TLDR;

O problema é que os LLMs são treinados em volumes massivos de código antigo de linguagens populares, tornando irrelevantes novas linguagens ou recursos modernos por falta de dados suficientes para treinamento. Empresas migram para linguagens estabelecidas como Python porque os tempos lentos de compilação de linguagens avançadas como Haskell se tornam inaceitáveis quando agentes de IA geram código em minutos. Linguagens emergentes perdem espaço pois o pequeno volume de projetos impede que os modelos aprendam a gerar código confiável, reforçando o domínio das linguagens antigas.

Resumo

O vídeo discute como a ascensão dos LLMs está impactando o desenvolvimento de linguagens de programação e a escolha tecnológica das empresas. Embora novas linguagens como Rust, Odin e Kotlin tragam avanços significativos em segurança, desempenho e produtividade, a falta de grandes bases de código para treinamento dos modelos de IA limita sua adoção. Por outro lado, linguagens consolidadas como Java e Python se beneficiam de vastos repositórios de código antigo, permitindo que os LLMs gerem soluções mais confiáveis. O caso da Scarf ilustra essa tendência: após anos usando Haskell com sucesso em produção, a empresa migrou seu backend para Python, priorizando loops de feedback mais rápidos e a capacidade dos agentes de IA de gerar testes em escala. A decisão reflete um trade-off entre garantias de compilação e velocidade de desenvolvimento, já que o tempo gasto compilando código gerado por IA se tornou inaceitável. No final, o autor alerta que isso pode criar um ciclo vicioso, favorecendo apenas as linguagens mais populares e desestimulando a inovação em novas tecnologias.