Mapeando o espaço de design dos assistentes de codificação de IA – O’Reilly

Apenas alguns anos atrás, os assistentes de codificação de IA eram pouco mais do que curiosidades de preenchimento automático – ferramentas que poderiam terminar seus nomes de variáveis ​​ou sugerir uma linha de caldeira. Hoje, eles se tornaram uma parte cotidiana de milhões de fluxos de trabalho dos desenvolvedores, com produtos inteiros e startups construídos em torno deles. Dependendo de quem você pergunta, eles representam o início de uma nova period de programação ou o fim da programação como a conhecemos. Em meio ao hype e ceticismo, uma coisa é clara: o cenário dos assistentes de codificação está se expandindo rapidamente, e pode ser difícil aumentar o zoom e ver o quadro geral.

Eu sou Sam Lau da UC San Diego e meu colega Philip Guo e eu estou apresentando um Trabalho de pesquisa Na Línguas Visuais e Conferência de Computação Centrada em Humanos (VL/HCC) sobre esse mesmo tópico. Queríamos saber: Como os assistentes de codificação de IA evoluíram nos últimos anos e para onde está o campo?

Para responder a esta pergunta, analisamos 90 Assistentes de codificação de IA Criado entre 2021 e 2025: 58 produtos do setor e 32 protótipos acadêmicos. Alguns eram amplamente utilizados assistentes comerciais, enquanto outros eram sistemas de pesquisa experimentais que exploravam maneiras inteiramente novas de trabalhar com a IA. Em vez de focar em quem period “melhor” ou qual sistema period mais poderoso, adotamos uma abordagem diferente. Nós construímos um Estrutura de espaço de design: Um tipo de mapa que destaca as principais opções que os designers e pesquisadores fazem ao criar assistentes de codificação. Ao comparar sistemas da indústria e acadêmica lado a lado, esperamos descobrir os padrões e os pontos cegos na maneira como essas ferramentas estão sendo moldadas.

O resultado é o primeiro instantâneo abrangente do espaço neste momento crítico em 2025, quando os assistentes de codificação de IA estão começando a amadurecer, mas suas direções futuras permanecem muito em fluxo.

Aqui está um resumo de nossas descobertas:

10 dimensões que definem essas ferramentas

O que faz um assistente de codificação se sentir como um copiloto útil e outro parecer uma distração desajeitada? Em nossa análise, identificamos 10 dimensões de design, agrupadas em quatro temas amplos:

1. Interface: como o assistente aparece (preenchimento automático em linha, sugestões proativas, IDEs completos).
2. Entradas: o que você pode alimentá -lo (texto, arquivos de design, análise de código, regras personalizadas do projeto).
3. Recursos: o que pode fazer (autocorreto, executar código, chamar ferramentas externas).
4. Saídas: como ele fornece resultados (blocos de código, saídas interativas, raciocínio de raciocínio, referências).

Por exemplo, alguns assistentes como o GitHub Copilot são otimizados para velocidade e atrito mínimo: preenchimento automático de algumas teclas, guia Pressione, proceed codificando. Projetos acadêmicos como WaitGPT e DBOX foram projetados para exploração e aprendizado, desacelerando os usuários para refletir sobre trade-offs, oferecendo explicações ou conceitos de programação de andaimes para iniciantes. (Hyperlinks para todos os 90 projetos estão em nosso papel pdf.)

Uma das descobertas mais claras de nossa pesquisa é uma divisão entre a indústria e a academia.

• Os produtos do setor se concentram na velocidade, eficiência e integração perfeita. O passo deles é simples: escreva o código mais rápido, com menos erros. Pense em ferramentas como Cursor, Claude Code ou Github Copilot, que prometem “codificar na velocidade do pensamento”.
• Prototipos acadêmicos, por outro lado, divergem em muitas direções. Alguns deliberadamente diminuem o processo de codificação para incentivar a reflexão. Outros se concentram no aprendizado de andaimes para os alunos, apoiando a acessibilidade ou permitindo maneiras inteiramente novas de solicitar, como permitir que os usuários desenhem uma interface do usuário em vez de escrever um immediate baseado em texto.

Essa divergência reflete duas prioridades diferentes: uma otimizada para produtividade em engenharia de software program profissional e a outra para explorar o que poderia ser ou deveria ser a programação. Ambas as abordagens têm valor e, para nós, a questão mais interessante é se as duas culturas podem eventualmente convergir, ou pelo menos aprender umas com as outras.

Seis personas, seis maneiras de codificar com ai

Outra maneira de entender o espaço é perguntar: para quem são realmente essas ferramentas? Identificamos seis personas de usuários que continuavam reaparecendo entre os sistemas:

• Engenheiros de software program, que procuram ferramentas para acelerar fluxos de trabalho profissionais
• Pesquisadores de HCI e entusiastas, que criam protótipos e novas maneiras de trabalhar com AI
• Designers UX, que usam assistentes para protótipo rapidamente e iterar em idéias de interface
• Programadores de conversaçãoque são profissionais não técnicos que se envolvem em codificação de vibração, descrevendo idéias em linguagem pure
• Cientistas de dados, que precisam de explicação e iterações rápidas em experimentos orientados por código
• Os alunos que aprendem a codificar, que se beneficiam de andaimes, orientações e explicações

Cada persona requer projetos diferentes, que destacamos em nosso espaço de design. Por exemplo, as ferramentas projetadas para engenheiros de software program como Claude Code e Aider são integradas aos seus editores e terminais de código existentes, suportam um alto grau de personalização e têm autonomia para escrever e executar código sem intervenção humana. Por outro lado, as ferramentas para designers como Loves e Vercel V0 são baseadas em navegador e podem criar aplicativos usando uma maquete visible como um arquivo de design da figma.

O que vem depois do preenchimento automático, bate -papo e agentes?

Então, onde isso nos deixa? Assistentes de codificação não são mais brinquedos experimentais. Eles estão tecidos em fluxos de trabalho de produção, salas de aula, estúdios de design e laboratórios de pesquisa. Mas o futuro deles está longe de se estabelecer.

Da nossa perspectiva, o desafio central é que a academia e a indústria estão inovando em paralelo, mas raramente conversando entre si. Embora as ferramentas do setor otimizem para a velocidade, gerar muito código rapidamente não é o mesmo que a criação de um bom software program. De fato, estudos recentes mostraram que, embora os assistentes de codificação de IA tenham afirmado aumentar a produtividade em 10x, a realidade até agora está mais próxima das melhorias incrementais. (Ver Postagem recente do weblog de Addy Osmani para um resumo.) E se a academia e a indústria pudessem trabalhar juntos para combinar um estudo rigoroso de barreiras reais à produtividade com a experiência prática de escalar ferramentas na produção? Se isso puder acontecer, podemos ir além de simplesmente tornar o código mais rápido para escrever para tornar o desenvolvimento de software program mais rápido e sustentável.

Confira nosso papel aqui E envie um e-mail se quiser discutir algo relacionado a ele!