Gen Z odeia IA quanto mais usa: o que isso diz pra nós, devs?

Uma pesquisa recente do Gallup jogou uma bomba no discurso de "IA vai salvar tudo": apenas 18% da Geração Z (pessoas nascidas entre 1997 e 2012) dizem ter esperança na tecnologia, contra 27% no ano passado. E o detalhe que chama atenção é que quanto mais eles usam, mais odeiam. Isso levanta uma pergunta importante para quem escreve código: a gente está construindo ferramentas que as pessoas realmente querem?

Contexto técnico

Quando falamos de "IA" nesse contexto, o papo é sobre LLMs (Large Language Models, ou Modelos de Linguagem de Grande Escala). Pensa em LLMs como modelos treinados em bilhões de textos da internet para prever qual palavra vem depois da outra. É o que está por baixo do ChatGPT, do Gemini e do Claude.

Esses modelos são distribuídos como chatbots (interfaces de conversa), integrados em ferramentas de código como GitHub Copilot, embutidos em buscadores, currículos, filtros de vagas de emprego e até plataformas acadêmicas. Universidades americanas estão fechando contratos milionários com OpenAI e Anthropic para integrar chatbots nos currículos.

O problema que a Gen Z sente na prática não é técnico: é de contexto de uso. Usar um LLM para autocompletar código é diferente de usar para escrever um e-mail de relacionamento, fazer uma redação ou filtrar CVs de candidatos de forma opaca. Quando a tecnologia entra em territórios onde o julgamento humano importa, a rejeição aumenta.

Outro ponto relevante: data centers para rodar esses modelos consomem quantidades absurdas de energia e água. Isso não é FUD (medo, incerteza e dúvida), é engenharia real. Treinar um modelo grande como o GPT-4 pode emitir centenas de toneladas de CO2. Parte da rejeição da Gen Z vem exatamente daí, especialmente entre pessoas com formação técnica que entendem o custo de infraestrutura por trás do hype.

Impacto para devs

Se você está construindo produtos com IA, esses dados são um sinal de alerta concreto, não só comportamental.

1. Automação opaca em seleção de candidatos é um problema de produto

Vários jovens relatam que filtros de vagas baseados em IA rejeitam CVs sem explicação. Se você trabalha em RH Tech ou plataformas de recrutamento, isso é um bug de UX e ético. O modelo não justifica a decisão, e o candidato fica sem feedback. Um exemplo simples de como isso poderia ser diferente:

# Em vez de só rejeitar silenciosamente:
resultado = modelo.avaliar_cv(cv_texto)

if resultado["score"] < threshold:
    # Gere um motivo legível para o candidato
    motivo = modelo.explicar_rejeicao(cv_texto, vaga_descricao)
    notificar_candidato(email, motivo)

Transparência não é luxo, é requisito de produto quando a decisão afeta a vida das pessoas.

2. Integrar IA sem contexto de uso é receita para rejeição

74% dos jovens usam chatbots ao menos uma vez por mês, mas 80% admitem que isso dificulta o aprendizado real. O problema não é a ferramenta, é onde ela foi encaixada. Se você está adicionando IA a um produto educacional, vale perguntar: a IA está substituindo o processo de aprender ou acelerando a parte chata para sobrar espaço pro que importa?

3. Custo ambiental vira requisito não funcional

Engenheiras como Sharon Freystaetter, citada na reportagem, deixaram o setor de tech por preocupações com o impacto ambiental de data centers. Isso vai virar pressão de mercado. Se você escolhe onde hospedar seu modelo ou qual provedor usar, considere emissões como critério real, não só latência e custo por token.

4. O backlash não é contra código, é contra empacotamento irresponsável

A Gen Z não está rejeitando tecnologia em geral. Está rejeitando a narrativa de que IA resolve tudo, elimina empregos e ainda assim é obrigatória. Como dev, você tem agência sobre como apresenta e integra essas ferramentas. Produto com IA que respeita autonomia do usuário, explica o que faz e permite desligar funcionalidades tende a gerar menos atrito.

Conclusão

Os números do Gallup não significam que LLMs são inúteis. Significam que o mercado está reagindo a uma adoção forçada e mal contextualizada. Para quem escreve código, a lição prática é: entenda o problema antes de encaixar IA na solução. Transparência, controle do usuário e custo real de infraestrutura precisam entrar no backlog com o mesmo peso que performance e funcionalidade.

A tecnologia não é neutra. O jeito que você a entrega, sim, faz toda a diferença.

Fonte: https://www.theverge.com/ai-artificial-intelligence/920401/gen-z-ai