erro de protocolo ainda exigiu o instrutor
• Understanding Student Perceptions, Mistakes, and Debugging Approaches when Solving Natural Language Programming Tasks — Compreendendo percepções, erros e abordagens de depuração dos estudantes ao resolver tarefas de programação em linguagem natural
• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — Code to Learn with Generative AI: um framework teoricamente fundamentado para a construção de artefatos no ensino médio
• Reshaping Undergraduate Computer Science Education in the Generative AI Era — Remodelando a graduação em ciência da computação para a IA generativa
• Flowcode: An AI-Powered Programming Environment for Scaffolding Iteration in Creative Computing Education — Flowcode: um ambiente de programação movido a IA para dar andaimento à iteração na educação em computação criativa
• AI Intrapreneurship: Educators as Frontline Innovators in the Age of Generative AI — Intraempreendedorismo em IA: o corpo docente construindo suas próprias ferramentas, e os habilitadores organizacionais que decidem se o impulso sobrevive (Zimmer 2026)
• One Tool, One Taste? How Vibe Coding Trades Collective Diversity for Individual Creativity — One Tool, One Taste? How Vibe Coding Trades Collective Diversity for Individual Creativity