Frameworks Opinativos e IA
Por que o conservadorismo do Django vence o hype na era dos LLMs
Quem me acompanha de perto sabe que o Django é meu companheiro de guerra no dia a dia. Mas recentemente me dei conta de algo que sempre esteve bem debaixo do meu nariz: o Django se dá incrivelmente bem com Inteligência Artificial.
E isso não é exclusividade dele, mas de ferramentas maduras que trazem padrões de arquitetura consolidados e “induzidos” pelo próprio ecossistema. No Django, tentar implementar um padrão diferente do tradicional Model-View-Template (MVT) é como tentar envergar um palito de churrasco: um pouco até vai, mas se você forçar, ele quebra. O framework te abraça se você segue as regras dele, mas te pune se você tenta lutar contra.
Essa rigidez, que muitos criticavam no passado, virou uma superpotência na era dos LLMs. Tudo se torna previsível. O código gerado pela IA é mais limpo, melhor documentado e baseado em um oceano de repositórios reais que funcionam exatamente da mesma forma.
Os caminhos naturais do Django
No Django, muitas vezes existem “caminhos naturais”:
- Quer validação? Serializer/Form.
- Quer persistência? Model/ORM.
- Quer autenticação? O ecossistema já possui mecanismos consolidados.
- Quer administração? Admin.
- Quer rotas? URLconf.
- Quer uma API REST? Django Rest Framework.
Isso reduz o espaço de decisão. E isso é extremamente valioso para uma LLM, porque a IA não precisa gastar tokens procurando uma arquitetura entre várias possibilidades igualmente válidas. Ela precisa apenas completar uma arquitetura que já possui fortes convenções.
O preço da liberdade total
O Django Rest Framework (DRF) pega carona exatamente no mesmo princípio. Ao contrário do FastAPI, que é extremamente permissivo e te dá uma folha em branco, o DRF impõe uma estrutura previsível com suas serializers e viewsets.
Em frameworks muito abertos, os modelos de IA frequentemente sofrem para entender a arquitetura do projeto, gerando alucinações, sugerindo abordagens inconsistentes e exigindo mais iterações para implementar uma feature simples. Essa dificuldade se converte em mais gasto de tokens, mais lentidão no desenvolvimento de features e, se você não tomar cuidado, uma bagunça na estrutura do seu projeto.
Para quem escolhe a flexibilidade de frameworks como o FastAPI, a única saída para driblar esse problema é criar a própria rigidez. Você precisa estabelecer um padrão arquitetural estrito e documentá-lo detalhadamente em arquivos de contexto do projeto (como um CLAUDE.md, GEMINI.md ou ai.md). Se o framework não dá o norte, você precisa dar — caso contrário, a IA vai desenhar o mapa do jeito dela.
A maturidade virou contexto
Existe ainda outro fator que considero subestimado nessa discussão: maturidade.
O Django não chegou ontem. Nascido em 2005, o framework atravessou mais de duas décadas de evolução, acumulando padrões, convenções, documentação, correções, discussões arquiteturais e uma quantidade gigantesca de código produzido no mundo real. Isso importa muito quando colocamos um LLM no meio do processo de desenvolvimento.
Uma IA não precisa apenas conhecer a sintaxe de uma tecnologia. Ela precisa reconhecer padrões. E poucos ecossistemas oferecem um conjunto de padrões tão consolidado quanto o Django, com um vocabulário próprio e extremamente previsível: Models, QuerySets, Forms, Admin, Middleware, URLconf, Views, Templates, Migrations e, no caso do DRF, Serializers, ViewSets, Routers e Permissions.
Quando uma IA encontra esse vocabulário dentro de um projeto, ela não está começando do zero. Ela está entrando em um território que já conhece.
E talvez seja justamente aí que uma característica frequentemente criticada no Django se transforme em uma vantagem: ele limita o espaço de possibilidades. Isso pode parecer ruim para quem gosta de liberdade arquitetural, mas para uma IA reduzir possibilidades significa reduzir ambiguidade.
Em um framework extremamente permissivo, existem muitas maneiras corretas de resolver o mesmo problema, e a IA precisa primeiro descobrir qual delas o projeto adotou. No Django, as convenções do próprio ecossistema frequentemente já fornecem uma boa hipótese. É a velha ideia de convention over configuration ganhando uma nova dimensão: tradicionalmente, convenções existem para ajudar desenvolvedores humanos a escrever menos código e tomar menos decisões; na era dos LLMs, elas também ajudam máquinas a interpretar o código que estamos escrevendo.
Django não está sozinho
E vale reforçar: nada disso é exclusividade do Django. É um padrão que se repete em toda a família de frameworks opinativos.
O Ruby on Rails, por exemplo, foi quem popularizou a própria expressão convention over configuration — e até hoje é citado como referência de como reduzir decisões repetitivas em favor de velocidade. Quem já trabalhou com Rails reconhece o mesmo tipo de “caminho natural” que descrevi no Django: ActiveRecord para persistência, Controllers previsíveis, uma estrutura de pastas que praticamente se auto documenta.
O Laravel, no mundo PHP, segue a mesma cartilha: Eloquent para ORM, Artisan para scaffolding, Middleware e Blade com convenções bem definidas. Não é à toa que boa parte da comunidade PHP relata a mesma sensação de “a IA já sabe onde mexer” ao trabalhar em projetos Laravel.
E no ecossistema Java, o Spring Boot faz o mesmo trabalho com anotações, injeção de dependência e uma estrutura de camadas (Controller, Service, Repository) tão consolidada que virou quase um dialeto próprio da engenharia backend.
O que Django, Rails, Laravel e Spring Boot têm em comum não é a linguagem, é a filosofia: são frameworks que amadureceram tomando decisões arquiteturais por seus desenvolvedores, ano após ano, até que essas decisões virassem senso comum. E é exatamente esse senso comum, acumulado por décadas de uso real, que uma IA consegue reconhecer e reproduzir com muito mais confiança.
A previsibilidade como característica de engenharia
E isso muda a equação: a previsibilidade passa a ser uma característica de engenharia.
Quanto mais previsível é a estrutura de um projeto, menos contexto a IA precisa consumir para entender onde uma nova feature deve ser implementada. Menos contexto significa menos ambiguidade, menos iterações, menos código descartado e, consequentemente, menor custo computacional e cognitivo para chegar ao resultado.
Não é que o Django seja “melhor para IA” simplesmente porque é Django. É que um ecossistema maduro, opinativo e altamente convencional oferece exatamente uma das coisas que LLMs mais precisam: contexto implícito e previsível.
A ironia da engenharia de software atual
Durante anos, parte da comunidade buscou frameworks cada vez mais flexíveis, capazes de não impor praticamente nenhuma decisão arquitetural. Agora, com a IA participando ativamente da construção do software, começamos a perceber o valor de frameworks que fazem justamente o contrário: eles já tomaram algumas decisões por nós.
E quando essas decisões são consistentes há vinte anos, elas deixam de ser apenas opinião do framework e passam a funcionar como uma espécie de linguagem arquitetural compartilhada.