A IA falha com confiança
Ela escreve código brilhante e código sem sentido com a mesma cara.
~10%
do código de IA passa em revisão de segurança
>80%
do código "correto" tem vulnerabilidade explorável
~2×
mais vazamento de segredos em commits assistidos por IA
170+
apps com RLS ausente/invertida num só incidente real
a IA não se verifica de forma confiável — quem avalia precisa ser uma pessoa
Dois pontos de partida
Você chega por um de dois caminhos.
O destino é o mesmo: virar a pessoa que confere o que a IA faz — e para de errar com confiança.
// nunca programei
Você comanda a IA, mas não lê o que ela devolve.
Você cria software conversando com a IA, mas não sabe o que é um commit, uma variável de ambiente ou uma permissão de banco. Quando ela diz "pronto", só te resta acreditar.
→ Começa no zero absoluto e te trata como futuro especialista — nunca como aluno de quizzinho. Você sai lendo, julgando e consertando, sem decorar sintaxe.
// já programo, agora com IA
Você produz com IA e quer entender por que ela erra.
Você lê código e até escreve, mas hoje quase tudo sai da IA. O risco mudou: aceitar rápido demais o que ela entrega e perder o fio de por que aquilo quebra.
→ Um mapa de como a IA pensa e falha, classe por classe de erro. Você afia a calibração pra não ser confiante e errado — e pega o bug antes do deploy.
Do ponto A ao ponto B
Do zero absoluto ao verificador — sem virar programador antes.
Você não precisa "aprender a programar" primeiro. Cada degrau te dá só o que falta para pegar a próxima classe de erro.
Ponto A · hoje
"Colo o código da IA e torço pra dar certo."
Ponto B · objetivo
"Leio qualquer código de IA e aponto o que está errado — e por quê."
01
Leia os primitivos
O que é variável, tipo, contrato. Você lê a intenção do código — não decora sintaxe.
02
Cace o bug
Aponta a linha suspeita e a classe do erro. Achar e consertar são músculos diferentes.
03
Conserte e rode os testes
Edita na IDE simulada e roda. E aprende, na prática, que verde não é verdade.
04
Audite um app inteiro
No capstone, um app realista cheio de erros de IA. Você acha, conserta e confere — sozinho.
O loop
Prever antes de revelar. Sempre.
Você tenta, declara sua confiança, e só então vê a resposta. O cruzamento confiança × acerto é onde o aprendizado mora.
01
Preveja
Leia o código e aponte o que ele faz ou onde está o bug.
→
02
Aposte sua confiança
Baixa, média ou alta — antes de ver a resposta. Honesto.
→
03
Revele & calibre
Veja se acertou e como estava sua confiança. A curva se move.
A espinha
Não é "um curso de TypeScript".
É um mapa de como a IA falha.
É um mapa de como a IA falha.
Cada faixa é uma classe de erro — e a camada de "como a IA funciona" que você precisa para pegá-la. Da fundação ao capstone.
Para quem já programa, é o raio-X que faltava: por que a IA otimiza para funcionar e não para resistir a ataque, e por que o teste fica verde mentindo.
› Erros locais · tipo, off-by-one, async, null
› Segurança · segredo, RLS, injeção
› Entropia, harness/agente, contexto
F0
letramento
F1
primitivos
F2
o tsc
01
locais
02
segurança
03
entropia
04
harness
05
contexto
★
capstone
Calibração · não XP
0.18 ↓ melhorando
O placar certo
Seu progresso é a calibração, não a velocidade.
Sem XP, sem streak de ofensiva, sem confete. Medimos quão bem sua confiança prevê seus acertos — e nomeamos o quadrante perigoso: confiante & errado.
Perguntas frequentes
Nunca escrevi uma linha de código. Isso é pra mim?
É exatamente pra você. Foi desenhado para o zero absoluto — não precisa saber lógica, SQL nem o que é um commit. Começamos por aí e te tratamos como futuro especialista desde a primeira tela: você aprende a ler, julgar e consertar, não a decorar sintaxe.
Eu já programo. Não vai ser básico demais?
Não. O assunto não é "como escrever código" — é como a IA falha e por quê. Quem programa há anos também erra ao revisar saída de IA rápido demais. Você treina a calibração e ganha um mapa das classes de erro (segurança, async, contexto, falso-verde) que poupa horas de debug.
É só TypeScript?
O conteúdo é genérico (TS/web) de propósito — a habilidade de verificar serve para qualquer código de IA, não para um produto específico.
A IA não vai melhorar a ponto de se verificar sozinha?
Os modelos avaliam mal o próprio trabalho — a mitigação conhecida é separar quem gera de quem julga. Quanto mais código a IA escreve, mais alguém precisa conferir. Esse alguém é você: é a habilidade que se valoriza, não a que a IA substitui.
Em quanto tempo eu vou saber verificar?
Não vendemos atalho. A calibração melhora com volume de prática — por isso medimos sua curva ao longo do tempo, sem diploma na sexta-feira. Mas já nas primeiras sessões você passa a pegar classes de erro que antes passavam batido.